دانلود مقاله ترجمه شده پیشرفت مانيتورينگ توزيع شده ياطاقان و سيستم ارزياب – مجله IEEE

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۰۴
تعداد صفحات مقاله انگلیسی	۵ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی صنایع و مهندسی کامپیوتر
گرایش های مرتبط با این مقاله	هوش مصنوعی، بهینه سازی سیستم ها و برنامه ریزی و تحلیل سیستم ها
مجله	هشتمین کنفرانس بین المللی کنترل، اتوماسیون و رباتیک
دانشگاه	چین
شناسه شاپا یا ISSN	ISBN ۰-۷۸۰۳-۸۶۵۳-۱
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در سایت IEEE
نشریه آی تریپل ای

• فهرست مطالب:

چكيده
۱٫مقدمه
۲٫ ساختمان سيستم
۳٫ الگوريتم هاي تشخيصي/پيش بيني كننده
۳٫۱ استخراج كننده تركيب يا ويژگي
۳٫۲ تشخيص دهنده
۳٫۲٫۱ نمونه يا مدل تشخيصي فازي
۳٫۲٫۲ نمونه شبكه عصبي موج ضربه اي كوچك
۳٫۲٫۳ پيشگو كننده
۴ پياده كردن نرم افزار
۵ نكات كاربردي
۶ نتيجه گيري كلي

• بخشی از ترجمه:

۵ نكات كاربردي
براي آزمودن شبكه عصبي، داده هاي بردگاه خوب و داده هاي بردگاه با برخي از نقص هاي ويژه بايد جمع آوري شود. داده هاي بردگاه خوب را متيوان از دوره اوليه آزمايش بدست آورد. براي كسب داده هاي بردگاه هايي با نقص خاص، بردگاه هاي نمونه با نقص خاص انتخاب شده از تست قبلي، مجددا براي ابزار آزمايش نصب شدند و سپس داده ها در اين صورت با شروع كردن دوباره و از اول تست گرفته شدند. اين داده ها براي آزمودن شبكه عصبي موج ضربه اي كوچك تشخيص دهنده استفاده شدند. داده ها براي پيش بيني كننده را مي توان از بردگاه هايي با ترك سابقه دار اندازه متفاوت بدست آورد. اين بردگاه ها روي ابزار آزمايش به ترتيب نزولي و تكرار آزمايش نصب مي شوند، داده هاي ارتعاش اندازه ترك متفاوت در به ترتيب ن زولي ، براي آموزش DWNN جمع آوري و استفاده مي شود.
سيستم از قبل در مركز تست و سركشي كارخانه بردگاه در چين پياده شد و الگوريتم هاي تشخيص و پيش بيني خطا آزمايش و بهبود يافتند زماني كه اين مقاله نوشته شد.

• بخشی از مقاله انگلیسی:

۵ Application Notes

For training the neural network, both data of good bearings and data of bearings with some specific defects need to be collected. Good bearing data can be got from the early period of a testing. To get data of bearings with specific defect, sample bearings with specific defect selected from past test were reinstalled to the testing rig and then data can be got by restarting a test. These data were used for training the waveLet neural network of the diagnostician. Data for training the prognosticator can be got from bearings with seeded crack of different size. Install these bearings on the testing rig in an ascending order and repcat the test, vibration data of different crack size in an ascending order will be collected and used to train the DWNN[13].

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله