| بهبود تشخیص عیوب تجهیزات دوار مبتنی بر ترکیب شبکه عصبی پیچشی و لایه توجه کانالی کارآمد |
| کد مقاله : 1363-ISME2024 |
| نویسندگان |
|
محمدمهدی شیرولی پور1، عباس روحانی بسطامی عباس *2 1دانشجوی کارشناسی ارشد 2عضو هیئت علمی دانشکده مکانیک و انرژی دانشگاه شهیدبهشتی |
| چکیده مقاله |
| امروزه، نظارت بر عملکرد صحیح و کاهش هزینه‌های عملیاتی ماشین‌آلات صنعتی، از اهمیت بالایی برخوردار است. پیشرفت فناوری و بکارگیری تجهیزاتی با ساختار پیچیده، موجب ارتباط نزدیک این حوزه با هوش مصنوعی شده است. در این پژوهش، هدف طراحی یک مدل بهینه برای تشخیص عیوب تجهیزات دوار با استفاده از روش‌های یادگیری عمیق بوده و به این منظور، سه نوع مجموعه داده مختلف مربوط به ماشین‌آلات دوار جمع‌آوری و پردازش شدند. سپس، این داده‌ها تحت پردازش دو مدل سنتی و پیشنهادی شبکه یادگیری عمیق قرار گرفتند. مدل پیشنهادی با استفاده از پرداختن به رویکرد توجه توانست دقت بالاتری در شناسایی ویژگی‌های مهم و ارتقای عملکرد در مقایسه با شبکه عصبی پیچشی ارائه دهد. نتایج ارزیابی‌ها نشان داد که مدل پیشنهادی قادر است به‌طور مؤثری طبقه‌بندی عیوب تجهیزات دوار را بهبود بخشد. انعطاف پذیری شبکه پیشنهادی با داده‌های متفاوت، به‌عنوان یک گام نوآورانه در طراحی سیستم‌های تشخیص عیوب مبتنی بر یادگیری عمیق بوده، و کاربردهای قابل توجهی در صنعت، به‌ویژه در زمینه نگهداری و پیش‌بینی خرابی تجهیزات دوار دارد. |
| کلیدواژه ها |
| تشخیص خرابی، شبکه یادگیری عمیق، شبکه عصبی پیچشی ، ارتعاشات، تجهیزات دوار |
| وضعیت: پذیرفته شده برای ارائه شفاهی |