جلسه دفاع پایان نامه کارشناسی ارشد (آقای علی اکبری)

موضوع: کاربرد روش‌های یادگیری ماشین در تشخیص عیب یاتاقان چرخ اتوبوس مسافربری به کمک سیگنال‌های ارتعاشی

ارائه دهنده: علی اکبری

استادان راهنما: دکتر رضا تیکنی

استادان داور: دکتر سعید ضیایی راد – دکتر علی لقمانی

چکيده

تشخیص عیوب یاتاقان‌های چرخ اتوبوس‌ها به دلیل تأثیر مستقیم بر ایمنی و کارایی سیستم‌های حمل و نقل عمومی و همچنین کاهش هزینه‌های نگهداری و تعمیرات یک چالش مهم و ضروری است. خرابی یاتاقان چرخ می‌تواند منجر به توقف‌های ناگهانی، افزایش هزینه‌های تعمیرات و در درصورت عدم تشخیص به موقع می‌تواند باعث بروز حوادث خطرناکی از جمله قفل شدن چرخ‌ها و یا لق شدن آن‌ها شود. این پژوهش با هدف استفاده از ابزارهای یادگیری ماشین برای کاربری خاص که تشخیص هوشمند عیب یاتاقان چرخ اتوبوس است، انجام شده است. داده‌های ارتعاشی از یاتاقان‌ چرخ اتوبوس‌ در جاده و در شرایط عملیاتی واقعی با استفاده از یک حسگر دقیق جمع‌آوری و تحلیل شدند تا از تطابق مدل‌های توسعه‌یافته با شرایط واقعی اطمینان حاصل شود. ابتدا داده‌ها تحت پیش‌پردازش قرار گرفتند و ویژگی‌های کلیدی شامل پارامترهای آماری استخراج شدند. سپس، از الگوریتم‌های یادگیری ماشین شامل ماشین بردار پشتیبان، یادگیری جمعی مبتنی بر ماشین بردار پشتیبان و K-نزدیک‌ترین همسایه برای توسعه مدل‌های تشخیص عیب استفاده شدند. مدل‌ها بر روی داده‌های جمع‌آوری‌شده آموزش داده شدند و سپس بر روی داده‌های آزمون ارزیابی گردیدند. نتایج نشان داد که مدل‌های ماشین بردار پشتیبان با کرنل شعاعی و یادگیری جمعی بر پایه ماشین بردار پشتیبان و کرنل شعاعی عملکرد بهتری در تشخیص عیب یاتاقان‌ داشتند و دقت تشخیص بالاتری ارائه دادند. این مدل‌ها قادر به شناسایی زودهنگام عیب بودند و توانستند از خرابی‌های ناگهانی جلوگیری کنند. استفاده از تکنیک‌های پیشرفته یادگیری ماشین در این پژوهش به‌طور مؤثری به بهبود ایمنی، کاهش هزینه‌های نگهداری و افزایش بهره‌وری سیستم‌های حمل و نقل عمومی کمک می‌کند. این تحقیق نشان‌دهنده پتانسیل بالای روش‌های پردازش سیگنال و یادگیری ماشین در بهبود عملکرد و ایمنی سیستم‌های مکانیکی پیچیده در شرایط عملیاتی و واقعی است.

واژه‌های کلیدی: داده‌برداری میدانی، عیب یابی، یادگیری ماشین، یاتاقان چرخ، پردازش سیگنال، ماشین بردار پشتیبان، یادگیری جمعی.