آقای حمید قادری دانشجوی کارشناسی ارشد جناب آقای دکترپیمان کبیری روز دوشنبه17/11/90 ساعت 13 در اتاق 304 واقع در طبقه سوم دانشکده کامپیوتر از پروژه کارشناسی ارشد خود تحت عنوان پایش وضعیت و تشخیص خطای موتور خودرو مستقل از نوع خودرو با استفاده از سیگنال های انتشار صوتی دفاع خواهند نمود.

  چکیده پایان نامه:

  استفاده از روش­های مناسب برای پردازش سیگنال در انتشار صوتی این امکان را فراهم میسازد که تفسیری بهتر از داده­های مورد استفاده برای تشخیص خطا و پایش وضعیت داشته باشیم. در این پایان­نامه سیگنال­های صوتی انتشار یافته از موتور خودرو در دو حالت سالم و معیوب مورد بررسی قرار می­گیرند. با استفاده از روش­های پردازش سیگنال در حوزه فرکانس (تبدیل فوریه) و در حوزه زمان-فرکانس (تبدیل موجک گسسته و تبدیل بسته­های موجک) ویژگی­هایی از سیگنال­های مورد ارزیابی استخراج خواهد شد. سیگنال­های صوتی مورد استفاده از 4 نوع خودروی مختلف در دو حالت موتور سالم و موتور معیوب جمع­آوری شده­اند. خطای مورد ارزیابی در این مقاله مربوط به سیستم احتراق خودروها است. خودروها در کنار خطای مذکور ممکن است خطاهای دیگری نیز داشته باشند که صدای انتشار یافته از موتور خودرو را تحت تاثیر قرار دهند. از سیگنال­های صوتی جمع­آوری شده مجموعه­ای از ویژگی­ها استخراج شده است. با توجه به اینکه تعداد ویژگی­های استخراج شده زیاد می­باشند، نیاز به کاهش بعد یا تعداد ویژگی­های استخراج شده جهت طبقه­بندی سیگنال­ها ضروری است. در اینجا از روش­های تحلیل مولفه اصلی (کاهش بعد بدون نظارت) و انتخاب ویژگی بر مبنای همبستگی (کاهش بعد با نظارت) جهت کاهش بعد استفاده شده است. نتیجه بدست آمده از کاهش بعد با استفاده از تعدادی از طبقه­بندهای مختلف ( K -نزدیکترین همسایگی، ماشین بردار پشتیبان و شبکه عصبی چند لایه) سیگنال­ها به دو نوع سالم و معیوب طبقه­بندی شده­اند. نتیجه طبقه­بندی بر اساس 10 درصد از اطلاعات جهت آموزش طبقه­بند و 90 درصد از اطلاعات جهت آزمایش گزارش شده است.

  واژه‌های کلیدی : انتشار صوتی؛ تبدیل موجک؛ پایش وضعیت؛ تحلیل مولفه اصلی؛ انتخاب ویژگی 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:

  حمید قادری

  اساتید راهنما:

  دکتر پیمان کبیری

  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 کامپیوتر- طبقه سوم- اتاق 304

  از اساتید بزرگوار، دانشجویان گرامی و دیگر متخصصان و علاقه مندان به موضوع دفاعیه دعوت
می شود با حضور خود موجبات غنای علمی و ارتقای کیفی را فراهم سازند.

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی