[صفحه اصلی ]     [ English ]  
School of Computer Engineering
بخش‌هاي اصلي
درباره دانشکده::
مدیریت دانشکده::
معرفی افراد::
امور آموزش::
امور پژوهشی::
اخبار و رويدادها::
دانشجویان::
فضاهای آموزشی و تحقيقاتی ::
تسهیلات پایگاه::
::
ورود به سايت دروس

AWT IMAGE

نام کاربری
کلمه عبور

AWT IMAGE
رمز ورود را فراموش کرده‌ايد؟

..
دفاعيه کارشناسی ارشد

دفاعيه کارشناسی ارشد

..
جستجو در پايگاه

جستجوی پیشرفته
..
دريافت اطلاعات پايگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
نظرسنجي
نظر شما راجع به وب سایت دانشکده چیست؟
عالی
خوب
متوسط
   
..
لينک های مفيد

بازديد مجازی از دانشگاه

Rss    پذيرفته شدگان در کنکور ارشد سراسری

تقويم آموزشی   آرشيو اخبار

تماس با اعضای دانشکده

  تقويم آموزشی کارشناسی ارشد  

کارشناسی ارشد 

..
:: دفاعیه ارشد : حميد قادری - 17/12/90 ::
 | تاریخ ارسال: 5/11/1390 | 

 

AWT IMAGE

آقای حميد قادری دانشجوی کارشناسی ارشد جناب آقای دکترپيمان کبيری روز دوشنبه17/11/90 ساعت 13 در اتاق 304 واقع در طبقه سوم دانشکده کامپيوتر از پروژه کارشناسی ارشد خود تحت عنوان پايش وضعيت و تشخيص خطای موتور خودرو مستقل از نوع خودرو با استفاده از سيگنال های انتشار صوتی دفاع خواهند نمود.

 

  چکيده پايان نامه:

  استفاده از روش­های مناسب برای پردازش سيگنال در انتشار صوتی اين امکان را فراهم ميسازد که تفسيری بهتر از داده­های مورد استفاده برای تشخيص خطا و پايش وضعيت داشته باشيم. در اين پايان­نامه سيگنال­های صوتی انتشار يافته از موتور خودرو در دو حالت سالم و معيوب مورد بررسی قرار مي­گيرند. با استفاده از روش­های پردازش سيگنال در حوزه فرکانس (تبديل فوريه) و در حوزه زمان-فرکانس (تبديل موجک گسسته و تبديل بسته­های موجک) ويژگي­هايی از سيگنال­های مورد ارزيابی استخراج خواهد شد. سيگنال­های صوتی مورد استفاده از 4 نوع خودروی مختلف در دو حالت موتور سالم و موتور معيوب جمع­آوری شده­اند. خطای مورد ارزيابی در اين مقاله مربوط به سيستم احتراق خودروها است. خودروها در کنار خطای مذکور ممکن است خطاهای ديگری نيز داشته باشند که صدای انتشار يافته از موتور خودرو را تحت تاثير قرار دهند. از سيگنال­های صوتی جمع­آوری شده مجموعه­ای از ويژگي­ها استخراج شده است. با توجه به اينکه تعداد ويژگي­های استخراج شده زياد مي­باشند، نياز به کاهش بعد يا تعداد ويژگي­های استخراج شده جهت طبقه­بندی سيگنال­ها ضروری است. در اينجا از روش­های تحليل مولفه اصلی (کاهش بعد بدون نظارت) و انتخاب ويژگی بر مبنای همبستگی (کاهش بعد با نظارت) جهت کاهش بعد استفاده شده است. نتيجه بدست آمده از کاهش بعد با استفاده از تعدادی از طبقه­بندهای مختلف ( K -نزديکترين همسايگی، ماشين بردار پشتيبان و شبکه عصبی چند لايه) سيگنال­ها به دو نوع سالم و معيوب طبقه­بندی شده­اند. نتيجه طبقه­بندی بر اساس 10 درصد از اطلاعات جهت آموزش طبقه­بند و 90 درصد از اطلاعات جهت آزمايش گزارش شده است.

 

  واژه‌های کليدی : انتشار صوتي؛ تبديل موجک؛ پايش وضعيت؛ تحليل مولفه اصلي؛ انتخاب ويژگی بر مبنای همبستگی.

 

  Abstract:

  Adopting the appropriate signal processing technique by using Acoustic Emission (AE) method could result in better interpretation of data that are used for fault detection. In this thesis, AE signals emitted from automobile engines in both faulty and healthy conditions are analyzed using signal processing techniques in both frequency (Fourier Transform) and time-frequency (Discrete Wavelet Transform and Wavelet Packet Transform) domains. Here, intension is to categorize the AE signals into healthy and faulty classes. The investigated fault is within the ignition system of the engines beside other possible problems that may affect the generated acoustic signals. A set of features are extracted from signals. Due to the fact that the constructed datasets will definitely contain irrelevant features, the need for dimensionality reduction emerges. Besides, dimensionality reduction techniques lead to improve classification results considerably. Here, both supervised (Correlation-based Feature Selection (CFS)) and unsupervised (Principal Component Analysis (PCA)) algorithms are used to reduce the dimensionality of the dataset. The case study is carried-out on 4 different types of automobiles using 480 automobiles to prove the independency of the proposed approach on the type of the automobile. Classification results are reported using 10 percent of data for learning and 90 percent for testing. Using only 10 percent for classification training follows the intention of proving the generalization capability of proposed approach.

 

 

  Keywords: Acoustic emission, wavelet transform, condition monitoring, correlation based feature selection (CFS), principal component analysis (PCA)

 

 

 

 

  ارائه­دهنده:

  حميد قادری

  اساتيد راهنما:

  دکتر پيمان کبيری

  استاد ممتحن داخلی : دکتر محمدرضا جاهد مطلق

  استاد ممتحن خارجی :دکتر محمد تقی منظوری شلمانی

  زمان : دوشنبه 17 بهمن ماه ساعت 10 صبح

  مکان: دانشکده مهندسی کامپيوتر- طبقه سوم- اتاق 304

  از اساتيد بزرگوار، دانشجويان گرامی و ديگر متخصصان و علاقه مندان به موضوع دفاعيه دعوت
می شود با حضور خود موجبات غنای علمی و ارتقای کيفی را فراهم سازند.

  دانشکده مهندسی کامپيوتر مديريت تحصيلات تکميلی

 

 

دفعات مشاهده: 1252 بار   |   دفعات چاپ: 219 بار   |   دفعات ارسال به دیگران: 55 بار   |   0 نظر

کد امنیتی را در کادر بنویسید >
   
سایر مطالب این بخش سایر مطالب این بخش نسخه قابل چاپ نسخه قابل چاپ ارسال به دوستان ارسال به دوستان
School of Computer Engineering
Static site map - Persian site map - English site map - Created in 0.912 seconds with 854 queries by AWT YEKTAWEB 2.5.2.7