منوی کاربری
  • پشتیبانی: ۴۲۲۷۳۷۸۱ - ۰۴۱
  • سبد خرید

ترجمه مقاله یک راه حل مبتنی بر SVM عیب یابی در توربین های بادی - نشریه MDPI

ترجمه مقاله یک راه حل مبتنی بر SVM عیب یابی در توربین های بادی - نشریه MDPI
قیمت خرید این محصول
۳۷,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
یک راه حل مبتنی بر SVM عیب یابی در توربین های بادی
عنوان انگلیسی
An SVM-Based Solution for Fault Detection in Wind Turbines
صفحات مقاله فارسی
25
صفحات مقاله انگلیسی
22
سال انتشار
2015
نشریه
MDPI
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
رفرنس
دارد
کد محصول
7547
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه شده است
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
رشته های مرتبط با این مقاله
مهندسی انرژی، مهندسی برق و مهندسی مکانیک
گرایش های مرتبط با این مقاله
الکترونیک قدرت و ماشینهای الکتریکی، انرژی های تجدیدپذیر، مکاترونیک و مهندسی کنترل
مجله
سنسورها - Sensors
دانشگاه
گروه مهندسی عمران، دانشگاه بورگوس، اسپانیا
کلمات کلیدی
تشخیص نقص فنی، شبکه های عصبی، ماشین آلات بردار تکیه گاه، توربین های بادی
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
1.مقدمه
2. راه کار آزمایشی و جمع اوری داده
3. تحلیل ارتعاش و تعریف متغیرها
4. تکنیک های داده کاوی
4.1 شبکه های عصبی
4.2 ماشین آلات بردار تکیه گاه
4.3 انتخاب متغیر
5. نتایج و بحث
6. نتیجه گیری ها و خطوط کاری آینده
نمونه چکیده متن اصلی انگلیسی
Abstract

Research into fault diagnosis in machines with a wide range of variable loads and speeds, such as wind turbines, is of great industrial interest. Analysis of the power signals emitted by wind turbines for the diagnosis of mechanical faults in their mechanical transmission chain is insufficient. A successful diagnosis requires the inclusion of accelerometers to evaluate vibrations. This work presents a multi-sensory system for fault diagnosis in wind turbines, combined with a data-mining solution for the classification of the operational state of the turbine. The selected sensors are accelerometers, in which vibration signals are processed using angular resampling techniques and electrical, torque and speed measurements. Support vector machines (SVMs) are selected for the classification task, including two traditional and two promising new kernels. This multi-sensory system has been validated on a test-bed that simulates the real conditions of wind turbines with two fault typologies: misalignment and imbalance. Comparison of SVM performance with the results of artificial neural networks (ANNs) shows that linear kernel SVM outperforms other kernels and ANNs in terms of accuracy, training and tuning times. The suitability and superior performance of linear SVM is also experimentally analyzed, to conclude that this data acquisition technique generates linearly separable datasets.

نمونه چکیده ترجمه متن فارسی
چکیده
تحقیقات در تشخیص نقص فنی در ماشین آلات دارای طیف وسیعی از بارها و سرعتهای متغیر، مثل توربین های بادی، از بسیار مورد توجه صنعتی قرار دارد. تحلیل سیگنالهای توان ساتع شده توسط توربینهای بادی برای تشخیص نقصهای مکانیکی در زنجیره ارسال آنها، ناکافی است. یک تشخیص موفقیت آمیز به شمول شتاب سنج ها برای ارزیابی ارتعاش ها نیاز دارد. این اثر، سیستم چند حسی برای تشخیص نقص فنی در توربینهای بادی را ارائه میدهد، که با راه حل داده کاوی برای کار دسته بندی انتخاب میشود، از جمله دو هسته ی قدیمی و دو هسته ی جدید. این سیستم چند حسی، بر روی یک صفحه ی آزمایش ارزیابی شده است که شرایط حقیقی توربینهای بادی را با دو سنخ شناسی نقص فنی، شبیه سازی میکند: عدم تراز و عدم تعادل. مقایسه عملکرد SVM و ANNها بر حسب دقت، زمانهای آموزش و میزان سازی، از هسته های دیگر بهتر عمل میکند. مناسب بودن و عملکرد بهتر SVM خطی، هم به طور آزمایشی تحلیل میشود، تا نتیجه گیری کند این تکنیک کسب داده، مجموعه داده های قابل تفکیک خطی را ایجاد میکند.

بدون دیدگاه