دانلود مقاله ترجمه شده تشخیص خطاهای بلبرینگ به وسیله یک طرح نظارتی – ۲۰۱۲ IEEE

تشخیص خطاهای بلبرینگ به وسیله یک طرح نظارتی بر اساس ویژگی های زمانی – آماری و شبکه های عصبی

Bearing Faults Detection by a Novel Condition Monitoring Scheme based on Statistical-Time Features and Neural Networks

چکیده

۱- مقدمه

۲- اجرای CCA برای ساختارهای طبقه بندی خطا

۳- روش شناسی تشخیصی

الف. محاسبه ویژگی ها

ب. انتخاب ویژگی

ج. استخراج ویژگی

د. طبقه بندی

۴- نتایج آزمایشی

الف. معتبر سازی روش پیشنهادی با استفاده از آزمایش

ب. معتبر سازی روش پیشنهادی با استفاده از آزمایش که این روش در دامنه پایین تر شرایط عملیاتی به‌کاررفته

۵- نتیجه گیری

چکیده

خراب شدن بلبرینگ رایج ترین منبع خطا در ماشین های الکتریکی است. این مقاله طرح نظارتی جدیدی را به کار می گیرد که برای تشخیص خطاهای بلبرینگ به کار می رود. جدای از شناسایی خطاهای محلی، یعنی خطای بلبرینگ هایی با یک نقطه تماس و خطای مسیر گردش، و همچنین شناسایی اثرات توزیع شده را نیز در نظر می-گیرد، مانند زبری. امروزه توسعه روش های تشخیصی با توجه به هر دو نوع خطای بلبرینگ موضوع مورد توجه در تشخیص خطای ماشین های الکتریکی است. ابتدا، این روش مهم ترین ویژگی های آماری-زمانی محاسبه شده از سیگنال ارتعاش را تحلیل می کند. سپس از تغییر تحلیل مؤلفه منحنی شکل، روش یادگیری چندمنظوره غیرخطی، برای فشرده سازی و تجسم سایر ویژگی های رفتاری استفاده می کند. این باعث تفسیر پدیده فیزیکی زیرساختی می شود. این روش ابزاری بسیار قوی و امیدبخش در تشخیص ناحیه خطایی است. در نهایت، ساختار شبکه عصبی سلسله مراتبی برای اجرای مرحله طبقه بندی استفاده می شود. اثربخشی شرایط این طرح نظارتی با نتایج آمایشی به دست آمده از شرایط عملیاتی مختلف تأیید می شود.

۵- نتیجه گیری
این مقاله یک روش پیشنهادی جدید را معرفی می کند که با استفاده از اطلاعات زمانی در داده های ارتعاش بر خطاهای بلبرینگ ها اعمال می شود.
شش سناریوی مختلف در ارتباط با بلبرینگ ها در نظر گرفته شده که نقص های تک نقطه ای، نقص های تک نقطه ای مرکب و فرسایش کلی را شامل می شود. این سناریوها در ۲۵ شرایط عملیاتی، یعنی سرعت و گشتاور تحلیل شده اند.
از سیگنال های به دست آمده از ارتعاش، فرایند محاسبه ویژگی انجام می شود. سپس فرایند انتخاب به کار گرفته می شود، که باعث مجموعه ای منتخب از مهم ترین ویژگی ها برای به حداکثر رساندن افتراق میان خطاهای مد نظر می شود.

Abstract

Bearing degradation is the most common source of faults in electrical machines. In this context, this work presents a novel monitoring scheme applied to diagnose bearing faults. Apart from detecting local defects, i.e., single-point ball and raceway faults, it takes also into account the detection of distributed defects, such as roughness. The development of diagnosis methodologies considering both kinds of bearing faults is, nowadays, subject of concern in fault diagnosis of electrical machines. First, the method analyzes the most significant statistical-time features calculated from vibration signal. Then, it uses a variant of the curvilinear component analysis, a nonlinear manifold learning technique, for compression and visualization of the feature behavior. It allows interpreting the underlying physical phenomenon. This technique has demonstrated to be a very powerful and promising tool in the diagnosis area. Finally, a hierarchical neural network structure is used to perform the classification stage. The effectiveness of this condition-monitoring scheme has been verified by experimental results obtained from different operating conditions.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص خطاهای بلبرینگ به وسیله یک طرح نظارتی بر اساس ویژگی های زمانی – آماری و شبکه های عصبی

Bearing Faults Detection by a Novel Condition Monitoring Scheme based on Statistical-Time Features and Neural Networks