Araç Direksiyon Dış Tirodundaki Arızaların Tespiti için Titreşim Analizine Bir İnceleme

Abstract

Bu tez, MSC Adams ve MATLAB simülasyonlarını kullanarak bir simüle edilmiş aracın direksiyon sistemindeki hata tespitini araştırmaktadır. Dış bağlantı çubuğundan gelen açısal ivme sinyalini analiz etmeye odaklanarak hataları belirlemek için önemlidir. Simülasyon yoluyla, araç sağlıklı sinyaller için bir temel olarak açısal ivme sinyalini kaydeder ve MATLAB kullanarak gerçek dünya hatalarını taklit etmek için dış bağlantı çubuğuna simüle edilmiş aşınma ekler. Sistemin dayanıklılığını değerlendirmek için sinyallere çeşitli tiplerde gürültü eklenir. Dalgalet dağılması ve kesikli dalgalet dönüşümü olmak üzere iki özellik çıkarma yöntemi etkinlikleri açısından değerlendirilir. Sınıflandırma, Destek Vektör Makineleri (SVM) ve Sinir Ağları (NN) kullanır ve sinyalleri normal veya hatalı olarak sınıflandırmayı ve hata ciddiyetini belirlemeyi amaçlar. Bulgular, dalgakıran dağılmasıyla Uzun Kısa Vadeli Hafıza (LSTM) Sinir Ağları'nın istikrarlı bir yaklaşım olduğunu öne sürmektedir. Temel Bileşen Analizi (PCA), Doğrusal Ayırıcı Analiz (LDA) ve Tekrarlanan Özellik Eleme (RFE) gibi teknikler, sınıflandırma doğruluğunu artırır. Bu araştırma, otomotiv sistemlerinde hata tespitini önemli ölçüde ilerletmekte olup, sinyal işleme, sınıflandırma algoritmaları, optimizasyon ve özellik seçimi konularında içgörüler sunmaktadır. Geliştirilen hata tespit sistemi, direksiyon sistemi güvenilirliğini ve güvenliğini potansiyel olarak artırarak gerçek dünya uygulaması vadetmektedir.

This thesis investigates fault detection in a simulated car's gear steering system using MSC Adams and MATLAB simulations. It focuses on analyzing the angular acceleration signal from the outer tie rod, crucial for identifying faults. Through simulation, the car records the angular acceleration signal as a baseline for healthy signals and introduces simulated wear into the tie rod using MATLAB to mimic real-world faults. Various types of noise are added to the signals to assess the system's robustness. Two feature extraction methods, wavelet scattering and discrete wavelet transform, are evaluated for their effectiveness. Classification employs Support Vector Machines (SVM) and Neural Networks (NN) and aims to classify signals as normal or faulty and determine fault severity. Findings suggest wavelet scattering with Long Short-Term Memory (LSTM) Neural Networks as a stable approach. Techniques like Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), and Recursive Feature Elimination (RFE) enhance classification accuracy. This research significantly advances fault detection in automotive systems, providing insights into signal processing, classification algorithms, optimization, and feature selection. The developed fault detection system promises real-world application, potentially enhancing steering system reliability and safety.