این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک مدرس، جلد ۱۷، شماره ۶، صفحات ۲۵۷-۲۶۴
عنوان فارسی ترکیب آنالیز مؤلفه های مستقل و ماشین بردار پشتیبان در تشخیص هوشمند عیب در ماشین های دوار
چکیده فارسی مقاله هر صنعتی نیازمند برنامه ای پیش گویانه، در جهت بهینه نمودن مدیریت منابع و بهبود اقتصاد کارخانه با کاهش هزینه های غیر ضروری و افزایش سطح ایمنی می باشد. ماشین های دوار از جمله ماشین های رایج در صنعت است و ریشه بیشتر خرابی ها در ماشین های دوار به دلیل خرابی یاتاقان های غلتشی می باشد. ماهیت گذرای ارتعاشات ناشی از عیب در یاتاقان های غلتشی باعث گردیده تا تحلیل ارتعاشات در این تجهیزات با استفاده از تبدیل موجک پیوسته و آنالیز پوش انجام پذیرد. این مقاله به بررسی کاربردی روش ترکیب ماشین بردار پشتیبان و آنالیز مؤلفه های مستقل در تشخیص هوشمند محل و نوع عیب در یاتاقان های غلتشی می پردازد. از آنالیز مؤلفه های مستقل برای استخراج ویژگی و کاهش ابعاد از ویژگی های اصلی استفاده شده است، همچنین از آنالیز مؤلفه های اصلی نیز برای استخراج ویژگی استفاده شده و نتایج آن با آنالیز مؤلفه های مستقل مقایسه گردیده است. در این مقاله، طبقه بندی کننده چند کلاسه ماشین بردار پشتیبان برای طبقه بندی عیب به کار گرفته شده است و از روش اعتبار سنجی متقابل برای انتخاب مقادیر بهینه پارامترهای تابع هسته و ماشین بردار پشتیبان استفاده شده است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Combination of independent component analysis and support vector machines for intelligent faults diagnosis of rotating machinery
چکیده انگلیسی مقاله Any industry needs an efficient predictive plan in order to optimize the management of resources and improve the economy of the plant by reducing unnecessary costs and increasing the level of safety. Rotating machinery is the most common machinery in industry and the root of the faults in rotatingmachinery is often faulty rolling element bearings. Because of a transitory characteristic vibration of bearing faults, combining Continuous wavelet transforms with envelope analysis is applied for signal proseccing. This paper studies the application of independent component analysis and support vector machines to for automated diagnosis of localized faults in rolling element bearings. The independent component analysis is used for feature extraction and data reduction from original features. The principal components analysis is also applied in feature extraction process for comparison with independent component analysis does. In this paper, support vector machines-based multi-class classification is applied to do faults classification process and utilized a cross-validation technique in order to choose the optimal values of kernel parameters.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمد هادی غفاری | mohammad hadi
دانشگاه شهید چمران
سازمان اصلی تایید شده: دانشگاه شهید چمران (Shahid chamran university)

افشین قنبرزاده |
دانشگاه شهید چمران اهواز
سازمان اصلی تایید شده: دانشگاه شهید چمران (Shahid chamran university)

علی ولی پور چهارده چریک | valipour chahardahcharic
دانشگاه شهید چمران اهواز
سازمان اصلی تایید شده: دانشگاه شهید چمران (Shahid chamran university)

نشانی اینترنتی http://mme.modares.ac.ir/article_16892_be31ee959331a2d89798563b72ecf2ff.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1256/article-1256-458801.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