جلسه دفاع پایان نامه کارشناسی ارشد (آقای محمدوحید تابلویی)
موضوع: بروزرسانی مدل عددی سیستم دوار دودیسکی بر پایهی آزمونهای تجربی
ارائه دهنده: محمد وحید تابلویی
استادان راهنما: دکتر رضا تیکنی
استادان مشاور: دکتر سعید ضیاییراد
استادان داور: دکتر حسن نحوی- دکتر علی لقمانی
چکیده:
با پیشرفت روزافزون علم، روش های نوینی جهت پایش وضعیت سیستم ها جایگزین روش های سنتی شده اند. این روش ها باعث افزایش طول عمر سیستم و همینطور از خسارات جبران ناپذیر جلوگیری می شود. از این رو این کار باعث می شود که هم نیروی انسانی کاهش یابد و هم از لحاظ صرفه ی اقتصادی باعث صرفه جویی زیاد در هزینه ها شود. برای تشخیص عیوب در سیستم های دوار، از روش های یادگیری ماشین میتوان استفاده کرد. یادگیری ماشین به دو شکل نظارتشده و غیر نظارتشده است. استفاده از یادگیری ماشین غیر نظارت شده باعث هوشمندی بیشتر در پیش بینی عیب می شود. برای رسیدن به این هدف از خوشه بندی خودکار استفاده شده است. در این روش دو شاخص اعتبار جهت خوشه بندی به صورت خودکار و همینطور ترکیب خطی آنها به عنوان توابع هزینه یا هدف تعریف شده است. ویژگی های کورتوسیس، اسکیونس و پارامتر کرست از سری زمانی داده ها گرفته شده است. بعد از استخراج ویژگی ها، آنها به صورت یک آرایه به عنوان ورودی به الگوریتم خوشه بندی خودکار داده می شود. در ادامه با استفاده از دو الگوریتم فرا ابتکاری ازدحام ذرات و کلونی زنبور عسل به بهینه سازی توابع هدف پرداخته شده است. در این پژوهش از دو الگوریتم جهت مقایسه ی نحوه ی خوشه بندی و مقدار تابع هدف استفاده شده است. با استفاده از این روش مجموعه ای از خطاهای یک سیستم را می توان در نظر گرفت و پایش وضعیت بر روی سیستم انجام داد. دو خطای رینگ داخلی و رینگ خارجی در یاتاقان های غلتشی در نظر گرفته شده است وسپس ویژگی های مورد نظر استخراج گردیده تا به عنوان ورودی به الگوی تشخیص عیب داده شود. بعد از بهینهسازی انجام شده در این روش توسط الگوریتم های فرا ابتکاری، خوشه بندی خطاها به صورت خودکار و مجزا انجام گردیده است. از دیگر عیوب موجود در سیستم های دوار می توان به عیوب نابالانسی و ناهم محوری اشاره کرد. برای تشخیص این عیوب هم به استخراج ویژگی نیازمند هستیم که در یک آرایه جمع آوری می شوند. این آرایه به عنوان ورودی به یک شبکه ی یادگیری عمیق جهت طبقه بندی داده ها داده می شود. بعد از آموزش شبکه، با استفاده از داده های تست به آزمایش آن پرداخته شده است. ماتریس درهمریختگی و منحنی مشخصه عملکرد سیستم نیز برای داده های تست و آموزش به عنوان خروجی از شبکه در نظرگرفته شده است.
کلمات کلیدی: یادگیری ماشین، خوشه بندی، نابالانسی، ناهم محوری، یادگیری عمیق