چکیده: در سالهای اخیر، روشهایی با تکنولوژی بالا امکان نظارت بر شرایط عملیاتی را فراهم کردهاند که امکان تصمیمگیری هوشمندانه در تعمیر و نگهداری تجهیزات یا اجزاء را در هر نوع صنعتی به منظور دستیابی به یک تعمیر و نگهداری مؤثر فراهم میآورد. یکی از روشهای مؤثر برای کاهش احتمال وقوع آسیب فاجعهآمیز تجهیزات از طریق تجزیه و تحلیل ارتعاشات است. تجزیه و تحلیل ارتعاشی سازوکاری است که برای پایش شرایط کاری تجهیز، به منظور کاهش هزینههای نگهداری و تعمیرات، تشخیص بهموقع خرابی و برنامهریزی جهت اقدامات اصلاحی لازم برای جلوگیری از رشد خرابی مورد استفاده قرار میگیرد. تجهیزات دوار در معرض عیبهایی همچون عیب در حلقههای داخلی و خارجی یاتاقان، ساچمه یاتاقان، نابالانسی، لقی، ترک در شفت یا پره و غیره هستند. مراحل تشخیص عیوب در تجهیزات دوار شامل سه مرحله اصلی ميباشد: انتخاب سنسور و جمعآوری سیگنال، استخراج ویژگی سیگنال دریافتی و در انتها تشخیص هوشمند عیب به وسیله روشهای یادگیری ماشین. با استفاده از روشهای استخراج ویژگی حوزه زمان-فرکانس ویژگیهای فرکانسی متغیر در زمان استخراج خواهند شد. این روشها عبارتاند از: تبدیل فوریه زمان کوتاه، تبدیل موجک، تجزیه مود تجربی، تبدیل هیلبرت-هوآنگ، تجزیه مود متغیر. سپس با استفاده از روشهای طبقهبندی نظارت شده یادگیری ماشین تشخیص عیوب هوشمند صورت خواهد گرفت. این روشهاعبارتاند از: طبقهبند بیز پایه، نزدیکترین همسایگی، رگرسیون لجستیک،ماشین بردار پشتیبان، شبکه عصبی چندلایه و شبکههای عصبی کانولوشنی. در این پژوهش از دادههای عیب یاتاقان دانشگاه کیس وسترن و همچنین دادههای نابالانسی میز تست تربیت مدرس برای بررسی عملکرد تمامی روشها استفاده شده است.
