همایش آروین البرز ETSJR 1 3 2025 07 30 تحلیل و بهینه‌سازی سیستم‌های ارتعاشی با استفاده از الگوریتم‌های هوش مصنوعی و یادگیری ماشین تحلیل و بهینه‌سازی سیستم‌های ارتعاشی با استفاده از الگوریتم‌های هوش مصنوعی و یادگیری ماشین 57 70 10.22051/jera.2021.31891.2698 FA احسان گروه مهندسى مکانیک، دانشگاه ملى مهارت، تهران، ایران 2025 07 30 در این پژوهش، به تحلیل و بهینه‌سازی سیستم‌های ارتعاشی با استفاده از الگوریتم‌های هوش مصنوعی و یادگیری ماشین پرداخته شده است. هدف اصلی این تحقیق، بررسی تأثیر تکنیک‌های پیشرفته بر عملکرد سیستم‌های مکانیکی و شناسایی عیوب موجود در آن‌ها است. در این راستا، داده‌های جمع‌آوری‌شده از حسگرهای مختلف شامل شتاب‌سنج، فشارسنج و حسگرهای صوتی مورد تجزیه و تحلیل قرار گرفتند. یکی از مراحل کلیدی در این پژوهش، حذف نویز و نرمال‌سازی داده‌ها بود. با استفاده از فیلتر پایین‌گذر Butterworth و تکنیک‌های مقیاس‌بندی، کیفیت داده‌ها بهبود یافته و امکان استخراج ویژگی‌های مهم فراهم گردید. استفاده از تحلیل موجک و تحلیل مؤلفه‌های اصلی نیز به کاهش ابعاد داده‌ها و حفظ اطلاعات حیاتی کمک کرد. در مرحله مدل‌سازی، الگوریتم‌های مختلف شامل شبکه‌های عصبی عمیق ، ماشین‌های بردار پشتیبان و جنگل تصادفی به کار گرفته شدند. نتایج نشان داد که DNN با دقت 95 درصد بهترین عملکرد را در شناسایی عیوب داشته و توانایی بالایی در تمایز بین کلاس‌های مختلف دارد.این تحقیق نشان می‌دهد که ترکیب الگوریتم‌های یادگیری ماشین با روش‌های پیشرفته پردازش داده می‌تواند به بهبود کارایی سیستم‌های مکانیکی و کاهش هزینه‌های نگهداری منجر شود. بنابراین، استفاده از این روش‌ها به‌عنوان یک راهکار نوآورانه در تحلیل و بهینه‌سازی سیستم‌های ارتعاشی پیشنهاد می‌شود. در این پژوهش، به تحلیل و بهینه‌سازی سیستم‌های ارتعاشی با استفاده از الگوریتم‌های هوش مصنوعی و یادگیری ماشین پرداخته شده است. هدف اصلی این تحقیق، بررسی تأثیر تکنیک‌های پیشرفته بر عملکرد سیستم‌های مکانیکی و شناسایی عیوب موجود در آن‌ها است. در این راستا، داده‌های جمع‌آوری‌شده از حسگرهای مختلف شامل شتاب‌سنج، فشارسنج و حسگرهای صوتی مورد تجزیه و تحلیل قرار گرفتند. یکی از مراحل کلیدی در این پژوهش، حذف نویز و نرمال‌سازی داده‌ها بود. با استفاده از فیلتر پایین‌گذر Butterworth و تکنیک‌های مقیاس‌بندی، کیفیت داده‌ها بهبود یافته و امکان استخراج ویژگی‌های مهم فراهم گردید. استفاده از تحلیل موجک و تحلیل مؤلفه‌های اصلی نیز به کاهش ابعاد داده‌ها و حفظ اطلاعات حیاتی کمک کرد. در مرحله مدل‌سازی، الگوریتم‌های مختلف شامل شبکه‌های عصبی عمیق ، ماشین‌های بردار پشتیبان و جنگل تصادفی به کار گرفته شدند. نتایج نشان داد که DNN با دقت 95 درصد بهترین عملکرد را در شناسایی عیوب داشته و توانایی بالایی در تمایز بین کلاس‌های مختلف دارد.این تحقیق نشان می‌دهد که ترکیب الگوریتم‌های یادگیری ماشین با روش‌های پیشرفته پردازش داده می‌تواند به بهبود کارایی سیستم‌های مکانیکی و کاهش هزینه‌های نگهداری منجر شود. بنابراین، استفاده از این روش‌ها به‌عنوان یک راهکار نوآورانه در تحلیل و بهینه‌سازی سیستم‌های ارتعاشی پیشنهاد می‌شود. /downloadfilepdf/19656