@article { author = {Bagheri, A. and Nezamivand Chegini, S. and Ramezani Dashtemian, M. and Najafi, F.}, title = {Gear Fault Detection Based on Best Feature Selection by Particle Swarm Optimization}, journal = {Journal of Solid and Fluid Mechanics}, volume = {8}, number = {3}, pages = {49-64}, year = {2018}, publisher = {Shahrood University of Technology}, issn = {2251-9475}, eissn = {2251-9483}, doi = {10.22044/jsfm.2018.6081.2449}, abstract = {In this paper, a new method is presented for gear fault detection. The vibrational signals of gearbox set are collected in three conditions: normal, chipped and worn teeth. These signals are adaptively decomposed into a number of intrinsic mode functions (IMFs) by the empirical mode decomposition (EMD). Since, all of the IMFs drived from the EMD are not appropriate for fault detection, the cross-corrolation concept is used to select all most apptoptiate IMFs. Then, feature matrix corresponding to each condition, is extracted using statistical functions. “One-against-one” support vector machine (SVM-OAO) is utilized to classify the faults. Since, all of the extracted features are not suitable for fault detection and SVM has parameters to be set, the particle swarm optimization (PSO) is used to select the best feature and detect optimal parameters of SVM. Objective function in this paper is accuracy of the SVM classifier in predicting of gearbox condition. Obtained results show that the selected features in this method and optimized SVM have the excellent ability to classify the faults.}, keywords = {Gearbox Fault Detection,Feature Selection,Empirical Mode Decomposition,Support Vector Machine,Particle Swarm Optimization}, title_fa = {عیب یابی چرخ دنده بر پایه انتخاب مناسب ترین ویژگی به کمک الگوریتم بهینه سازی ازدحام ذرات}, abstract_fa = {در این مقاله، روش جدیدی برای عیب‌یابی در چرخ‌دنده‌ها ارایه شده است. سیگنال‌های ارتعاشی مجموعه جعبه‌دنده در سه حالت سالم، لب‌پریدگی دندانه و ساییدگی دندانه جمع‌آوری شده‌اند. این سیگنال‌ها با استفاده از روش تجزیه مود تجربی به تعدادی توابع مود ذاتی تجزیه شده‌اند. با توجه به این که همه توابع مود ذاتی به دست آمده از روش تجزیه مود تجربی، مناسب برای عیب‌یابی نیستند، از مفهوم همبستگی متقابل برای انتخاب مناسب‌ترین تابع مود ذاتی استفاده شده است. سپس، با به کارگیری توابع آماری مختلف، ماتریس ویژگی متناظر با هر حالت چرخ‌دنده، استخراج شده است. ماشین بردار پشتیبان چند کلاسه از نوع «یک در برابر یک» برای طبقه‌بندی عیوب به کار گرفته شده است. از آنجایی که تمامی ویژگی‌های استخراج شده برای عیب‌یابی مناسب نیستند و ماشین بردار پشتیبان دارای پارامترهایی است که باید تنظیم شوند، از این رو، از الگوریتم بهینه‌سازی ازدحام ذرات برای انتخاب مناسب‌ترین ویژگی و تعیین پارامترهای بهینه ماشین بردار پشتیبان استفاده شده است. تابع هدف در این مقاله، دقت طبقه‌بندی کننده‌ی ماشین بردار پشتبان در پیش-بینی حالت جعبه‌دنده می‌باشد. نتایج به دست آمده نشان می‌دهد که ویژگی‌های انتخاب شده در این روش و ماشین بردار پشتیبان بهینه شده دارای توانایی عالی در طبقه‌بندی عیوب می‌باشند.}, keywords_fa = {عیب یابی چرخدنده,انتخاب ویژگی,تجزیه مود تجربی,ماشین بردار پشتیبان,الگوریتم بهینه سازی ازدحام ذرات}, url = {https://jsfm.shahroodut.ac.ir/article_1321.html}, eprint = {https://jsfm.shahroodut.ac.ir/article_1321_acdbc2788cf1658da5613a2abce38663.pdf} }