عیب یابی هوشمند بیرینگ به کمک مؤلف ههای فرکانسی و زمانی ارتعاش (یک روش ابداعی)

سال انتشار: 1385
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,118

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICEE14_393

تاریخ نمایه سازی: 25 تیر 1387

چکیده مقاله:

در این مقاله بر اساس مؤلفه های زمانی و فرکانسی سیگنال ارتعاش دو روش عیب یابی مبتنی بر آموزش شبکه های عصبی مصنوعی معرفی شده است. در هر دو روش برای تشخیص سالم یا معیوب بودن بیرینگ از دو عامل مقدار مؤثر (RMS) و کرتوزیز (Kurtosis Factor) استفاده شده است. تشخیص نوع عیب بیرینگ به کمک مؤلفه های فرکانسی امکان پذیر است که در روش اول به کمک اطلاعات طیف فرکانسی، و در روش دوم بر اساس فاصلۀ بین ضربه های متوالی موجود در تغییرات زمانی ارتعاش، نوع عیب تشخیص داده می شود. در پایان نتایج حاصل با هم مقایسه شده اند.

نویسندگان

علیرضا صدوقی

دانشجوی دکترا، مربی، دانشگاه صنعتی اصفهان دانشکده برق و کامپیوتر

سهیل تشکر

کارشناس ارشد دانشگاه صنعتی مالک اشتر- گروه مکاترونیک

محمد ابراهیمی

دانشگاه صنعتی اصفهان دانشکده برق و کامپیوتر

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 :
  • م. منهاج، مبانی شبکه‌های عصبی، انتشارات دانشگاه صنعتی امیر کبیر، ...
  • S.A. McInemy, and Y. Dai, "Basic Vibration Signal Processing for ...
  • J.R. Stack, T.G. Habetler, R.G. Harley, "Fault Classification and Fault ...
  • B. Li, et all, ،، Neural -Network-B ased Motor Rolling ...
  • H. OCAK, et all, 'A New Bearing Fault Detection and ...
  • B. Li, et all, 0Detection of Common Motor Bearing Faults ...
  • A.V. Oppenheim , R.W. Schafer, Discrete - Time Signal Processing, ...
  • A.B. Williams, F.J. Taylor, Electronic Filter Design Hand Book, 3" ...
  • نمایش کامل مراجع