پیشبینی عمر خستگی دندانه چرخدنده با استفاده از دادههای ارتعاش و امواج صوتی مبتنی بر یادگیری عمیق
پیشبینی عمر خستگی دندانه چرخدنده با استفاده از دادههای ارتعاش و امواج صوتی مبتنی بر یادگیری عمیق
زهرا مرادی1
1) کارشناسی رشته مهندسی مکانیک دانشگاه ازاد اسلامی واحد نجف اباد
کد IOI مقاله
:
AADK-ABZZCC
محل انتشار :
سومین کنگره بین المللی علوم، مهندسی و فن آوری های نو(secongress.com/3rd)
چکیده :
در این تحقیق، پیشبینی عمر خستگی دندانههای چرخدنده با استفاده از دادههای ارتعاش و امواج صوتی مبتنی بر یادگیری عمیق انجام شده است. دادههای مورد استفاده شامل شدت ارتعاش و فرکانسهای طبیعی چرخدندهها تحت شرایط مختلف بارگذاری و آسیب است. برای پیشبینی عمر خستگی، از الگوریتمهای پیشرفته یادگیری ماشین از جمله رگرسیون خطی، شبکههای عصبی کانولوشن (CNN) و مدل ترکیبی CNN-LSTM بهره گرفته شد. نتایج نشان داد که شدت ارتعاش و فرکانسهای طبیعی تأثیر قابلتوجهی بر عمر خستگی دارند، بهطوریکه هر افزایش 0.01 g در شدت ارتعاش منجر به کاهش 3 ساعت در عمر چرخدندهها میشود. همچنین، مدل ترکیبی CNN-LSTM با دقت 94.2% و AUC-ROC برابر 0.98، بهترین عملکرد را در پیشبینی عمر خستگی از خود نشان داد. تحلیلهای روند زمانی و تحلیل همبستگی نیز تأیید کردند که شدت ارتعاش و فرکانس طبیعی از جمله مهمترین پارامترها در شبیهسازی خرابی چرخدندهها هستند. بهطور کلی، این تحقیق نشان میدهد که استفاده از دادههای ارتعاشی و روشهای یادگیری عمیق میتواند به طور مؤثری به پیشبینی عمر خستگی و بهبود عملکرد چرخدندهها در سیستمهای مکانیکی کمک کند.
کلمات کلیدی : خستگی چرخدنده پیشبینی عمر دادههای ارتعاش امواج صوتی یادگیری عمیق شبکه عصبی کانولوشن مدل cnn lstm تحلیل همبستگی تحلیل روند زمانی مدلسازی دینامیکی