چکیده
براساس تکنیک های تبدیل هیلبرت-هوانگ (HHT) و ماشین بردار پشتیبانی (SVM)، در این مقاله یک روش هوشمند مبتنی بر نویز (HHT-SVM) برای عیب یابی خطای موتور (EFD) فراهم شده است. در ابتدا نویزهای یک موتور نمونه تحت شرایط خطای معمولی و شدید اندازه گیری شده اند و با استفاده از روش آستانه گذاری بسته موجک به سطح پایین تری از نویز که هیچ گونه اختلالی ندارد نویزگیری شده اند. سپس به منظور استخراج ویژگی های خطای موتور، HHT به سیگنال های نویز اندازه گیری شده اعمال می شود. یک بردار 9 بعدی متشکل از هفت تابع حالت ذاتی (IMF) از تجزیه حالت تجربی (EMD)، بیشینه طیف حاشیه ای HHT و مولفه فرکانس مربوط به آن مشخص شده است تا هر ویژگی خطای موتور را نشان دهد. در نهایت یک مدل SVM بهینه ایجاد شده است و با استفاده از بردارهای ویژگی خطای مربوط به سیگنال های نویز برای طبقه بندی خرابی موتور به کار گرفته شده اند. نتایج بررسی اعتباری نشان می دهد که روش HHT-SVM پیشنهادی برای عیب یابی خطاهای موتور دقیق و موثر است. به خاطر مشخصه های برجسته فرکانسی-زمانی و ظرفیت شناخت الگوی HHT و SVM، میتوان از روش جدید HHT-SVM برای ارضاء سیگنال های ساکن و غیر ساکن و حتی زودگذر، استفاده کرد. از نظر کاربرد، از تکنیک HHT-SVM نه تنها به خاطر تشخیص حالت های غیر معمول موتور خودرو بلکه برای گسترش و بسط یافتن در دیگر حوزه ها برای عیب یابی خطا در مهندسی نیز می توان استفاده کرد.
1-مقدمه
موتور منبع توان و جزء اصلی خودرو است که عملکرد آن به طور مستقیم بر ایمنی و قابلیت اطمینان خودرو تاثیر می گذارد. به خاطر ساختار پیچیده و شرایط کاری موتور، خرابی موتور 40% از کل خرابی خودرو را شامل می شود. بنابراین توسعه روشی برای نظارت سریع و دقیق بر شرایط و عیب یابی خطای موتور از اهمیت بالایی برخوردار است...
میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید