این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک امیرکبیر، جلد ۵۴، شماره ۸، صفحات ۱۸۳۳-۱۸۵۰
عنوان فارسی عیب یابی و پایش وضعیت بلوئر لکوموتیوهای آلستوم با استفاده از آنالیز ارتعاشات و ماشین بردار پشتیبان
چکیده فارسی مقاله آنالیز ارتعاشات از کاربردی‌ترین روش‌های پایش وضعیت و عیب‌یابی تجهیزات دوار است‌. در این تحقیق با استفاده از آنالایز ارتعاشات و شبکه‌ی عصبی SVM روشی جهت پایش وضعیت و عیب‌یابی بلوئرهای لکوموتیو ارائه شده است. جهت انجام این تحقیق ابتدا از بلوئرها ارتعاشی شده داده‌برداری و سیگنال‌های دریافتی در چهار گروه بلوئرهای سالم و با عیوب نابالانسی، لقی پایه و تاب پره دسته‌بندی شدند. سپس سیگنال-های دریافتی پردازش شده و تعداد 11 ویژگی فرکانسی و 5 ویژگی زمانی از این سیگنال‌ها استخراج شدند. از آنجایی که در بسیاری موارد نسبت ویژگی‌های استخراج شده می‌تواند به فرایند تشخیص عیب کمک کند، نسبت تمام ویژگی‌ها به هم نیز محاسبه شده و به عنوان ویژگی‌های جدید تعریف شدند. سپس این ویژگی‌ها به عنوان ورودی به شبکه عصبی SVM طراحی شده، داده می‌شوند. تعداد زیاد ویژگی در بسیاری مواقع باعث گیج شدن شبکه عصبی می‌شود‌، به همین دلیل داخل شبکه عصبی یک فیلتر آزمون T قرار داده شده که به انتخاب ویژگی‌های مناسب کمک می‌کند. نتایج به دست آمده نشان می‌دهد که این فیلتر می‌تواند دقت شبکه‌ی عصبی، جهت تشخیص نمونه‌های سالم از معیوب، را از 84.9 درصد به 97.9 درصد افزایش دهد. در انتها جهت تشخیص عیوب مختلف، شبکه عصبی SVM دو کلاسه، با و بدون فیلتر آزمون T اجرا شد که نتایج نشان می‌دهد در تمامی حالات دقت شبکه با فیلتر آزمون T افزایش می‌یابد.
کلیدواژه‌های فارسی مقاله آنالیز ارتعاشات، عیب یابی، پردازش سیگنال، شبکه‌های عصبی، آزمون T،
عنوان انگلیسی Monitoring and Troubleshooting Alstom Locomotive Blowers using Vibration Analysis and Support Vector Machine
چکیده انگلیسی مقاله Vibration analysis is one of the most practical methods for condition monitoring and fault detection of rotating equipment. In this research, a method for condition monitoring and fault detection of locomotive blowers is presented which using vibration analysis and SVM neural network. For this point, after the data collection process of vibrating blowers, the received signals were classified into four groups: healthy blowers and with unbalance defects, base looseness and blade warping.The received signals were also processed and 11 frequency properties and 5 time properties were extracted. The ratio of the extracted properties defined as new properties which can help to fault detection process. These features are then given as input to the SVM neural network. Too many features often confuse the neural network, which is why a T-test filter is placed inside the neural network to help select the right features. The results show that this filter can increase the accuracy of the neural network to distinguish healthy samples from defective ones from 84.9% to 97.9%. Finally, a two-class SVM neural network was implemented, with and without a T-test filter, and we show that the network accuracy increases with a T-test filter in all cases.
کلیدواژه‌های انگلیسی مقاله آنالیز ارتعاشات, عیب یابی, پردازش سیگنال, شبکه‌های عصبی, آزمون T
نویسندگان مقاله مهدی زکی زاده |
دانشکده مهندسی مکانیک، دانشگاه گیلان، گیلان، ایران

علی جمالی |
دانشکده مهندسی مکانیک، دانشگاه گیلان، گیلان، ایران

منصور رفیعیان |
دانشکده مهندسی مکانیک، دانشگاه یزد، یزد، ایران

حمید سعیدی |
دانشکده مهندسی برق، دانشگاه یزد، یزد، ایران

علی چائی‌بخش |
دانشکده مهندسی مکانیک، دانشگاه گیلان، گیلان، ایران

نشانی اینترنتی https://mej.aut.ac.ir/article_4900_1d3000f578c998c4fd7f83302e1796e1.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات