Fusion Multi-Sense par CWT-PARAFAC-IPSO-SVM pour le Diagnostic Intelligent des Pannes Mécaniques

Une nouvelle méthode d'analyse de signaux multi-sense pour le diagnostic des pannes des pompes centrifuges basée sur l'analyse des facteurs parallèles (PARAFAC) et les machines à vecteurs de support (SVM) est proposée. Le signal de vibration à canal unique est analysé par la Transformée en Ondelette Continue (CWT) pour construire la représentation temps-fréquence. Les données temps-fréquence multiples sont utilisées pour construire la matrice de données en trois dimensions. La méthode PARAFAC à 3 niveaux est proposée pour décomposer la matrice de données afin d'obtenir les six caractéristiques, qui sont le signal dans le domaine temporel (mode 3) et le signal dans le domaine fréquentiel (mode 2) de chaque niveau au sein du PARAFAC à trois niveaux. Les dix-huit caractéristiques issues de trois directions de signaux de vibration sont utilisées pour tester la capacité de traitement des données des modèles d'algorithme en comparant le CWT-PARAFAC-IPSO-SVM, le WPA-PSO-SVM, le WPA-IPSO-SVM, et le CWT-PARAFAC-PSO-SVM. Les résultats montrent que la décomposition de données multi-canaux à trois niveaux avec PARAFAC présente de meilleures performances que le WPT. L'optimisation par essaim de particules améliorée (IPSO) montre une grande amélioration de la complexité de la structure d'optimisation et du temps d'exécution par rapport à l'optimisation par essaim de particules conventionnelle (PSO). Cela vérifie que le CWT-PARAFAC-IPSO-SVM proposé est l'algorithme hybride le plus optimal. De plus, il se caractérise par sa robustesse et sa fiabilité pour traiter les multiples sources de grandes données dans la surveillance continue des conditions dans les systèmes mécaniques à grande échelle.