ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Intelligent Health Evaluation Method of Slewing Bearing Adopting Multiple Types of Signals from Monitoring System

سال انتشار: 1394
کد COI مقاله: JR_IJE-28-4_012
زبان مقاله: انگلیسیمشاهد این مقاله: 198
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 11 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Intelligent Health Evaluation Method of Slewing Bearing Adopting Multiple Types of Signals from Monitoring System

h Wang - School of Mechanical and Power Engineering, Nanjing Tech University, Nanjing, China Luoyang LYC bearing Co., Ltd., Luoyang, China
r hong - School of Mechanical and Power Engineering, Nanjing Tech University, Nanjing, China
j chen - School of Mechanical and Power Engineering, Nanjing Tech University, Nanjing, China
m tang - School of Mechanical and Power Engineering, Nanjing Tech University, Nanjing, China

چکیده مقاله:

Slewing bearing, which is widely applied in tank, excavator and wind turbine, is a critical component of rotational machines. Standard procedure for bearing life calculation and condition assessment hasbeen established for general rolling bearings. Nevertheless, relatively less literatures in regard to thehealth condition assessment of slewing bearing has been published in past. Real time health condition assessment for slewing bearing is used for avoiding catastrophic failures by detectable and preventativemeasurement. In this paper, a new strategy is presented for health evaluation of slewing bearing basedon multiple characteristic parameters, and ANN (Artificial Neural Network) and ANFIS (Adaptive Neuro-Fuzzy Inference System ) models are demonstrated to predict the health condition of slewingbearings. The prediction capabilities offered by ANN and ANFIS are shown by data obtained from fulllife test of slewing bearings in NJUT test System. Various statistical performance indexes have beenutilized to compare the performance of two predicted models. The results suggest that ANFIS-based prediction model outperforms ANN models

کلیدواژه ها:

Slewing Bearing , Artificial Neural Network , ELMAN , Adaptive Neuron-fuzzy Inference System , Fuzzy Clustering , Health Condition Evaluation

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/406329/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Wang, h و hong, r و chen, j و tang, m,1394,Intelligent Health Evaluation Method of Slewing Bearing Adopting Multiple Types of Signals from Monitoring System,,,,,https://civilica.com/doc/406329

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1394, Wang, h؛ r hong و j chen و m tang)
برای بار دوم به بعد: (1394, Wang؛ hong و chen و tang)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره 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.

پشتیبانی