طبقه بندی عیوب الکتروموتور با استفاده از پردازش تصاویر حرارتی مبتنی بر هوش مصنوعی
- سال انتشار: 1400
- محل انتشار: ششمین کنفرانس سراسری دانش و فناوری مهندسی مکانیک و برق ایران
- کد COI اختصاصی: DMECONF06_035
- زبان مقاله: فارسی
- تعداد مشاهده: 431
نویسندگان
دانشجوی کارشناسی ارشد، مهندسی مکانیک، دانشکده فنی و مهندسی، واحد کرمانشاه، دانشگاه آزاد اسلامی
چکیده
آنالیز تصاویر حرارتی یکی از روشهای پرکاربرد در پایش وضعیت تجهیزات صنعتی است که در این تحقیق از اینروش برای پایش وضعیت الکتروموتور استفادهشده است. در این تحقیق سه عیب رایج در الکتروموتورها بررسیشد (خرابی در روتور، خرابی در یاتاقان و ناهمراستایی در پولی روتور و ژنراتور) بنابراین به مدت یک ساعت از هرحالت الکتروموتور تصویربرداری شد. هر تصویر به سه ناحیه S۲, S۱ و S۳ تقسیم شد که به ترتیب هر ناحیه معرف سطح استاتور و روتور، سطح یاتاقان و سطح پولی است. سپس از هر تصویر ویژگی های رنگ و بافت استخراج شد. ۴۸ ویژگی آماری مرتبه اول و ۹۶ ویژگی آماری مرتبه دوم استخراج شد که در مجموع ۱۴۴ ویژگی از هر تصویر استخراج گردید. به منظور تشخیص هوشمند وضعیت عیوب از شبکه های عصبی مصنوعیپرسپترون چند لایه استفاده شد. با تغییر تعداد نرون های لایه پنهان ابتدا دقت شبکه عصبی افزایش و سپسکاهش یافت و در حالت استفاده از ۱۱ نرون بیشترین دقت شبکه عصبی به ازای داده های آموزش و آزمونمشاهده شد که بهینهترین حالت و ساختار شبکه عصبی مصنوعی برای تشخیص عیوب الکتروموتور شبکه ای باتوپولوژی ۴-۱۱-۱۴۴ است. بررسی ماتریس اغتشاش نشان داد که دقت کلی شبکه عصبی مصنوعی برای داده های آموزش، آزمون و ارزیابی به ترتیب ۱۰۰%، ۱۰۰% و ۹۶/۳% بود.کلیدواژه ها
الکتروموتور، ترموگرافی، عیب، شبکه عصبی مصنوعیمقالات مرتبط جدید
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.