تشخیص عیوب بیرینگ غلتشی با استفاده از شبکه ANFIS

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 442

فایل این مقاله در 12 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:

CEPS04_109

تاریخ نمایه سازی: 11 مرداد 1396

چکیده مقاله:

افزایش تقاضا برای محصولات متنوع و با کیفیت، کاهش هزینه و رقابت پذیری، اهمیت بهره گیری از سیستم های هوشمند عیب یابی را افزایش داده است. عیب یابی بیرینگ بعنوان یکی از اجزاء مهم ماشین آلات دوار نقش اساسی درمیزان قابلیت اطمینان بهره برداری از یک واحد تولیدی را دارد. آنالیز ارتعاشات بعنوان یکی از ابزار قدرتمند در تشخیص عیب مطرح است و پیشرفتهای صورت گرفته در تکنولوژی پردازش سیگنال ها و وجود تجهیزات الکتریکی پیشرفته،موجب گسترش و توسعه فرآیند تشخیص عیوب و پایش شرایط ماشین گردیده است. مطالعات اخیر بر روی هوشمند سازی سیستم های پایش و عیب یابی و انتقال دانش خبره به آن صورت گرفته است. دقت، سرعت تشخیص و میزان تفکیک پذیری عیوب در نتایج تحقیقات انجام شده مورد توجه است. بکارگیری روش محاسبات نرم مانند شبکه عصبی نیزاخیرا مورد توجه قرار گرفته است روشی که بکارگیری آن در شناسایی خودکار و تشخیص شرایط ماشین موفقیت آمیز بوده است و قابلیت اطمینان سیستم تشخیص و شناسایی عیب را افزایش داده اند. در این تحقیق با استفاده از استخراج ویژگیهای سیگنالهای ارتعاشی و اعمال آن به شبکهANFIS یک ساختار تشخیص و شناسایی عیوب بیرینگهای غلتشی پیشنهاد شده است

نویسندگان

حامد حلمی

دانشجوی دکترای مهندسی برق، دانشگاه آزاد اسلامی مرودشت

محمدرضا صالحی زاده

استادیار، گروه مهندسی برق، دانشکده مهندسی، دانشگاه آزاد اسلامی مرودشت

احمد فروزان تبار

استادیار، گروه مهندسی برق، دانشکده مهندسی، دانشگاه آزاد اسلامی مرودشت

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 :
  • Kazlas Peter T., Monsen Peter T., and LeBlanc Michael J., ...
  • of Artificial Neural Design؛ (2004) Kalkat, M, B. YILDIRIM, anad ...
  • C.C. Wang, Y. Kang, P.C. Shen. (2010), «Applications of fault ...
  • Dongyang Dou, Jianguo Yang, Jiongtian Liu, Yingkai Zhao, (2012), ، ...
  • Matsuura, T. (2004), 00An application of neural network for selecting ...
  • Yang, D.M., Stronach, A.F., MacConnell, P. & Penman, J. (2002).، ...
  • Samanta B., Al-Balushi K.R., Al-Araimi S.A., (2003), ،"Artificial neural networks ...
  • Shuai Shi, Laibin Zhang and Wei Liang, (2012), ،4Condition monitoring ...
  • Diego Fernandez Francos, David Martinez Rego, Oscar Fontenla Romero and ...
  • Javier Sanza, Ricardo Pererab and Consuelo Huertab, (2007), ،Fault diagnosis ...
  • J. Rafiee, M.A. Rafiee and P.W. Tse, (2010), "Application of ...
  • Yaguo Lei, Jing Lin, Zhengjia He and Ming J.Zuo, (2013), ...
  • Ping Huang, Ziwei Pan, Xiaoli Qi and Jiapeng Lei, (2010), ...
  • Liying Jiang, Yanpeng Zhang, Guangting Gong, Zhipeng Liu and Jianguo ...
  • Bearings vibration data set, Case Western Reserve University. <http ://www. ...
  • نمایش کامل مراجع