پایش وضعیت و تعیین آنلاین مقدار ناهمراستایی در الکتروپمپها با استفاده از شبکه های عصبی مصنوعی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 674

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

TEDECE01_646

تاریخ نمایه سازی: 30 آبان 1394

چکیده مقاله:

یکی از مشکلات مهم و اساسی در الکتروپمپها در حین نصب و بهرهبرداری، عدم همراستایی بین الکتروموتور و پمپ میباشد. وجود ناهمراستایی بین محور الکتروموتور و محور پمپ دلیل اصلی ایجاد ارتعاشات و عیبهای مکانیکی دیگر از جمله خرابی یاتاقانها و حتی روتور میباشد. از تحلیل ارتعاشات بخصوص تبدیلات فرکانسی بطور گستردهای برای شناسایی این مشکل استفاده میگردد. اما استفاده از شاخصهای حوضه زمان نیز میتواند اطلاعاتی را از وضعیت مقدار همراستایی محورها در اختیار قرار دهد. در این مقاله اثر ناهمراستاییهای موازی و زاویهای روی ارتعاشات الکتروپمپ در دو حوزهی زمان و فرکانس به صورت عملی روی یک الکتروموتور القایی سهفاز 11 کیلووات کوپل شده با یک پمپ گریز از مرکز بررسی میشود. سپس، ویژگیهای استاتیکی مختلف حوزه زمان و فرکانس که حاوی اطلاعات بیشتری از وضعیت محورها میباشند استخراج و ذخیره میشوند. نهایتاً، این ویژگیها به یک شبکه عصبی آموزش داده شده داده میشود تا نوع موازی یا زاویهای و مقدار ناهمراستایی را تشخیص دهد. نتایج عملی در یک مرکزانتقال نفت که انواع ارتعاشات صنعتی نیز وجود دارد بدست آمده است. نتایج نشان میدهد که روش پیشنهادی با دقت خوبی میتواند وضعیت محورهای الکتروپمپ را از نظر همراستا بودن یا نبودن، نوع ناهمراستایی موازی یا زاویهای و همچنین مقدار ناهمراستایی را بیان کند

کلیدواژه ها:

الکتروپمپ ، پایش وضعیت ، تشخیص عیب ، استخراج ویژگی ، ناهمراستایی و شبکه های عصبی مصنوعی

نویسندگان

اسدالله کلانتر

دانشجوی دکتری مهندسی مکانیک، دانشگاه علم و صنعت

میرسعید صفی زاده

دانشیار گروه مکانیک دانشگاه علم و صنعت

شورش شکوهی

شرکت خطوط لوله و مخابرات نفت ایران

فردین دالوند

شرکت خطوط لوله و مخابرات نفت 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 :
  • Patel, T. _ and Darpe, A. K., "Experimental investigations _ ...
  • Sekhar, _ and Prabhu, B., "Effects of coupling misalignment on ...
  • Bachschmid, N., Pennacchi, P., Tanzi, E.. and Vania, A., "Idemtification ...
  • Piotrowski, J., Shaft alignment handbook: CRC Press, 2010. ...
  • Lou, X., and Loparo, K. A.. "Bearing fault diagnosis based ...
  • Halem, N., Zouzou, S., Srairi, K., Guedidi, S., and Abbood, ...
  • Seera, M., Lim, C., Ishak, D., and Singh, H., "Fault ...
  • Gandhi, A., Corrigan, T, and Parsa, L., "Recent advances in ...
  • Cals, H., and Cakr, A.. "Rotor bar fault diagnosis in ...
  • Schoen, R. R., "On-line current-based condition monitoring of three-phase induction ...
  • Dorrell, D. G., Thomson, W. T., and Roach, S., "Analysis ...
  • Thomson, W. T., and Barbour, _ "On-line current monitoring and ...
  • Saavedra, P., and Ramirez, D., "Vibration analysis of rotors for ...
  • Simon, G., "Prediction of vibration behaviour of large turb o-machinery ...
  • Wowk, V., machinery vibration Alignment: McGraw Hill Professional, 2000. ...
  • NI CompactDAQ and Module data sheet, http ://www.ni .com/. ...
  • Rustum, R., Adeloye, A., and Simala, A., -Kohonen self-organising map ...
  • Lei, Y., He, Z., and Zi, Y., _ new approach ...
  • Bevrani, H., Habibi, F., and Shokoohi, S., :ANN- Based Self-Tuning ...
  • Shen, Q., and Zheng, S., "Equipment fault diagnosis", Chemical industry ...
  • Elman, J. L., "Finding structure in time", Cognitive science, vol. ...
  • Williams, R. J., and Zipser, D., "A learning algorithm for ...
  • نمایش کامل مراجع