|
Title
|
كاربرد نگاشت هاي GAF و MTF در تشخيص خرابي تجهيزات دوار با شبكه DenseNet
|
|
Type
|
Presentation
|
|
Keywords
|
تشخيص خرابي تجهيزات دوار، نگاشت گرميان زاويه اي (GAF)، ميدان انتقال ماركوف (MTF)، شبكه DenseNet، يادگيري عميق
|
|
Abstract
|
در اين پژوهش، يك چارچوب مبتني بر يادگيري عميق براي تشخيص خرابي تجهيزات دوار با استفاده از شبكه DenseNet ارائه شده است. هدف اصلي، بررسي تأثير روش هاي تبديل سيگنال به تصوير، شامل نگاشت ميدان گرميان زاويه اي (GAF) و ميدان انتقال ماركوف (MTF)، در بهبود عملكرد مدل هاي يادگيري عميق در طبقه بندي وضعيت هاي خرابي در داده هاي ارتعاشي تجهيزات دوار است. بدين منظور، سيگنال هاي ارتعاشي مجموعه داده مربوط به خرابي هاي جعبه دنده دانشگاه كنكتيكت UoC ابتدا با استفاده از GAF و MTF به تصاوير دوبعدي تبديل شده اند. تصاوير حاصل سپس به عنوان ورودي به شبكه DenseNet دوبعدي داده شده اند تا فرآيند يادگيري و تشخيص انجام شود. عملكرد اين مدل ها با مدل DenseNet1D كه مستقيماً داده هاي خام يك بعدي را دريافت مي كند، مقايسه شده است. نتايج حاصل نشان مي دهد كه پيش پردازش سيگنال به صورت نگاشت تصويري، موجب افزايش دقت تشخيص شده و امكان استخراج بهتر الگوهاي پنهان از داده ها را براي مدل فراهم مي سازد. در مجموع، يافته ها بيانگر آن است كه استفاده از نگاشت هاي GAF و MTF مي تواند گامي مؤثر در جهت بهبود سيستم هاي هوشمند تشخيص خرابي تجهيزات دوار باشد.
|
|
Researchers
|
Sanaz Ardeshiri (First researcher) , Hossein Haghbin (Second researcher) , Amin Torabi Jahromi (Third researcher)
|