به گزارش خبرگزاری مهر به نقل از روابط عمومی دانشگاه تبریز، محمد رضا فیضی درخشی، مجری این طرح سه شنبه گفت: در سال های اخیر استفاده از پردازش سیگنال برای عیب یابی قطعات و ماشین آلات مورد توجه قرار گرفته که دلیل این موضوع، قابلیت این روشها در انجام تست های غیر مخرب و نیز عیبیابی در حین کار تجهیزات است و از این رو این تحقیق به دنبال روشی برای بهبود دقت روشهای پردازش سیگنال در عیب یابی قطعات در حال چرخش است.
وی افزود: بدین منظور راهکارهای پیشنهادی روی سیگنال های جمع آوری شده در محیط کارگاهی از ارتعاشات فیزیکی جعبه دنده های واقعی خودروی نیسان، آزمایش شده است و استفاده از داده واقعی یکی از نقاط قوت تحقیق حاضر در برابر تحقیق هایی است که از داده های آزمایشگاهی استفاده می کنند.
به گفته وی، در این تحقیق یک ایده جدید مطرح و توسعه داده شد که عبارت است از استفاده از مفهوم ضریب همبستگی برای تطبیق و هم بعد کردن سیگنال های جمع آوری شد و به نظر میرسد این ایده می تواند نقطه آغازین خوبی برای بهبودهای آتی در مساله تطبیق هوشمند سیگنال ها باشد.
فیضی درخشی در ادامه با تاکید بر اینکه علاوه بر این ایده جدید ترکیب های مختلف روش های موجود با هدف بهبود نتایج تشخیص مد نظر قرار گرفت، یادآور شد: استفاده از تبدیل موجک، بهکارگیری توابع آماری پراش، چولگی و برجستگی و همچنین آنتروپی در مقابل انرژی به عنوان ویژگی از جمله کارهای انجام گرفته در این تحقیق است.
این استاد دانشگاه اضافه کرد: برای انجام دسته بندی نیز از ماشین بردار پشتیبان و شبکه عصبی RBF به طور جداگانه بهره گرفته شده است و به این ترتیب ترکیب های مختلف این دو روش هوشمند با ویژگی های یاد شده مورد آزمایش قرار گرفت که نتایج آن به تفصیل در این گزارش بررسی شده و از این رو نتایج آزمایش ها نشان دهنده دقتی در حدود ۹۰ درصد برای بهترین ترکیب است.
نظر شما