یک روش هوشمند جدید برای شناسایی عیب یاتاقان ها بر پایه مفهوم هم انباشتگی و انتخاب ویژگی بهینه در شرایط کاری سرعت متغیر با زمان

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 400

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JSFM-9-4_004

تاریخ نمایه سازی: 31 تیر 1399

چکیده مقاله:

در این مقاله، یک روش ترکیبی هوشمند جدید برای شناسایی عیب یاتاقان در شرایط سرعت متغیر با زمان پیشنهاد شده است. سیگنال های ارتعاشی در دو حالت سالم و رینگ داخلی معیوب در سرعت متغیر با زمان جمع آوری شده اند. در این مطالعه، از تکنیک تجزیه مود تجربی کلی و روش اثر جوهانسون برای استخراج روابط هم انباشته از داده های ارتعاشی استفاده شده است. سپس، با بکارگیری روش تبدیل بسته ای موجک و ویژگی های آماری در حوزه زمان، ماتریس ویژگی متناظر با روابط هم انباشتگی محاسبه شده است. در مرحله بعد، از روش ارزیابی جبران فاصله برای انتخاب ویژگی های اولیه استفاده شده است. از ویژگی های منتخب اولیه به عنوان ورودی طبقه بندی کننده ماشین بردار پشتیبان برای پیش بینی وضعیت یاتاقان استفاده شده است. در نهایت، پارامترهای بهینه ماشین بردار پشتیبان و مجموعه ویژگی های بهینه به کمک الگوریتم بهینه سازی ازدحام ذرات باینری تعیین شده اند. نتایج به دست آمده نشان می دهند که مجموعه ویژگی های بهینه به خوبی قادر به تفکیک وضعیت های مختلف یاتاقان در سرعت متغیر می باشند. مقایسه نتایج این مقاله با دیگر روش های عیب یابی، دلالت بر توانمندی روش پیشنهادی دارد.

کلیدواژه ها:

نویسندگان

سعید نظامیوند چگینی

دکتری، دانشکده مهندسی مکانیک، گروه دینامیک، کنترل و ارتعاشات، دانشگاه گیلان، رشت

محمد باقر سلیم زاده کاکرودی

کارشناسی ارشد، گروه مهندسی مکانیک، مهندسی مکانیک، موسسه آموزش عالی احرار، رشت

احمد باقری

استاد، دانشکده مهندسی مکانیک، گروه دینامیک، کنترل و ارتعاشات، دانشگاه گیلان، رشت

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 :
  • باقری ا، نظامیوند چگینی س، رمضانی دشتمیان م، فرید نجفی ...
  • نظامیوندچگینی س، باقری ا، نجفی ف، (1398) روش ترکیبی هوشمند ...
  • Lei Y, Liu Z, Ouazri J, Lin J (2017) A ...
  • Song M, Xiao S (2017) A fault diagnosis method of ...
  • Xu F, Wai Tat TSE P, Fang YJ, Liang JQ ...
  • Tabrizi A, Garibaldi L, Fasana A, Marchesiello S (2015) Early ...
  • Yang CY, Wu TY (2015) Diagnostics of gear deterioration using ...
  • Ziani R, Felkaoui A, Zegadi R (2017) Bearing fault diagnosis ...
  • Fatima S, Mohanty AR, Naikan VNA (2015) Multiple fault classification ...
  • Zhang X, Zhang Q, Chen M, Sun Y, Qin X, ...
  • Yin H, Qiao J, Fu P, Xia XY (2014) Face ...
  • Tabrizi AA, Al-Bugharbee H, Trendafilova I, Garibaldi L (2017) A ...
  • Huang W, Kong F, Zhao X (2018) Spur bevel gearbox ...
  • Nezamivand Chegini S, Bagheri A, Najafi F (2019) A new ...
  • Yan X, Jia M (2018) A novel optimized          SVM classification ...
  • Vakharia V, Gupta VK, Kankar PK (2016) Bearing fault diagnosis ...
  • Attoui I, Fergani N, Boutasseta N, Oudjani B, Deliou A ...
  • Huang NE, Shen Z, Long SR, Wu MC, Shih HH, ...
  • Wu Z, Huang N (2009) Ensemble empirical     mode decomposition: a ...
  • Johansen S (1995) Likelihood-based inference in cointegrated vector autoregressive models. ...
  • Dong S, Sun D, Tang B, Gao Z, Yu W, ...
  • Yaguo L, Zhengjia H, Yanyang Z, Xuefeng C (2008) New ...
  • Vapnik V (1995) The nature of statistical learning theory. Springer ...
  • Shi Y, Eberhart R (1998) A modified particle swarm optimizer. ...
  • Nezamivand Chegini S, Bagheri A, Najafi F (2018) PSOSCALF: A ...
  • نمایش کامل مراجع