این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک مدرس، جلد ۱۵، شماره ۱۱، صفحات ۲۳۳-۲۴۱
عنوان فارسی تشخیص و دسته‌بندی عیوب یاتاقان‌های شیار عمیق ساچمه‌ای با استفاده از تبدیل موجک و سیستم عصبی-فازی تطبیقی
چکیده فارسی مقاله امروزه، تشخیص دقیق و سریع عیب، یکی از مسائل اساسی در صنعت می‌باشد. به‌همین دلیل، تاکنون، الگوریتم‌های پیشرفته‌ی بسیاری بدین ‌منظور به‌کار گرفته شده‌اند که اکثرا دارای پیچیدگی بسیاری بوده و یا نتایج مطلوبی را درپی نداشتند. پژوهش حاضر، روشی نوین جهت تشخیص عیب یاتاقان‌های موتورهای الکتریکی صنعتی و دسته‌بندی آن‌ها براساس قطر عیب و محل آن ارائه می‌نماید. در بخش ابتدایی، سیگنال ارتعاشی مرتبط با عیوب مختلف به‌صورت آزمایشگاهی برای دو یاتاقان ساچمه‌ای شیار عمیق استاندارد متصل به سمت شفت گردنده و سمت محرک در حالت‌های معیوب و سالم استفاده شده و سپس، در بخش دوم، به‌دلیل وجود نویز بالا در سیستم، از تبدیل موجک ساده‌ی تک‌بعدی میر جهت تحلیل سیگنال در حوزه‌ی فرکانس و زمان استفاده شده و در نتیجه ضرایب حاصل از تبدیل موجک منحصر به هر سیگنال استخراج گردیده است. در قدم بعدی، این ضرایب به بخش سوم، که یک سیستم عصبی-فازی تطبیقی است، جهت دسته‌بندی نوع عیب، داده شده و تفکیک‌پذیری بر اساس میزان عیب موجود در شیار و یا ساچمه انجام گرفته است. در این بخش، قابلیت‌های اصلی سیستم فازی و شبکه‌ی عصبی، یعنی مقابله با عدم قطعیت و انعطاف‌پذیری، به‌منظور افزایش میزان دقت و مقابله با نویز در امر عیب‌یابی ترکیب شده است. بخش چهارم این پژوهش نیز به بررسی عملکرد سیستم با تحلیل سیگنال‌های جدید آزمایشگاهی و درنهایت مقایسه‌ی این نتایج با کارهای پیشین اختصاص یافته است. نتایج حاصل، حاکی از دقت بالا و قابلیت‌ تفکیک و دسته‌بندی بهتر روش ارائه شده می‌باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Fault Diagnosis and Classification of Deep Groove Ball Bearings using Wavelet Transform and Adaptive Neuro-Fuzzy System
چکیده انگلیسی مقاله Today, fast and accurate fault detection is one of the major concerns in the industry. Although many advanced algorithms have been implemented in the past decade for this purpose, they were very complicated or did not provide the desired results. Hence, in this paper, we have proposed an emerging method for deep groove ball bearing fault diagnosis and classification. In the first step, the vibration test signals, related to the normal and faulty bearings have been used for both of the drive-end and fan-end bearings of an electrical motor. After that, we have employed the one dimensional Meyer wavelet transform for signal processing in the frequency domain. Hence, the unique coefficients for each kind of fault were extracted and directed to the adaptive neuro-fuzzy system for fault classification. The intelligent adaptive neuro-fuzzy system was adopted to enhance the fault classification performance due to its flexibility and ability in dealing with uncertainty and robustness to noise. This system classifies the input data to the faults in the race or the balls of each of the fan-end and the drive-end bearings with specific fault diameters. In the final part of this study, the new experimental signals were processed in order to verify the results of the proposed method. The results reveal that this method has more accuracy and better classification performance in comparison with other methods, proposed in the literature.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله یاسمن واقعی |
دانشجوی دکتری دانشگاه فردوسی مشهد
سازمان اصلی تایید شده: دانشگاه فردوسی (Ferdowsi university)

انوشیروان فرشیدیان فر |
عضو هیات علمی دانشگاه مشهد

نشانی اینترنتی http://mme.modares.ac.ir/article_13590_e25d1dafe980fb15d0999e3421cd687b.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1256/article-1256-227799.pdf
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