تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله شناسایی خطاهای بلبرینگ با استفاده از طرح نظارتی دارای شرایط جدید – نشریه IEEE

عنوان فارسی: شناسایی خطاهای بلبرینگ با استفاده از طرح نظارتی دارای شرایط جدید بر مبنای ویژگی-های زمانی-آماری و شبکه های عصبی
عنوان انگلیسی: Bearing Faults Detection by a Novel Condition Monitoring Scheme based on Statistical-Time Features and Neural Networks
تعداد صفحات مقاله انگلیسی : 10 تعداد صفحات ترجمه فارسی : 22
سال انتشار : 2012 نشریه : آی تریپل ای - IEEE
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
نوع مقاله : ISI پایگاه : اسکوپوس
کد محصول : 9484 رفرنس : دارد ✓
محتوای فایل : zip حجم فایل : 4.85Mb
رشته های مرتبط با این مقاله: مهندسی برق
گرایش های مرتبط با این مقاله: ماشین های الکتریکی، مهندسی کنترل و سیستم های قدرت
مجله: نتایج به دست آمده در جوزه الکترونیک صنعتی - Transactions on Industrial Electronics
دانشگاه: گروه مهندسی برق، دانشگاه فنی کاتالونیا (UPC)، مرکز تحقیقات MCIA، اسپانیا
کلمات کلیدی: بلبرینگ، الگوریتم های طبقه بندی، شرایط نظارتی، تشخیص خطا، استخراج ویژگی، موتورهای القایی، شبکه های عصبی، ارتعاشات
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است ☓
وضعیت ترجمه منابع داخل متن: درج نشده است ☓
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
doi یا شناسه دیجیتال: https://doi.org/10.1109/TIE.2012.2219838
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1- مقدمه

2- اجرای CCA برای ساختارهای طبقه بندی خطا

3- روش شناسی تشخیصی

الف. محاسبه ویژگی ها

ب. انتخاب ویژگی

ج. استخراج ویژگی

د. طبقه بندی

4- 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

5- نتیجه گیری

نمونه متن انگلیسی

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.

نمونه متن ترجمه

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.