حذف نویز از سیگنال‌های ارتعاشی ماشین‌های دوار به کمک تبدیل S مبتنی بر پنجره‌ی کایزر

پذیرفته شده برای ارائه شفاهی ، صفحه 1-10 (10) XML اصل مقاله (1.67 MB)
کد مقاله : 1078-ISAV2023 (R1)
نویسندگان
1دانشیار دانشگاه یزد
2استادیار دانشگاه یزد
3دانشجوی دکتری دانشگاه یزد
چکیده
در این مقاله، روشی بر پایه‌ی تبدیل S مبتنی بر پنجره‌ی کایزر و آستانه‌گذاری نرم جهت حذف نویز سیگنال‌های ارتعاشی گرفته شده از ماشین‌های دوار ارائه شده است. تبدیل S مبتنی بر پنجره‌ی کایزر، روشی است که در آن، سیگنال، در گذر زمان، توسط پنجره‌ی متغیر کایزر، پنجره‌گذاری می‌گردد و سپس از حاصل، تبدیل فوریه گرفته می‌شود. به این ترتیب، تبدیل سه بعدی S شامل سه بعد زمان، فرکانس و مقادیر تبدیل به دست می‌آید. پس از گرفتن تبدیل S از سیگنال، روش آستانه‌گذاری نرم جهت بی‌نویزسازی، بر تبدیل S اعمال می‌شود و نهایتاً سیگنال بی‌نویز شده با گرفتن عکس تبدیل، حاصل می‌گردد. همان طور که ذکر شد، محاسبه‌ی معکوس تبدیل S مبتنی بر پنجره‌ی کایزر جهت انجام عملیات بی‌نویزسازی سیگنال ضروری می‌باشد. شیوه‌ی محاسبه‌ی معکوس تبدیل مذکور، در پژوهش‌های پیشین مورد بررسی قرار نگرفته است؛ لذا یکی از محورهای این مقاله، محاسبه‌ی این معکوس می‌باشد. برای ارزیابی روش حذف نویز پیشنهادی، از همین روش به منظور حذف نویز سیگنال‌ یاتاقان ماشین دوار و سپس عیب‌یابی یاتاقان‌ استفاده شده است. در واقع، برای عیب‌یابی یاتاقان، دو شاخص کشیدگی و طیف پوش سیگنال بی‌نویز شده‌ی یاتاقان، به ترتیب جهت تشخیص حضور عیب و شناسایی نوع عیب، مورد بررسی قرار گرفته اند. نتایج نشان می‌دهند که روش پیشنهادی، به گونه‌ای نویز را حذف می‌کند که ضربه‌های موجود در سیگنال واضح‌تر شده و مقدار کشیدگی برای چنین حالتی افزایش می‌یابد که نشانگر حضور عیب است. همچنین با مشاهده‌ی فرکانس‌های مشخصه‌ی ظاهر شده در طیف پوش سیگنال بی‌نویز شده، می‌توان نوع عیب را به دقت تشخیص داد.
کلیدواژه ها
موضوعات
 
Title
.
Authors
مراجع

1. D. He, X. Wang, S. Li, J. Lin, and M. Zhao, "Identification of multiple faults in rotating machinery based on minimum entropy deconvolution combined with spectral kurtosis", Mechanical Systems and Signal Processing, (2016).
2. P. McFadden and J. Smith, "Vibration monitoring of rolling element bearings by the high-frequency resonance technique — a review", Tribology International, 3-10 (1984).
3. H. Huang, F. Sun, P. Babyn, Z. Zhou, and L. Wang, "Medical Image Denoising and Compressing Using Discrete Orthonormal S-transform", Proceedings of the 2015 International Conference on Electrical, Computer Engineering and Electronics, (2015).
4. A. Bajaj and S. Kumar, "A robust approach to denoise ECG signals based on fractional Stockwell transform", Biomedical Signal Processing and Control, (2020).
5. S. Parolai, "Denoising of Seismograms Using the S Transform", Bulletin of the Seismological Society of America, 226-234 (2009).
6. J. Yi and J. Peng, "Power quality disturbances denoising using modified S-transform", 2009 International Conference on Sustainable Power Generation and Supply, (2009).
7. S. Wang, Y. He, B. Yin, W. Zeng, C. Li, and S. Ning, "Multi-Resolution Generalized S-Transform Denoising for Precise Localization of Partial Discharge in Substations", IEEE Sensors Journal, 4966-4980 (2021).
8. P. Kankar, S. C. Sharma, and S. Harsha, "Fault diagnosis of ball bearings using continuous wavelet transform", Applied Soft Computing, 2300-2312 (2011).
9. Q. Liu, F. Chen, Z. Zhou, and Q. Wei, "Fault Diagnosis of Rolling Bearing Based on Wavelet Package Transform and Ensemble Empirical Mode Decomposition", Advances in Mechanical Engineering, (2013).
10. J. Antoni, "Fast computation of the kurtogram for the detection of transient faults", Mechanical Systems and Signal Processing, 108-124 (2007).
11. S. N. Chegini, A. Bagheri, and F. Najafi, "Application of a new EWT-based denoising technique in bearing fault diagnosis", Measurement, 275-297 (2019).
12. C. Liang, Z. Teng, J. Li, W. Yao, S. Hu, Y. Yang, Q. He, "A Kaiser Window-Based S-Transform for Time-Frequency Analysis of Power Quality Signals", IEEE Transactions on Industrial Informatics, 965-975 (2022).
13. Bearing Data Center-Case Western Reserve University. http://csegroups.case.edu/bearingdatacenter/pages/welcomecase western-reserve-university-bearing-data center-website
14. R. Abdelkader, A. Kaddour, and Z. Derouiche, "Enhancement of rolling bearing fault diagnosis based on improvement of empirical mode decomposition denoising method", The International Journal of Advanced Manufacturing Technology, 3099-3117 (2018).