تشخیص خطاهای بلبرینگ به وسیله یک طرح نظارتی بر اساس ویژگی های زمانی – آماری و شبکه های عصبی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی تشخیص خطاهای بلبرینگ به وسیله یک طرح نظارتی بر اساس ویژگی های زمانی – آماری و شبکه های عصبی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۵ صفحه

چکیده

خراب شدن بلبرینگ رایج ترین منبع خطا در ماشین های الکتریکی است. این مقاله طرح نظارتی جدیدی را به کار می گیرد که برای تشخیص خطاهای بلبرینگ به کار می رود. جدای از شناسایی خطاهای محلی، یعنی خطای بلبرینگ هایی با یک نقطه تماس و خطای مسیر گردش، و همچنین شناسایی اثرات توزیع شده را نیز در نظر می-گیرد، مانند زبری. امروزه توسعه روش های تشخیصی با توجه به هر دو نوع خطای بلبرینگ موضوع مورد توجه در تشخیص خطای ماشین های الکتریکی است. ابتدا، این روش مهم ترین ویژگی های آماری-زمانی محاسبه شده از سیگنال ارتعاش را تحلیل می کند. سپس از تغییر تحلیل مؤلفه منحنی شکل، روش یادگیری چندمنظوره غیرخطی، برای فشرده سازی و تجسم سایر ویژگی های رفتاری استفاده می کند. این باعث تفسیر پدیده فیزیکی زیرساختی می شود. این روش ابزاری بسیار قوی و امیدبخش در تشخیص ناحیه خطایی است. در نهایت، ساختار شبکه عصبی سلسله مراتبی برای اجرای مرحله طبقه بندی استفاده می شود. اثربخشی شرایط این طرح نظارتی با نتایج آمایشی به دست آمده از شرایط عملیاتی مختلف تأیید می شود.

۵- نتیجه گیری
این مقاله یک روش پیشنهادی جدید را معرفی می کند که با استفاده از اطلاعات زمانی در داده های ارتعاش بر خطاهای بلبرینگ ها اعمال می شود.
شش سناریوی مختلف در ارتباط با بلبرینگ ها در نظر گرفته شده که نقص های تک نقطه ای، نقص های تک نقطه ای مرکب و فرسایش کلی را شامل می شود. این سناریوها در ۲۵ شرایط عملیاتی، یعنی سرعت و گشتاور تحلیل شده اند.
از سیگنال های به دست آمده از ارتعاش، فرایند محاسبه ویژگی انجام می شود. سپس فرایند انتخاب به کار گرفته می شود، که باعث مجموعه ای منتخب از مهم ترین ویژگی ها برای به حداکثر رساندن افتراق میان خطاهای مد نظر می شود.

عنوان انگلیسی:Bearing Faults Detection by a Novel Condition Monitoring Scheme based on Statistical-Time Features and Neural Networks~~en~~

Abstract

Bearing degradation is the most common source of faults in electrical machines. In this context, this work presents a novel monitoring scheme applied to diagnose bearing faults. Apart from detecting local defects, i.e., single-point ball and raceway faults, it takes also into account the detection of distributed defects, such as roughness. The development of diagnosis methodologies considering both kinds of bearing faults is, nowadays, subject of concern in fault diagnosis of electrical machines. First, the method analyzes the most significant statistical-time features calculated from vibration signal. Then, it uses a variant of the curvilinear component analysis, a nonlinear manifold learning technique, for compression and visualization of the feature behavior. It allows interpreting the underlying physical phenomenon. This technique has demonstrated to be a very powerful and promising tool in the diagnosis area. Finally, a hierarchical neural network structure is used to perform the classification stage. The effectiveness of this condition-monitoring scheme has been verified by experimental results obtained from different operating conditions.

$$en!!