عنوان

ارائه روشی جهت عیب یابی ترکیبی در ماشین‌های دوار

شماره

‭۱۴۹۹۴پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

ارائه روشی جهت عیب یابی ترکیبی در ماشین‌های دوار

نام نخستين پديدآور

/مهسا یزدانیان عصر

نام ناشر، پخش کننده و غيره

: مهندسی مکانیک

تاریخ نشرو بخش و غیره

، ‮‭۱۳۹۴‬

متن يادداشت

چاپی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی مکانیک گرایش طراحی کاربردی

زمان اعطا مدرک

‮‭۱۳۹۴/۰۶/۱۷‬

کسي که مدرک را اعطا کرده

تبریز

متن يادداشت

امروزه صنایع مختلف شامل ماشین‌های متنوع و دوار پیچیده‌ای هستند که در ارتباط تنگاتنک با همدیگر کار می‌کنند .در نتیجه مشخصههایی که از نحوه کارکرد آنها استخراج می‌شود، شدیدا به همدیگر مرتبط خواهند بود .ممکن است خرابی‌های همزمان و ترکیبی در بخش‌های مختلف این ماشین‌های دوار پیچیده به وقوع بپیوندد .معمولا اطلاعات دقیقی در مورد کیفیت و مشخصه‌های مربوط به خرابی‌های همزمان و ترکیبی وجود ندارد و فقط علایم خرابی‌های تنها توسط متخصصان در دسترس و قابل شناسایی می‌باشد .هم‌چنین در سیستم‌های خبره استخراج ویژگی‌های مربوط به سیگنال‌های غیرایستا و غیرخطی کار چالش برانگیزی می‌باشد .در زمینه تشخیص خرابی‌های همزمان و ترکیبی، در این پژوهش برای آموزش از مشخصه‌صهای مربوط به آن در یادگیری ماشین استفاده نخواهد شد .در این پژوهش به جعبه‌دنده به دید یک ماشین دوار پیچیده و به یاتاقان و چرخدنده به دید ماشین‌های دوار ساده نگاه شده است .در انتها یک تجهیز آزمایشگاهی شامل جعبه‌دنده اتومبیل برای آزمایش و داده برداری از چهار حالت سالم، خرابی تنها مربوط به یاتاقان، خرابی تنها مربوط به چرخدنده و خرابی‌های ترکیبی و همزمان یاتاقان و چرخدنده در کارگاه اتومکانیک طراحی و تعبیه گردیده است .از روش تجزیه مود تجربی برای استخراج توابع مود ذاتی مربوط به سیگنال‌های ارتعاشی چهار حالت داده‌برداری شده، بهره گرفته شده است .برای پی بردن به این مسئله که کدام یک از توابع مود ذاتی برای استخراج ویژگی مناسب‌تر هستد و آلودگی کمتری به نویز و اطلاعات اضافی دارند، ضریب همبستگی بین توابع مود ذاتی هم‌فرکانس محاسبه گردیده است .استخراج ویژگی با استفاده از روابط مربوط به شاخص‌های آماری از توابع مود ذاتی انتخابی صورت گرفته است .همچنین آنتروپی انرژی شانون مربوط به سیگنالها به عنوان یک ویژگی مناسب برای تشخیص خرابی معرفی و محاسبه گردیده است .در مرحله کلاس بندی از روش غیرناییو بیزین بهره گرفته شده است که در آن فرض وابستگی ویژگی‌های مربوط به هر کلاس، لحاظ گردیده است .برای آموزش با استفاده از روش غیرناییو بیزین تنها از ویژگی‌های مربوط به حالت سالم، خرابی تنهای یاتاقان و خرابی تنهای چرخدنده استفاده شده و هیچ داده‌ای از خرابی ترکیبی برای آموزش استفاده نشده است .اما در مرحله تست، ویژگی‌های حالت خرابی ترکیبی مورد بررسی قرار گرفته است تا با محاسبه احتمال عضویت در هر کلاس در مورد اعلام خرابی ترکیبی و همزمان تصمیم‌گیری به عمل آید .طبق نتایج بدست آمده روش غیرناییو بیزین، روش کارآمد و راحتی برای تشخیص خرابی‌های همزمان و ترکیبی بدون در نظر گرفتن دادههای مربوط به آن می‌باشد و می‌تواند با دقت قابل قبولی کار کلاس‌بندی را انجام بدهد

متن يادداشت

‮‭ve Bayesian classifier and Back Propagation Neural Networks were compared. An experimental set of data collected from automobile gearbox was used to verify the effectiveness of the proposed method. Gearbox is considered as complex rotary machines containing simple rotary components such as bearings and gears. During the classification process, only the single fault features were assigned to train the classifier. But, simultaneous fault features were examined as test data set. By comparing the resulting probabilities for test data, simultaneous fault was identified with good accuracy‬گ‮‭ve Bayesian classifier, Kernel Na‬گ‮‭Most fields in the industry include rotary machineries which connect and operate closely together. When simultaneous faults take place in different sections, their features are profoundly dependent. Usually there is no obvious information about simultaneous fault features and only the single faults features are detectable and easy to recognize. Therefore, the specialist cannot declare exact information about the symptoms of combined failure and its quality. For this reason, it is not practical to use a combined failure symptoms as the training data set in classification step of intelligent fault diagnosis system. In this paper to overcome these drawbacks, a novel hybrid method is proposed. The core idea of the method is about declaring simultaneous combined fault without using combined fault related features as training data set. After data acquisition and resampling the obtained signals, Empirical Mode Decomposition (EMD) is utilized to decompose multi component signals to Intrinsic Mode Functions (IMFs).With the use of correlation coefficient, proper IMFs for feature extraction, are selected. In feature extraction step, Shannon energy entropy of IMFs were extracted as well as statistical features to feed into classification procedure. It is obvious that most of extracted features are strongly dependent. To consider this assumption, Non-Naive Bayesian Classifier (NNBC) is appointed, which removes the fundamental assumption of Naive Bayesian, i.e., the independence among features. To demonstrate the superiority of NNBC, other methods include Normal Na‬

مستند نام اشخاص تاييد نشده

یزدانیان عصر، مهسا

مستند نام اشخاص تاييد نشده

اتفاق، میر محمد، استاد راهنما

مستند نام اشخاص تاييد نشده

حسن نژاد قدیم، رضا، استاد راهنما

مستند نام اشخاص تاييد نشده

رضوی، سید ناصر، استاد مشاور

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی