کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
7125087 1461532 2014 10 صفحه PDF 16 صفحه WORD دانلود کنید
عنوان انگلیسی مقاله ISI
A data mining approach for fault diagnosis: An application of anomaly detection algorithm
ترجمه فارسی عنوان
یک روش داده کاوی برای تشخیص خطا: استفاده از الگوریتم تشخیص ناهنجاری
فهرست مطالب مقاله
چکیدهکلمات کلیدی1.مقدمه2. تجزیه و تحلیل تکنیک ها2.1. کورتوزیس2.2. نمره غیر گاوسی(NGS)3. روش پیشنهادی3.1. روش های یادگیری ماشین3.2. نظریه عمومی تشخیص ناهنجاری3.2.1. توزیع گاوسی3.2.2. تخمین پارامترها برای توزیع گاوسی3.2.3. انتخاب آستانه  شکل 1. تست تحمل باربری و قرار دادن سنسور.4. مطالعه موردی4.1. شرح مدلشکل 2. طیف FFT برای آزمایش تا شکستشکل 3. نتیجه تشخیص آنومالی، طرح بندی را نمایش می دهدشکل 4. نتیجه شماتیک SVM شکل 5. نمره F1 تشخیص ناهنجاریشکل 6. امتیاز SVM F15. بحث5.1. تأثیرات برای تمرین کنندگان صنعتشکل 7. خروجی SVM5.2. کاربردهایی برای محققانشکل 8. خروجی تشخیص آنومالی6. نتیجه گیری
ترجمه چکیده
شکست در bearing اجزای چرخشی یکی از شایع ترین مشکلات در ماشین آلات چرخشی است که می تواند فاجعه بار و باعث خرابی های عمده شود. از این رو، ارائه هشدارهای پیشگیرانه و تشخیص دقیق خطا در چنین اجزایی مهم و مقرون به صرفه است. اکثر تحقیقات گذشته بر پردازش سیگنال و تحلیل طیفی برای تشخیص خطا در اجزای چرخشی متمرکز شده است. در این مطالعه، یک روش داده کاوی با استفاده از تکنیک یادگیری ماشین به نام تشخیص غیر عادی (AD) ارائه شده است. این روش از تکنیک های طبقه بندی برای تشخیص نمونه های ناقص استفاده می شود. دو ویژگی، kurtosis و نمره غیر گاوسی (NGS)، برای توسعه الگوریتم های تشخیص ناهنجاری استفاده می شوند. عملکرد الگوریتم های توسعه یافته از طریق داده های واقعی از مرحله ی آزمون تا تحمل شکست انجام شد. در نهایت، استفاده از تشخیص ناهنجاری با یکی از روشهای محبوب به نام Vector Vector Machine (SVM) مقایسه شده است تا حساسیت و دقت این روش و توانایی آن برای شناسایی ناهنجاری ها در مراحل اولیه را بررسی کند.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی کنترل و سیستم های مهندسی
چکیده انگلیسی
Rolling-element bearing failures are the most frequent problems in rotating machinery, which can be catastrophic and cause major downtime. Hence, providing advance failure warning and precise fault detection in such components are pivotal and cost-effective. The vast majority of past research has focused on signal processing and spectral analysis for fault diagnostics in rotating components. In this study, a data mining approach using a machine learning technique called anomaly detection (AD) is presented. This method employs classification techniques to discriminate between defect examples. Two features, kurtosis and Non-Gaussianity Score (NGS), are extracted to develop anomaly detection algorithms. The performance of the developed algorithms was examined through real data from a test to failure bearing. Finally, the application of anomaly detection is compared with one of the popular methods called Support Vector Machine (SVM) to investigate the sensitivity and accuracy of this approach and its ability to detect the anomalies in early stages.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Measurement - Volume 55, September 2014, Pages 343–352
نویسندگان
, , ,