تشخیص عیوب یاتاقان مبتنی بر تحلیل تصاویر ارتعاشی به روش توصیفگر آرکم سیفت
محورهای موضوعی : پردازش تصویر و ویدئو
زهره هاشم پور
1
,
حامد آگاهی
2
*
,
آذر محمودزاده
3
1 - گروه مهندسی برق، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران
2 - گروه مهندسی برق، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران
3 - گروه مهندسی برق، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران
کلید واژه:
چکیده مقاله :
تشخیص عیوب یاتاقان یکی از وظایف اساسی در پایش سلامت ماشین است، زیرا یاتاقان ها اجزای حیاتی ماشین های دوار هستند. این مقاله یک روش جدید را برای تشخیص عیوب در یاتاقان‌ها بر اساس ترکیبی از الگوریتم‌های استخراج ویژگی پیشنهاد می‌کند که در آن از سیگنال دو بعدی استفاده می‌شود. متفاوت از سایر روش‌های کلاسیک پردازش سیگنال یک بعدی، روش پیشنهادی این مقاله، سیگنال‌های ارتعاشی یک بعدی را به سیگنال دو بعدی (تصویر) تبدیل می‌کند، سپس از روش‌های پردازش تصویر برای تجزیه و تحلیل سیگنال تصویر استفاده می‌شود تا به هدف طبقه‌بندی عیوب رخ داده در یاتاقان برسد. تصاویر تبدیل شده از سیگنال های ارتعاشی اغلب ویژگی های بافت خاصی دارند و بافت هر دسته معیوب متفاوت است. علاوه بر این، هر توصیفگر ویژگی های فضایی را استخراج می کند. برخی از ویژگی ها ضعیف و برخی دیگر قوی هستند. در این مقاله روش حذف نقاط کلیدی اضافی سیفت (آرکم سیفت) استفاده شده است. علاوه بر این، برای هر توصیفگر، بهترین ویژگی ها با استفاده از روش تجزیه و تحلیل مؤلفه اصلی غیر خطی انتخاب می شوند. در نهایت، ویژگی‌های انتخاب‌شده با هم ترکیب می‌شوند و برای دستیابی به بهترین عملکرد در طبقه‌بندی چهار روش طبقه بندی اعمال شده و بعد از مقایسه بهترین روش طبقه بندی انتخاب می شود. عملکرد الگوریتم پیشنهادی بر روی مجموعه داده‌های بلبرینگ استاندارد دانشگاه کیس وسترن رزرو ارزیابی شده است. نتایج شبیه سازی نشان می دهد که روش پیشنهادی نسبت به روش های دیگر خطایابی یاتاقان های غلتشی عملکرد بهتری دارد.
Diagnosing bearing defects is one of the basic tasks in machine health monitoring, because bearings are critical components of rotating machines. This paper proposes a new method for detecting defects in bearings based on a combination of feature extraction algorithms in which a two-dimensional signal is used. Different from other classical one-dimensional signal processing methods, the proposed method of this paper converts one-dimensional vibration signals into two-dimensional signal (image), then image processing methods are used to analyze the image signal in order to classify the defects that have occurred. arrive at the bearing. Converted images from vibration signals often have specific texture characteristics, and the texture of each defective category is different. In addition, each descriptor extracts spatial features. Some features are weak and others are strong. In this article, the method of removing additional key points of SIFT (RKEM SIFT) is used. In addition, for each descriptor, the best features are selected using the non-linear principal component analysis method. Finally, the selected features are combined and four classification methods are applied to achieve the best classification performance and after comparison, the best classification method is selected. The performance of the proposed algorithm is evaluated on the standard bearing data set of Case Western Reserve University. The simulation results show that the proposed method performs better than other methods of fault finding of rolling bearings.