ارزیابی شاخص های وضعیت زمان و فرکانس از سیگنال های ارتعاش برای تشخیص ترک در محورهای ریلی

ایمنی ریلی از اهمیت بالایی برخوردار است زیرا یک شکست واحد می تواند خطرات مرتبط با خسارات اقتصادی و جانی را به همراه داشته باشد. تشخیص زودهنگام خطا در محورهای ریلی و سایر قطعات ریلی زمینه گسترده ای از تحقیقات را نشان می دهد که در حال حاضر در دست مطالعه است. در کار حاضر مشکل تشخیص زودهنگام ترک در محورهای ریلی از طریق پایش مبتنی بر شرایط و با ارزیابی چندین شاخص وضعیت سیگنال های ارتعاش در حوزه های زمان و فرکانس برطرف شده است. برای رسیدن به این هدف از دو رویکرد متفاوت استفاده کردیم: در رویکرد اول فقط سیگنال های ارتعاشی گرفته شده توسط شتاب سنج هایی که در امتداد جهت طولی قرار گرفته اند را ارزیابی می کنیم و در رویکرد دوم تکنیک همجوشی داده ها در سطح نشانگر وضعیت انجام شد و شش شتاب سنج را با ادغام شرایط نشانگر با توجه به قرارگیری سنسور ارزیابی کرد. در هر دو مورد در مجموع 54 شاخص شرط در هر سیگنال ارتعاش محاسبه و انتخاب بهترین ویژگی ها با استفاده از روش میانگین کاهش دقت جنگل تصادفی انجام شد. در نهایت بهترین شاخص ها را با ک-نزدیکترین طبقه بندی کننده همسایه تست می کنیم. برای مجموعه داده ها از یک نیمکت تست بوژی واقعی برای شبیه سازی گسل های ترک در محورهای ریلی استفاده شده است و سیگنال های ارتعاش از دو طرف چپ و راست محور اندازه گیری شد. نتایج نه تنها عملکرد شاخصهای وضعیت را در حوزههای مختلف نشان میدهد بلکه نشان میدهد که ادغام شاخصهای وضعیت به خوبی با هم کار میکند تا خطای ترک در محورهای ریلی را تشخیص دهد.

1. مقدمه

حمل و نقل ریلی در سراسر جهان رشد سریعی دارد و ایمنی ریلی موضوع مورد توجه زیادی در زمینه تحقیق است. محورهای ریلی یکی از مهمترین عناصر در سیستم های حمل و نقل ریلی هستند و خرابی هایی مانند محور ترک خورده می تواند منجر به خروج از خط و احتمالا خسارات جانی و اقتصادی شود. بنابراین تشخیص زودهنگام خطاها در محورهای ریلی در ایمنی ریلی بسیار مهم است [1,2].

از تکنیک اولتراسوند می توان برای انجام نظارت بر وضعیت بر روی محورهای ریلی استفاده کرد. تکنیک های دیگری که شامل متغیرهایی مانند دما [4], صوتی [5], و انتشار صوتی [1], برای نظارت مداوم بر گسل های محورهای ریلی استفاده شده است. با این وجود نظارت بر سیگنال ارتعاش به دلیل قابلیت اطمینان بالا به رایج ترین روش نظارت تبدیل شده است. تشخیص خطا بر اساس سیگنال های ارتعاشی امکان تشخیص زود هنگام خطا را فراهم می کند, نظارت بر وضعیت اینترنتی, و هنگامی که با روش های مختلف پردازش سیگنال و هوش مصنوعی ترکیب شود, نتایج تشخیصی بهتری حاصل می شود [6,7,8].

تشخیص خطا بر اساس سیگنال های ارتعاشی با رویکرد داده محور به طور کلی در چهار مرحله انجام می شود: الف) اکتساب و تهویه سیگنال ارتعاش, (ب) استخراج ویژگی هایی که شاخص های شرط نیز نامیده می شوند, ج) انتخاب ویژگی ها, و (د) طبقه بندی. پس از اکتساب و تهویه سیگنال ارتعاش در مرحله استخراج ویژگی تغییر رفتار سیگنال را که می تواند شاخصی از وضعیت خطا باشد مطالعه می کنیم. مطالعه این تغییرات در سیگنال را می توان در زمان متمرکز, حوزه فرکانس یا زمان فرکانس. از این حوزه ها می توان شاخص ها یا ویژگی های وضعیت (کشورهای مستقل مشترک المنافع) را استخراج کرد که امکان نظارت یا تشخیص گسل های مختلف را فراهم می کند [9]. ارزیابی کشورهای مستقل مشترک المنافع به طور گسترده مورد مطالعه قرار گرفته است و منجر به دستیابی به نتایج خوبی در تشخیص گسل در محورهای ریلی شده است. در حوزه زمان-فرکانس از انرژی محاسبه شده با استفاده از تبدیل بسته موجک استفاده شده است که امکان تشخیص ترک با نتایج عالی را فراهم می کند [10,11]. کارهای فوق فقط ارتعاشات را در محور ریلی و یاتاقان ها در عایق بدون بوژی اندازه گیری می کنند.

کار توسعه یافته توسط جی امز و همکاران. [7] (که همان مورد مطالعه کار حاضر است) از محورهای ریلی واقعی نصب شده در یک بوژی ی21 واقعی استفاده می شود که سیگنال های ارتعاش از شش شتاب سنج با استفاده از انرژی وای فای پردازش می شوند. مرحله انتخاب ویژگی با استفاده از تجزیه و تحلیل بصری انجام شد و بسته های انرژی برای افزایش مقادیر خود با عمق ترک انتخاب شدند و بسته ها با تغییر سرعت متفاوت بودند. در مرحله طبقهبندی از یک شبکه عصبی مصنوعی مبتنی بر تابع پایه شعاعی با 32 ورودی مربوط به بستههای انرژی انتخاب شده و مقادیر بار و سرعت استفاده شد و دو خروجی ممکن از شبکه شرایط سالم یا ترک خورده بودند. این کار نشان داد که شش شتاب سنج اطلاعات مهمی را برای تشخیص فراهم می کند و نتایج بهتری در سرعت های خاص حاصل می شود. کار اخیر, بیش از این مورد همان, توسط لوسرو در ال. [12] سیگنال های شش شتاب سنج را ارزیابی کرد; سی ویژگی از سیگنال دامنه زمانی استخراج شد و سپس از انتخاب ویژگی استفاده شد و در نهایت طبقه بندی از طریق طبقه بندی جنگل تصادفی اجرا شد. بهترین دقت در طبقه بندی با ده ویژگی استخراج شده از سیگنال های ارتعاشی اندازه گیری شده با شتاب سنج های واقع در جهت طولی یافت شد. نتایج حاصل از این کار همچنین نشان میدهد که ویژگیهایی از قبیل دامنه ویلسون و طول موج و عبور صفر و تغییر نشانههای شیب و چولگی برای رسیدگی به طبقهبندی خطا مناسب هستند. از سوی دیگر, ارتعاشات سیگنال های طبیعت نمایشگاه رفتار تصادفی در طیف گسترده ای از برنامه های کاربردی. برای نشان دادن نقاط قوت دامنه های مختلف سیگنال می توان از تبدیل سریع فوریه برای تغییر دامنه زمانی به فرکانس استفاده کرد و تغییراتی در امضای ارتعاش عناصر ریلی مانند جعبه های محور مشاهده شده است [13]. علاوه بر این, اگر بخواهیم نحوه توزیع قدرت سیگنال در حوزه فرکانس را بفهمیم, می توانیم از چگالی طیفی توان استفاده کنیم, که قدرت سیگنال را به عنوان تابعی در واحد فرکانس توصیف می کند. بنابراین می توان از پی دی دی برای استنباط عملکرد عادی یا شرایط خطای وسیله نقلیه ریلی استفاده کرد [14,15].

از طریق تجزیه و تحلیل کشورهای مستقل مشترک المنافع می توان اطلاعات کافی برای درک و تفسیر وضعیت ماشین مانند تعریف مقادیر محدود شاخص های خاص را دریافت کرد تا مشخص شود که ماشین در شرایط عادی یا غیر عادی است. این فرایند تشخیص و تعمیر و نگهداری تصمیم گیری پشتیبانی [16,17]. از سوی دیگر, نتیجه تشخیص از تجزیه و تحلیل کشورهای مستقل مشترک المنافع را می توان با داشتن چندین سنسور برای نظارت بر دستگاه بهبود بخشید زیرا امکان انجام همجوشی داده ها را فراهم می کند [18,19]. استخراج شاخص ها در حوزه های زمان و فرکانس به هزینه محاسباتی کمتری نسبت به هزینه مورد نیاز برای محاسبه شاخص ها در حوزه فرکانس زمان نیاز دارد [20].

همجوشی داده ها به ترکیبی از داده های حسگرهای متعدد از انواع یکسان یا متفاوت اشاره دارد و می تواند به عنوان استفاده از تکنیک هایی تعریف شود که داده ها را از چندین منبع ترکیب می کند. بدین ترتیب, با استفاده از همجوشی داده, استنتاج قابل اعتماد تر و واقع بینانه, کسر و یا تبعیض را می توان با استفاده از داده ها از منابع مختلف جدا شده در روش های داده محور ساخته شده [21].

هدف از این کار ارزیابی عملکرد شاخص های وضعیت در حوزه های زمان و فرکانس برای تشخیص ترک در محورهای ریلی با استفاده از سیگنال های ارتعاش است. دو رویکرد پیشنهاد شده است: (1) روش اول شاخص های استخراج شده از سیگنال ارتعاش دو شتاب سنج را ارزیابی می کند, در حوزه زمان, دامنه فرکانس, و ترکیبی, و (2) رویکرد دوم تلفیق داده های شاخص های شش شتاب سنج را ارزیابی می کند. بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 2 شاخص های شرط مورد استفاده در این کار را نشان می دهد, انتخاب, و روش های طبقه بندی. بخش 3 شامل تجربی راه اندازی و اکتساب داده ها. در بخش 4 روش پیشنهادی برای ارزیابی عملکرد شاخص های وضعیت به تفصیل بیان شده است. سپس بخش 5 نتایج و بحث را نشان می دهد و در نهایت در بخش 6 نتیجه گیری می شود.

2. سابقه و هدف

2.1. شاخص های وضعیت

تجزیه و تحلیل سیگنال ها را می توان با چندین تکنیک انجام داد و استفاده از سیگنال ها در حوزه های مختلف می تواند برای غنی سازی اطلاعات حاصل از یک سیگنال مفید باشد و ما را به درک بهتر ماهیت سیگنال سوق دهد. اگر ما علاقه مند به کمی سازی برخی از خصوصیات سیگنال هستیم, ما می توانیم از ریاضیات استفاده کنیم, مقادیر مبتنی بر ارقام یا شاخص های شرط برای اندازه گیری ویژگی های مختلف سیگنال; این می تواند به افشای اطلاعات پنهان در داخل سیگنال کمک کند. این شاخص های وضعیت (کشورهای مستقل مشترک المنافع) اغلب ویژگی ها نامیده می شوند . در کار حاضر رویکرد مورد استفاده در این مرحله استخراج ویژگی ترکیبی از ویژگیهای مختلف محاسبه شده از سیگنال در هر دو حوزه زمان و فرکانس است.

در حوزه زمانی از 30 شاخص اماری حاصل از ترکیبی از ویژگیهای مشترک که عمدتا در تشخیص عیب و ویژگیهای حاصل از الکترومیوگرافی استفاده میشود استفاده شد. علاوه بر این, ما با استفاده از فرکانس مبتنی بر کشورهای مستقل مشترک المنافع با توجه به این واقعیت است که دامنه فرکانس می تواند اطلاعات ارزشمندی در مورد تغییر در وضعیت سیستم نظارت در شکل های مختلف نشان می دهد.

طیف فرکانس ایکس (ک ) سیگنال زمان گسسته ایکس (من ) را می توان با استفاده از تبدیل سریع فوریه (فوت) محاسبه کرد. تجزیه و تحلیل طیفی تمام اجزای هارمونیک یک سیگنال را نشان می دهد که منجر به درک بهتر رفتار پدیده اساسی می شود. یکی دیگر از روشهای رایج برای جستجوی ویژگیهای سیگنال در حوزه فرکانس چگالی طیفی توان است. طیف قدرت یک سیگنال پ (ک ) توسط داده می شود

جایی که ایکس (ک) یک طیف فرکانس قبلی است و ک تعداد نقاط طیف توان را نشان می دهد. پی اس دی میانگین توان یک سیگنال را از نظر فرکانس اندازه گیری می کند و همچنین دوره هایی را نشان می دهد [22,23]. دانش در مورد توزیع قدرت در میان اجزای فرکانس موجود در یک سیگنال نیز برای درک ماهیت سیگنال مفید است.

در حوزه فرکانس از 24 شاخص شرط استفاده شده است: 15 شاخص بر روی طیف فرکانس و نه بر روی طیف توان محاسبه شده است. این 24 شاخص شرط در جدول 1 نشان داده شده است.

2.2. جنگل تصادفی برای انتخاب ویژگی

جنگل تصادفی یک الگوریتم یادگیری ماشین است که توسط بریمن در سال 2001 طراحی شده است [24] برای طبقه بندی و رگرسیون. هر درخت تصمیم با استفاده از نمونه گیری بوت استرپ با پیاده سازی انتخاب ویژگی تصادفی ساخته می شود. پیش بینی های خود را در یک سیستم رای گیری که از همه درختان اکثریت طبقه محاسبه شده است استفاده می شود. خطای خارج از کیسه (اوب) بیشتر برای محاسبه عملکرد تعمیم مدل مورد انتظار استفاده می شود [25].

در جنگل تصادفی از دو روش تعریف شده توسط بریمن میتوان برای انتخاب ویژگی از طریق رتبهبندی ویژگی (اهمیت ویژگی) استفاده کرد: میانگین کاهش ناخالصی و میانگین کاهش دقت. در این کار از ام دی ای برای انتخاب ویژگی استفاده می شود زیرا اگر یک ویژگی بر مدل تاثیر نگذارد روش مقادیر ویژگی ها را مجاز می کند به گونه ای که دقت پیش بینی نباید نسبت به مشاهدات ابب کاهش یابد.

انتخاب ویژگی توسط ام دی ای

با توجه به مجموعه داده د ن =< ( X 1 , Y 1 ) , ⋯ , ( X n , Y n ) >از n نمونه و p متغيرهای مستقل با X i = ( X i ( 1 ) , ⋯ , X i ( p ) ) ( i ∈ 1 , ⋯ , n ) یک نمونه برای آموزش اهمیت j-th ویژگی X ( j ) = X 1 ( j ) , ⋯ , X n ( j ) ( j ∈ 1 , ⋯ , p) است محاسبه به طور متوسط OBB خطا از تمام جایگشت از درختان [25].

نشان دادن د ل , ن مجموعه داده های خارج از کیسه از درخت ال-تی ح و د ل , نیوجرسی همان مجموعه داده ها, جایی که مقادیر ایکس ( ج ) به طور تصادفی مجاز شده اند. ل ) نشان دهنده ال هفتم تخمین درخت و جایی که Θ 1,. . . , Θ متر متغیر تصادفی مستقلی هستند که برای نمونه برداری مجدد از مجموعه تمرین قبل از رشد درختان منفرد استفاده می شوند

M D A ( X ( j ) ) = 1 M ∑ l = 1 M R n [ m, n ( · ; Θ l ) D , l , n, j ] − R n [ m, n ( · ; Θ l ) D , l , n, ]

2.3. ک-طبقه بندی نزدیکترین همسایه

ک - نزدیکترین همسایه طبقه بندی کننده یک الگوریتم محبوب است که مستقیما بر اساس نمونه های تمرینی است و معمولا در طبقه بندی الگو استفاده می شود [26].

برای طبقه بندی یک نمونه ناشناخته دو مرحله دنبال می شود. ابتدا فاصله بین نقطه ناشناخته س و نقاط را محاسبه می کند ایکس من در داده های تمرین با توجه به یک متریک فاصله د ( س, ایکس من ) . بطور کلی, د ( · ,*) می تواند باشد اقلیدسی, منهتن, مینکوفسکی, کسینوس, چبیچف اقلیدسی, ماهالانوبیس استاندارد شده اقلیدسی, حسنا, یا فاصله مربع کای [27,28], فقط برای ذکر چند معیار فاصله. دومین, ک نزدیکترین همسایگان برای تعیین کلاس س استفاده می شود . قانون فاصله مشخص شده برای طبقه بندی یک نمونه جدید رای گیری ساده بود. سپس رویکردی که مشاهدات جدید به کلاس اکثریت اختصاص داده شده است ک نزدیکترین نقاط مورد استفاده قرار گرفت [29].

3. تنظیم تجربی

3.1. نیمکت تست بوژی

نیمکت تست بوژی توسط سیستم های ریلی دانوبات طراحی و ساخته شده است. این امکان شبیه سازی گسل های مختلف در عناصر بوژی را فراهم می کند. شکل 1 قسمتهای اصلی بوژی را نشان می دهد که توسط مجموعه چرخهای ثابت (1) بر روی سازه لنگر انداخته شده به کف تشکیل شده است (3). چرخ ها توسط شافت ثابت (2) به هم متصل می شوند در حالی که مجموعه چرخ های دوار (6) توسط محور چرخشی (7) به هم متصل می شوند. چرخ های چرخان توسط غلطک ها (10) هدایت می شوند و سرعت توسط راننده رول (4) کنترل می شود که به صورت دستی کار می کند. بار توسط دو سیلندر هیدرولیک (9) شبیه سازی شده و از طریق زنجیره ای منتقل می شود که یک تیر (12) را به ساختار بوژی فشار می دهد (5). سه شتاب سنج در سمت چپ (11) و سمت راست (8) برای اندازه گیری شتاب در هر سه جهت در هر طرف قرار دارند.

3.2. کسب سیگنال و شرایط تجربی

یک جفت یاتاقان در داخل هر جعبه محور گنجانده شده است که از چرخ های چرخان پشتیبانی می کند. سه شتاب سنج تک محوری در هر جعبه محوری چرخ قرار داده شد همانطور که در شکل 2 نشان داده شده است, سه در سمت راست (روپیه) و سه در سمت چپ (روپیه) گرا در سه جهت: شتاب سنج عمودی چپ, شتاب سنج طولی چپ, و شتاب سنج محوری چپ; شتاب سنج عمودی راست (روپیه) شتاب سنج طولی راست (روپیه) شتاب سنج طولی چپ شتاب سنج و شتاب سنج محوری راست همانطور که در شکل 2 ب نشان داده شده است. شتاب سنج مدل 9100 با حساسیت 100 میلی ولت بر گرم و محدوده فرکانس 0.52 هرتز-8 کیلوهرتز و شتاب سنج 25 کیلوهرتز به سیستم تهویه مطبوع متصل شده است که با نرم افزار اس. این سیستم تهویه مطبوع برای مصارف صنعتی است و احتمال نویز یا تداخل سیگنال ها را کاهش می دهد. فرکانس نمونه برداری 12.8 کیلوهرتز برای زمان 1.2 ثانیه بود. شرایط تجربی برای بار, سرعت, جهت چرخش, و عمق ترک در محور ریلی (شکل 2 را ببینید) در جدول 2 برای چهار شرایط تجربی نشان داده شده است; حداقل 60 نمونه برای هر شرایط کسب شد. ما داده های حاصل از هر شتاب سنج را نامگذاری کردیم: مجموعه داده های شتاب سنج دست راست و مجموعه داده های سمت چپ و شتاب سنج. گسل های ترک به طور مصنوعی توسط یک فرایند سنگ زنی ساینده ایجاد می شوند. اطلاعات بیشتر در مورد شرایط تجربی را می توان در یافت [7].

4. رویکردهای پیشنهادی

این کار ارزیابی کشورهای مستقل مشترک المنافع را برای تشخیص ترک در محورهای ریلی پیشنهاد می کند. دو رویکرد توسعه یافته است: رویکرد اول دو شتاب سنج را در حوزه زمان و دامنه فرکانس ارزیابی می کند و رویکرد دوم همجوشی کشورهای مستقل مشترک المنافع را در هر شش شتاب سنج ارزیابی می کند.

4.1. رویکرد پیشنهادی 1

این رویکرد شاخص های وضعیت استخراج شده از سیگنال ارتعاش را در حوزه زمان و دامنه فرکانس و ترکیبی از هر دو دامنه زمان + فرکانس برای تشخیص ترک در محورهای ریلی ارزیابی می کند. در این روش دو شتاب سنج واقع در امتداد جهت طولی را تجزیه و تحلیل می کنیم: در سمت راست و دیگری در سمت چپ. با توجه به کار توسعه یافته توسط لوسرو و همکاران. [12], این شتاب سنج و جهت گیری خود را پیشنهاد بهترین اطلاعات.

شکل 3الف گردش کار رویکرد اول را نشان می دهد. این چهار مرحله دارد: (1) اکتساب داده ها, (2) استخراج ویژگی, (3) انتخاب ویژگی, و (4) طبقه بندی. هر مرحله شامل وظایف زیر است:

اکتساب داده ها: دو مجموعه سیگنال از شتاب سنج سمت چپ در امتداد جهت طولی و از شتاب سنج سمت راست در راستای یک جهت تحت شرایط گسل بار و سرعت متفاوت همانطور که در بخش 3.2 توضیح داده شده است.

استخراج ویژگی: استخراج ویژگی همانطور که در بخش 3.2 توضیح داده شد اعمال شد. شکل 4 نمونه هایی از سیگنال های ارتعاش در حوزه زمان و سیگنال های موجود در حوزه فرکانس را با استفاده از شتاب سنج چپ و راست برای شرایط عادی (سالم) و سطح خطا 1 نشان می دهد. برای هر سیگنال کشورهای مستقل مشترک المنافع مختلف با توجه به سه حوزه 30 حوزه مستقل مشترک المنافع و 24 حوزه مستقل مشترک المنافع و 54 حوزه مستقل مشترک المنافع از حوزه زمان و فرکانس حاصل شد. بنابراین شش مجموعه داده تکمیل شد. سه مجموعه داده با شتاب سنج سمت چپ در راستای طولی استخراج شد: سی ال اول شامل سیس استخراج شده از شتاب سنج سمت چپ و در حوزه زمان سی ال دوم شامل سیس در حوزه فرکانس برای همان شتاب سنج است و در نهایت سی ال سی ال سوم دارای سیس در حوزه زمان + فرکانس نیز با همان شتاب سنج است. همچنین با استفاده از شتابسنج سمت راست در راستای طولی به سه مجموعه داده دیگر دست یافتیم: سی_تر, سی_فر, سی_فر, و سی_تفر در زمان, دامنه فرکانس و زمان + فرکانس.

انتخاب ویژگی: این فرایند با حذف ویژگی های همبسته شروع می شود. مقدار ضریب همبستگی در 0.8–1 بین دو کشورهای مستقل مشترک المنافع نشان می دهد که این دو ویژگی بسیار همبسته هستند [30]. در این مطالعه یک مقدار معادل یا بیشتر از 95/0 (95%) برای شناسایی دو ویژگی بسیار همبسته در تمام مجموعه داده ها انتخاب شد. این معیار پس از کسب عملکرد خوب در طبقه بندی بیان شد. سپس یک فرایند نرمال سازی با ویژگی های مقیاس گذاری بی ن-1 و 1 اعمال شد. عادی سازی را می توان برای داده های توزیع شده نرمال و همچنین داده هایی با نوع دیگری از توزیع اعمال کرد. این فرایند کمک می کند تا به همه کشورهای مستقل مشترک المنافع اهمیت یکسانی بدهد. پس از مرحله پیش پردازش یک مدل جنگل تصادفی با 40 درخت به عنوان پارامتر اصلی اجرا شد. برای انتخاب ده مورد از مهمترین کشورهای مستقل مشترک المنافع و سپس انتخاب ده ویژگی دارای رتبه برتر از هر مجموعه داده استفاده شد.

طبقه بندی: هر مجموعه داده در یک ماتریس از نمونه ها در سطرها و کشورهای مستقل مشترک المنافع در ستون ها سازمان یافته است. هر مجموعه داده از پیش انتخاب شده (ساخته شده از 10 کشورهای مستقل مشترک المنافع رتبه بندی شده) در مرحله 3 با استفاده از طبقه بندی می شود گره (مقدار ک = 3 پس از تست تعداد مختلف همسایگان به عنوان پارامتر اصلی انتخاب شد) و از متریک فاصله کسینوس استفاده شد.

معمولا هنگام استفاده از ک-برابر اعتبار سنجی متقابل, مقادیر ک = 5 یا ک = 10 به دلیل نتایج خوب حاصل از تجربی انتخاب می شوند [31]. در کار ما بهترین نتایج برای ک = 5. از این رو, یک استراتژی اعتبار سنجی متقابل پنج برابر انجام شد; دقت متوسط و انحراف معیار ( بازدید کنندگان تی د ) در فرایند اعتبار سنجی متقابل از محاسبه شد 5 اجرا می شود.

سرانجام, بسیاری از طبقه بندی انجام شد; این شروع می شود با استفاده از ویژگی برای اولین بار برای یک طبقه بندی, بعد, دو ویژگی برای اولین بار برای یک طبقه بندی جدید استفاده می شود, و غیره, تا رسیدن به ده ویژگی اول. هدف تجزیه و تحلیل سهم هر ویژگی رتبه بندی شده است.

4.2. رویکرد پیشنهادی 2

رویکرد دوم سیگنال های شش شتاب سنج را با استفاده از همجوشی داده در سطح نشانگر ارزیابی می کند. شکل 3 ب گردش کار این رویکرد را نشان می دهد. این پنج مرحله دارد: (1) اکتساب داده ها, (2) استخراج ویژگی, (3) همجوشی داده ها, (4) انتخاب ویژگی, و (5) طبقه بندی. هر یک از مراحل در زیر توضیح داده شده است.

اکتساب داده ها: شش سیگنال ارتعاش, سه شتاب سنج نصب شده در سمت چپ بطن چپ, خواهید, لا, و سه شتاب سنج قرار داده شده در سمت راست, رال, رادیوم, تحت گسل های مختلف خریداری شدند, شرایط بار و سرعت.

استخراج ویژگی: برای هر سیگنال با توجه به دو حوزه 30 کشور مستقل مشترک المنافع در حوزه زمان و 24 حوزه مستقل مشترک المنافع در حوزه فرکانس شاخصهای وضعیت متفاوتی حاصل شد. تمام این شاخص ها با هم ترکیب شده اند بنابراین برای هر سیگنال ارتعاش 54 عدد کشورهای مستقل مشترک المنافع حاصل می شود. از این رو, شش مجموعه داده استفاده شد, سه مجموعه های مختلف از کشورهای مستقل مشترک المنافع در هر شتاب سنج.

همجوشی دادهها: از شش مجموعه داده کشورهای مستقل مشترک المنافع حاصل از مرحله استخراج ویژگیها همجوشی دادهها در سطح اندیکاتور انجام میشود. سه مجموعه جدید از اندیکاتورهای استخراج شده از سیگنال های سه شتاب سنج در سمت چپ ذوب شده اند و در نهایت مجموعه ای از شتاب سنج های ذوب شده به نام سی دی اف ال (سی دی اف ال) ذوب می شوند. (دوم) سیس سه شتاب سنج در سمت راست ذوب می شوند و یک مجموعه داده ذوب شده به نام سی دی اف ج) کشورهای مستقل مشترک المنافع از شش شتاب سنج ذوب می شوند, اخذ مجموعه سوم از کشورهای مستقل مشترک المنافع ذوب شده به نام سی_دفرل.

انتخاب ویژگی و طبقه بندی: از سه مجموعه داده ذوب شده در مرحله 3, مراحل بعدی 4 (انتخاب ویژگی) و 5 (طبقه بندی) با پیروی از روش های مشابه انجام شد, شرایط تجربی, و تجزیه و تحلیل کشورهای مستقل مشترک المنافع از مراحل انتخاب ویژگی و طبقه بندی رویکرد 1 به تفصیل در بخش 4.1 و در شکل 3.

5. نتایج و بحث

5.1. نتایج رویکرد 1

جدول 3, جدول 4, جدول 5, جدول 6, جدول 7 و جدول 8 رویکردهای نتایج رویکرد 1 را نشان می دهد. بالا 10 کشورهای مستقل مشترک المنافع و دقت به طور متوسط خود را برای هر مجموعه داده ها در جدول نشان داده شده است 3, جدول 5 و جدول 7. جدول 4, جدول 6 و جدول 8 دقت هر کلاس را به ترتیب نشان می دهد.

در جدول 3 بهترین دقت 89/92% با استفاده از سی ا_تل با 7 سیس حاصل شد. در غیر اینصورت با 8 کشور مستقل مشترک المنافع حداکثر دقت 17/95 درصد حاصل شد. دسته بندی ها در جدول 4 نشان داده شده است. بهترین عملکرد با 10 ویژگی نشان می دهد که کلاس 1 دارای بالاترین دقت طبقه بندی بیش از 98% و کلاس 2 با دقت بیش از 93%. کلاس 3 و 4 دقت طبقه بندی مشابه بیش از 86%. کلاس 3 در هر صورت به دقت بیش از 89 درصد نمی رسد. کلاس 4 می تواند بیش از 92 درصد بر خلاف دقت کلاس های 1 و 2 به دقت برسد. با توجه به بالا 10 از حوزه زمان کشورهای مستقل مشترک المنافع در جدول 3, نه از 10 شایع هستند: عبور از صفر, طول موج, اس اس سی, باتلاق, کورتوز, اپراتور انرژی, سیپت3, فاکتور شکل, و چولگی.

در جدول 5 بهترین دقت 29/91% با استفاده از سی ا_فل با 7 سیس حاصل شد. در مقایسه با 9 کشور مستقل مشترک المنافع حداکثر دقت 36/94 درصد حاصل شد. مقادیر دقت هر کلاس برای سی اف ال در جدول 6 نشان داده شده است. بهترین عملکرد با 10 ویژگی نشان می دهد که کلاس 4 بالاترین دقت طبقه بندی را بیش از 98 درصد و کلاس 2 را با دقت بیش از 89 درصد دارد. کلاس 1 و 3 دقت طبقه بندی مشابه بیش از 85%. کلاسهای 1 و 2 و 3 در هر صورت به دقت بیش از 89 درصد نمی رسند. با توجه به بالا 10 حوزه فرکانس کشورهای مستقل مشترک المنافع در جدول 5, هفت از 10 پی کی اف مشترک هستند, سی پی 2, چاپی, چولنسف, مرکز طیف, وی سی اف, و گسترش طیف.

در جدول 7 بهترین دقت 62/96% به دلیل کم بودن 59/0 با استفاده از سی_تفل با 10 کشور مستقل مشترک المنافع حاصل شد. در مقایسه با کشورهای مستقل مشترک المنافع نیز حداکثر دقت 14/97 درصد در مقایسه با کشورهای مستقل مشترک المنافع 10 درصد بود. دسته بندی ها در جدول 8 نشان داده شده است. بهترین عملکرد با 10 ویژگی نشان می دهد که کلاس های 1 و 4 دقت طبقه بندی بالا مشابه بیش از 97%. کلاس 2 و 3 دقت طبقه بندی نیز مشابه بیش از 95%. از استفاده از هفت ویژگی, تمام کلاس های رسیدن به دقت طبقه بندی بیش از 90%. با توجه به بالا 10 زمان + فرکانس دامنه کشورهای مستقل مشترک المنافع در جدول 7, شش نفر از 10 مشترک هستند; چهار متعلق به دامنه فرکانس: پی کی اف, سی پی 2, چاپی, اس ام4; و دو به دامنه زمان: عبور صفر و اس سی سی. این نتیجه نشان می دهد که استفاده از ویژگی های ترکیبی از حوزه های زمان و فرکانس می تواند دقت طبقه بندی را برای هر کلاس بهبود بخشد.

برای ارزیابی کشورهای مستقل مشترک المنافع در زمان, فرکانس و زمان + دامنه فرکانس, ما به مقایسه دقت و صحت هر مجموعه ای از ویژگی های رتبه. شکل 5 نتایج دقت هر مجموعه داده را نشان می دهد. در اینجا محور ایکس تعداد را نشان می دهد ک اولین کشورهای مستقل مشترک المنافع مهمترین انتخاب شده توسط رادیویی. محور ی نشان دهنده دقت متوسط از ک اولین کشورهای مستقل مشترک المنافع.

به منظور نشان دادن اهمیت انتخاب ویژگی, نمودار پراکندگی حاصل از بهترین حالت, مربوط به مجموعه سی ا_فل, در شکل 6 نشان داده شده است, جایی که کلاس 1 رنگ قرمز است, کلاس 2 رنگ سبز است, کلاس 3 رنگ فیروزه ای است, و کلاس 4 رنگ بنفش است. این مجموعه فراهم می کند دقت بالا و پایین بازدید کنندگان تی د با استفاده از 3 ویژگی های. تشکیل خوشه های کوچک را می توان برای هر یک از کلاس ها در مکان های مختلف در فضای سه بعدی مشاهده کرد و هیچ مرز کاملی به نمایش گذاشته نمی شود. با این حال, این سه ویژگی می تواند بیش از فراهم 80% از دقت, با توجه به شکل 5.

5.2. نتایج رویکرد 2

بالا 10 کشورهای مستقل مشترک المنافع و دقت خود را در جدول 9 و جدول 10 با استفاده از یک روش همجوشی داده ها معرفی شده اند, برای هر سه مجموعه داده. مجموعه شتابسنجهای سمت چپ سیس به نام شتابسنجهای سمت راست سی_فر به نام سی_فر همانطور که در جدول 9 نشان داده شده است و مجموعه سوم سیس ذوب شده از هر شش شتابسنجی که در جدول 10 نشان داده شده است. شکل 5 نتایج دقت هر مجموعه داده را نشان می دهد. در اینجا محور ایکس تعداد را نشان می دهد ک اولین کشورهای مستقل مشترک المنافع مهمترین انتخاب شده توسط رادیویی. محور ی نشان دهنده دقت متوسط از ک اولین کشورهای مستقل مشترک المنافع. با توجه به 10 کشورهای مستقل مشترک المنافع برتر که در جدول 9 و جدول 10 معرفی شده اند پنج مورد از 10 مورد مشترک هستند و چهار مورد به حوزه فرکانس تعلق دارند.

بیشترین دقت استفاده از 10 شاخص شرط در سی دی اف ال 56/97 درصد با انحراف 88/0 درصد برای سی دی 01/98 درصد با 88/0 و برای سی دی فارل 37/98 درصد با 76/0 بود. در جدول 11 که کلاس با بیشترین دقت شماره 4 و کسب دقت 100 درصدی با 9 کشور مستقل مشترک المنافع بوده است دقت و صحت کلاس با بیشترین دقت نشان داده شده است.

به منظور نشان دادن اهمیت انتخاب ویژگی و همجوشی داده ها در رویکرد 2, نمودار پراکندگی حاصل از بهترین حالت, مربوط به مجموعه سی_دفرل, در شکل 7 ارایه شده است. این مجموعه فراهم می کند بالاترین دقت (98.37%) و کمترین بازدید کنندگان تی د (0.76) با استفاده از 3 کشورهای مستقل مشترک المنافع. بهترین خوشه های کوچک را می توان برای هر کلاس در مقابل به شکل مشاهده 6. دقت استفاده از 3 کشور مستقل مشترک المنافع 88.24 درصد بود. این ویژگی ها عبارتند از: ام دی اف-فرکانس-بطن چپ, وی سی اف-فرکانس-رال, و سی پی 2-فرکانس-رال.

5.3. بحث و گفتگو

رویکردهای پیشنهادی موثرترین کشورهای مستقل مشترک المنافع را برای ارزیابی برای تشخیص ترک فراهم می کند. نتایج در جدول 3, جدول 5, جدول 7, جدول 9 و جدول 10 نشان می دهد رویکرد 1 دستیابی به نرخ دقت بیش از 91% از م.ک هفتم برای همه مجموعه داده ها در حالی که رویکرد 2 رسیدن به نرخ بیش از 93% از م. ک پنجم. علاوه بر این, اس تی د حاصل از هر ک برابر در این جداول نشان داده شده است که می توان دید که کشورهای مستقل مشترک المنافع جدید به کاهش اس تی د از روند اعتبار سنجی متقابل کمک می کنند. این نتیجه نشان می دهد طبقه بندی قوی تر به ویژگی های جدید می شود. توجه داشته باشید که با استفاده از متریک بازدید کنندگان تی د از فرایند متقابل اعتبار مفید تر است, بر خلاف تجربه معمولی تک قطار/تست.

در شکل 5, روند منحنی نشان می دهد رشد سریع از دقت تا هفت کشورهای مستقل مشترک المنافع, بعد از ارزش پهن دقت, به عنوان مثال. توجه به این نکته مهم است که همه روندها با افزایش سیس به طور مداوم افزایش دقت را نشان می دهند به جز سی اف ال که سی ال چهارم عملکرد خود را کاهش می دهد.

شکل 8 حداکثر دقت طبقه بندی هر مجموعه داده و تعداد شاخص های حاصل را نشان می دهد. رویکرد 1, که در استخدام یک شتاب سنج, دستیابی به بهترین نتایج را با ترکیب کشورهای مستقل مشترک المنافع از زمان + دامنه فرکانس برای هر دو سمت چپ و راست شتاب سنج. نتایج طبقه بندی کمی بهتر با رویکرد 2; با این حال, همجوشی داده ها با استفاده از شش شتاب سنج ممکن است چالش های بیشتری برای انجام سیستم تشخیصی شامل. برای سه دامنه تجزیه و تحلیل شده با شتاب سنج های سمت راست نتایج بهتری حاصل می شود که ممکن است به این دلیل باشد که درایو در این طرف نیست و اطلاعات سیگنال سر و صدای کمتری دارد.

با توجه به دیگر کار می کند در این مورد همان, لوسرو و همکاران. [12] رسیده حداکثر دقت 96.43% و گومز و همکاران. [7] دست احتمال کلی تشخیص در 95%, با 32 ویژگی های (انرژی محاسبه شده در وردپرس). در این کار حداکثر دقت با رویکرد 1 97.14 درصد و با رویکرد 2 98.37 درصد است.

نشانگرهای وضعیت حوزه زمان و پی کی اف در حوزه فرکانس 2 کشورهای مستقل مشترک المنافع در میان 10 کشورهای مستقل مشترک المنافع در هر دو رویکرد 1 و 2 هستند.

یکی از مزایای اصلی رویکرد 1 امکان طبقه بندی ترک ها در محورهای ریلی با چند حوزه زمان + فرکانس استخراج شده از سیگنال های یک شتاب سنج است. به این ترتیب می توانیم تعداد سنسورهای دستگاه را برای تشخیص ترک کاهش دهیم. از طرفی حذف شاخصهای غیر اطلاعاتی باعث بهبود عملکرد الگوریتم طبقهبندی میشود. علاوه بر این, استفاده از چند ویژگی هزینه محاسباتی پردازش داده ها را کاهش می دهد.

6. نتیجه گیری

در این کار می توان یک روش عملی و سرراست برای ارزیابی عملکرد شاخص های شرایط (کشورهای مستقل مشترک المنافع) در حوزه های زمان و فرکانس ایجاد کرد. این روش برای تشخیص ترک در محورهای ریلی با استفاده از سیگنالهای ارتعاشی اندازهگیری شده با شتابسنجهای واقع در سمت راست و چپ محورهای ریلی در راستای عمودی و محوری و طولی مورد استفاده قرار گرفت. این بستر تست از اجزای واقعی ساخته شده است و در کارهای قبلی برای تست سایر رویکردهای تجزیه و تحلیل ارتعاش استفاده شده است.

دو رویکرد پیشنهاد شد. رویکرد 1 تنها تجزیه و تحلیل کشورهای مستقل مشترک المنافع استخراج شده از سیگنال های ارتعاشات اندازه گیری شده با شتاب سنج قرار داده شده در امتداد جهت طولی, در سمت راست و چپ از محور, به عنوان یک فرمت برای مقایسه با کارهای قبلی تجزیه و تحلیل این مورد. رویکرد 2 با استفاده از تجزیه و تحلیل همجوشی داده ها, با ترکیب کشورهای مستقل مشترک المنافع استخراج شده از تمام شش شتاب سنج.

در رویکرد 1, کشورهای مستقل مشترک المنافع استخراج شده از شتاب سنج در سمت راست در حوزه های مختلف نشان می دهد نتایج کمی بهتر از دقت طبقه بندی از شاخص های وضعیت از شتاب سنج در سمت چپ. مجموعه دادههای دامنه زمان + فرکانس شتابسنج سمت راست با دقت طبقهبندی بیش از 14/97 درصد بالاترین عملکرد را داشت که نسبت به نتایج حاصل از کارهای قبلی بهتر است. این واقعیت ممکن است به این دلیل باشد که موتور محرک در سمت راست قرار گرفته است و موتور محرک در سمت چپ قرار دارد که حرکت چرخ های چرخان را فراهم می کند.

در رویکرد 2 بهترین عملکرد با سیستم مستقل مشترک المنافع در مجموعه داده سی_دفرل حاصل شد که تمام شاخص های استخراج شده از شش شتاب سنج را با هم ترکیب می کند. دقت طبقهبندی بیش از 98.38 درصد بود و این نتیجه با استفاده از رویکرد 1 از نتایج بهتری برخوردار است که نشان میدهد همجوشی دادهها رویکرد مناسبی برای بهبود دقت در طبقهبندی خطا است.

بهترین نتایج از نظر دقت طبقهبندی با استفاده از ترکیبی از شاخصهای استخراج شده از حوزههای زمان و فرکانس حاصل شد. کشورهای مستقل مشترک المنافع به نام رویکرد 1 و رویکرد 2 در حوزه فرکانس کشورهای مستقل مشترک المنافع در میان 10 کشورهای مستقل مشترک المنافع برتر قرار دارند.

مزیت اصلی این روش این است که از شناسایی کشورهای مستقل مشترک المنافع مربوطه برای تشخیص خطا در حوزه های مختلف سیگنال ارتعاش پشتیبانی می کند. این اجازه می دهد تا شناسایی که کشورهای مستقل مشترک المنافع باید بر روی خط نظارت, به طور عمده کشورهای مستقل مشترک المنافع از حوزه زمان به عنوان هزینه محاسباتی کم در مورد پردازش سیگنال.

به عنوان کار بعدی سهم هر یک از ویژگی های منفرد در بهبود مقادیر دقت در مورد تشخیص ترک در محورهای ریلی مورد تجزیه و تحلیل قرار خواهد گرفت. علاوه بر این, تجزیه و تحلیل کشورهای مستقل مشترک المنافع که از حوزه های نرم افزار دیگر توسعه داده خواهد شد. علاوه بر این, انتظار می رود که یک مخزن از ویژگی های متمایز و مستقل به منظور توسعه الگوریتم های طبقه بندی داده محور موثر.

مشارکت نویسنده

الگوریتم های پردازش داده ها را پیاده سازی کرده و پیش نویس مقاله را نوشت و الگوریتم های طبقه بندی را پیاده سازی کرد و تجزیه و تحلیل نتایج را انجام داد و کارشناسی ارشد و دی سی بر کار نظارت کردند و نسخه خطی نهایی را بررسی کردند. همه نویسندگان در روش پیشنهادی مشارکت داشتند. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و موافقت کرده اند.

بودجه

این پژوهش هیچ بودجه خارجی دریافت نکرد و توسط دانشگاه پولیت ارمچنیکا سالسیانا از طریق گروه تحقیقاتی گیدتک تامین مالی شد.

تقدیرنامه ها

نویسندگان مایلند از حمایت دولت اسپانیا از طریق پروژه 2-1 ر 2015-69325-سی 2015 و دانشگاه پولیت ارمچنیکا سالسیانا از طریق گروه تحقیقاتی گیدتک تشکر کنند.