تشخیص هوشمند عیوب یاتاقان غلتشی بر اساس شبکه عصبی-فازی

سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 54

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JSCIT-14-4_001

تاریخ نمایه سازی: 9 دی 1404

چکیده مقاله:

افزایش تقاضا برای کیفیت محصول، کاهش هزینه و افزایش رقابت صنعتی، استقرار سیستم های تشخیص عیب هوشمند را ضروری می سازد. یاتاقان های غلتشی، اجزای حیاتی در موتورهای الکتریکی، به طور قابل توجهی بر عملکرد قابل اعتماد واحدهای تولیدی تاثیر می گذارند. این مطالعه یک سیستم هوشمند جدید برای تشخیص عیب یاتاقان های غلتشی بر اساس آنالیز ارتعاش پیشنهاد می کند. این سیستم از ۱۵ ویژگی آماری مجزا در حوزه زمان استخراج شده از سیگنال های ارتعاش استفاده می کند که سپس توسط یک سیستم استنتاج عصبی-فازی تطبیقی بسیار موثر پردازش می شوند. نتایج، دقت چشمگیر ۹۹.۲٪ را در مجموعه آموزشی و دقت کامل ۱۰۰٪ را در مجموعه آزمایشی نشان می دهد. نکته مهم این است که سیستم به شناسایی ۱۰۰٪ حالت های سالم یاتاقان دست یافت و اطمینان حاصل کرد که هیچ عیبی به اشتباه به عنوان سالم طبقه بندی نشده است. علاوه بر این، روش پیشنهادی، تشخیص عیب را به چهار دسته مجزا تقسیم می کند و اطلاعات تشخیصی دقیق و هدفمندی را ارائه می دهد. این سطح بالای دقت و قدرت تمایز، موفقیت سیستم و پتانسیل قابل توجه آن را برای تشخیص قابل اعتماد عیوب در یاتاقان های غلتشی موتور الکتریکی برجسته می کند و به افزایش نگهداری پیش بینانه و قابلیت اطمینان عملیاتی کمک می کند.

کلیدواژه ها:

نویسندگان

Hamed Helmi

گروه مهندسی برق، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران.

Ahmad Forouzantabar

گروه مهندسی برق، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران.

Mohammad Azadi

گروه مهندسی مکانیک، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Bloch, H.P. and Geitner, F.K., “Machinery component maintenance and repair,” ...
  • Randall, R.B., “Vibration-based condition monitoring: industrial, automotive and aerospace applications,” ...
  • McInerny, S.A. and Dai, Y., “Basic vibration signal processing for ...
  • Dolenc, B., Boškoski, P. and Juričić, Đ., “Distributed bearing fault ...
  • Zarei, J., Tajeddini, M.A. and Karimi, H.R., “Vibration analysis for ...
  • Khadersab, A. and Shivakumar, S., “Vibration analysis techniques for rotating ...
  • Patidar, S. and Soni, P.K., “An overview on vibration analysis ...
  • Souad, S.L., Azzedine, B. and Meradi, S., “Fault diagnosis of ...
  • Kumbhar, S.G., Desavale, R.G. and Dharwadkar, N.V., “Fault size diagnosis ...
  • Chao, K.C., Chou, C.B. and Lee, C.H., “Online domain adaptation ...
  • Rajabi, S., Azari, M.S., Santini, S. and Flammini, F., “Fault ...
  • El Idrissi, A., Derouich, A., Mahfoud, S., El Ouanjli, N., ...
  • Kumbhar, S.G., “An integrated approach of Adaptive Neuro-Fuzzy Inference System ...
  • Lin, C.J. and Jhang, J.Y., “Bearing fault diagnosis using a ...
  • Ren, Z. and Guo, J., “On fault diagnosis using image-based ...
  • Loparo, K. A. (۲۰۲۴). Bearing vibration data set, Case Western ...
  • Veerakumar, S., P. Selvabharathi, and S. Sathishkumar. "RETRACTED: Power Quality ...
  • نمایش کامل مراجع