การตรวจสอบแบริ่งชนิดเมล็ดกลมด้วยการรู้จำเสียง

Ball Bearing's Condition Diagnosis Using Sound Recognition

Name: สนธยา แก้วงาม

keyword: แบบจำลองฮิดแด็นมาร์คอฟ

; Hidden Markov Model

Abstract: การตรวจสอบแบริ่งชนิดเม็ดกลมด้วยวิธีการรู้จำเสียง โดยใช้แบบจำลองฮิดแดนมาร์คอฟ (HMM) ที่มีโครงสร้างของแบบจำลองที่หลากหลาย เพื่อหาแบบจำลองที่เหมาะสมที่สุดในการแบ่งแยกเสียง แบริ่งดี และแบริ่งที่มีตำหนิที่ส่วนประกอบแบริ่งส่วนต่างๆ โดยใช้วิธีการสกัดลักษณะเด่นของเสียงแบบสัมประสิทธิ์เซปสตรัมจริงในการสอน HMM จากการทดลองพบว่า HMM ที่ถูกสอนด้วยสัมประสิทธิ์เซปสตรัมจริงอันดับที่ 1 ถึง 16 ที่มีแบบจำลองแบบ Left-to-right 6 สถานะและมีค่ากระจายความน่าจะเป็นของการเปลี่ยนสถานะไปยังทุกสถานะที่อยู่หลังสถานะปัจจุบัน ให้อัตราการรู้จำเสียงแบริ่งในการทดสอบกับกลุ่มที่ไม่ผ่านการสอนสูงสุดที่ร้อยละ 81 แบบจำลองนี้ถูกนำมาใช้ในการทดลองรู้จำเสียงแบริ่ง เพื่อแยกแยะเสียงแบริ่งที่มีขนาดของตำหนิ, แยกแยะเสียงแบริ่งที่มีตำหนิที่ส่วนประกอบต่างกัน และแยกแยะเสียงแบริ่งที่มีขนาดของตำหนิที่ต่างกัน โดยHMM ถูกสอนด้วยลักษณะเด่นของเสียง 3 แบบ คือ แบบสัมประสิทธิ์เซปสตรัมจริง, แบบการกรองความถี่ด้วย LPF ก่อนการสกัดลักษณะเด่นแบบสัมประสิทธิ์เซปสตรัมจริง และแบบสัมประสิทธิ์เซปสตรัมจริงที่ผ่านการ Lifter ผลการทดลองแบบการกรองความถี่ด้วย LPF ที่ Cutoff frequency 300 Hz. ก่อนการสกัดลักษณะเด่นแบบสัมประสิทธิ์เซปสตรัมจริง จะให้อัตราการรู้จำเสียงแบริ่งดีที่สุด

Abstract: This thesis presents ball bearing's condition diagnosis using sound recognition on various Hidden Markov Models (HMM) for determining defected ball bearings. The result recognitions rates are compared, and the model given the best recognition rate, is presented here. In order to determine the conditions of the ball bearing, the real cepstral coefficients of the ball bearing sounds features are extracted and trained to HMM models. The testing results indicate that the best model is Left-toright model having 6 states and having only the transitions probabilities of all states. The model has given the highest recognition when trained with real cepstral coefficients of 16th order and has given the recognition rate of 81 percents for the testing group that has not been previously trained. This model is used in experiment of bearing's sound recognition. It can classify bearing's sound among normal bearing, damaged bearing, size of bearing's defect, and position of bearing's defect. HMM is trained by 3 features: real cepstral coefficients, real cepstral coefficients after low pass filtering (LPF), and real cepstral coefficients after Liftering. In all features, the real cepstral coefficients after Low pass filtering gives the best recognition rate.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี. สำนักหอสมุด.

Address: กรุงเทพมหานคร

Email: info.lib@mail.kmutt.ac.th

Name: ภาณุทัต บุญประมุข

Role: อาจารย์ที่ปรึกษา

Created: 2553-04-13

Modified: 2553-04-13

Issued: 2553-04-13

วิทยานิพนธ์/Thesis

application/pdf

CallNumber: INC506

tha

DegreeName: วิศวกรรมศาสตรมหาบัณฑิต

Level: ปริญญาโท

Descipline: วิศวกรรมระบบควบคุมและเครื่องมือวัด

Grantor: มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	INC506.pdf	1.27 MB	99	2024-12-04 11:09:29
2	INC506ab.pdf	19.85 KB	17	2019-03-27 13:47:41

ใช้เวลา

0.033358 วินาที