شماره کتابشناسی ملی
شماره
۲۲۱۰۶پ
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
per
عنوان و نام پديدآور
عنوان اصلي
طراحی سیستم تشخیص عیوب گیربکس خودروی تندر ۹۰با استفاده از آنالیز سیگنال صوتی
عنوان اصلي به زبان ديگر
Design of the Tondar۹۰ automobile gearbox fault detection system using the audio signal analysis
نام نخستين پديدآور
/ابوالفضل غلامی
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: فنی مهندسی مکانیک
تاریخ نشرو بخش و غیره
، ۱۳۹۸
نام توليد کننده
، راشدی
مشخصات ظاهری
نام خاص و کميت اثر
۱۳۲ص
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی - الکترونیکی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
ساخت و تولید
زمان اعطا مدرک
۱۳۹۸/۰۶/۳۰
کسي که مدرک را اعطا کرده
تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
گیربکس‌ها در طول فرایند ساخت، مونتاژ و یا بهره‌برداری ممکن است دچار عیب گردند در کارخانه‌های تولید گیربکس، تعیین گیربکس‌های معیوب جهت جلوگیری از ورود آنها به چرخه مصرف اهمیت فراوانی دارد .برای این منظور از روش‌های مختلفی استفاده می‌گردد که از آن جمله تشخیص صدا توسط شنوایی اپراتور آزمون، استفاده از روش‌های تحلیل ارتعاشات و استفاده از روش‌های تحلیل سیگنال صوت هست .سیگنال های صوتی بیانگر کارکرد گیربکس و شرایط قطعات داخلی) چرخ‌دنده، شفت‌ها، بلبرینگ‌ها، رولربرینگ‌صها و (...آن هست .لذا این سیستم روش قدرتمندی برای تشخیص سالم یا معیوب بودن گیربکس در حالات مختلف دنده۱ ،۲،۳،۴، ۵هست .در این پروژه به بررسی روش‌های مختلف عیب‌یابی هوشمند با استفاده از سیگنال‌های صوتی پرداخته شد .پس از دریافت سیگنال‌های صوتی، الگوریتم‌های مناسب جهت عیب‌یابی، پیشنهاد و بر اساس آن پروسه عیب‌یابی انجام گرفت .در این آزمایش سالم یا معیوب بودن گیربکس خودروی سواری تندر ۹۰ در خط مونتاژ، مورد بررسی قرار گرفت .سیگنال‌های صوتی دریافت شده ابتدا در حوزه‌های زمان، فرکانس) تبدیل فوریه سریع (و زمان-فرکانس) تبدیل گسسته موجک، تبدیل بسته موجک (پردازش می‌شوند .سپس استخراج ویژگی از سیگنال‌های پردازش‌شده در هر سه حوزه زمان، فرکانس و زمان-فرکانس انجام گرفت و پس از آن با استفاده از روش آزمون‌صخطا و روش استنباط آماری تی ویژگی‌های مطلوب جهت استفاده در طبقه‌بندی انتخاب شدند .سپس با استفاده از روش‌های مختلف طبقه‌بندی شبکه عصبی مصنوعی،K -نزدیک‌ترین همسایه، ماشین بردار پشتیبان، روند هوشمند سازی عیب‌یابی انجام گرفت .نتایج نشان داد ویژگی‌های انرژی، انحراف معیار، آنتروپی، واریانس، جذر متوسط مربع، کوواریانس، کورتوسیس و فاکتور کرست از سیگنال‌های حوزه زمان جهت طبقه‌بندی مناسب بودند .در حوزه فرکانس ویژگی‌های انحراف معیار، آنتروپی، واریانس، جذر متوسط مربع، کوواریانس و میانگین هندسی از سیگنال FFT نتایج خوبی در طبقه‌بندی‌ها نشان دادند و در حوزه زمان-فرکانس ویژگی‌های انحراف معیار، آنتروپی، واریانس، جذر متوسط مربع، کوواریانس، مومنتوم، مد و انرژی برای طبقه‌بندی مناسب، انتخاب شدند .همچنین نتایج نشان داد که روش کلاس‌صبندیK -نزدیک‌ترین همسایه روی داده های پردازش شده با تحلیل بسته موجک، دارای خطای متوسط کمتر از۳ درصد هست .این خطا نسبت به خطای سایر روش‌صهای پردازش سیگنال و طبقه‌صبندی در این آزمایش کمتر هست
متن يادداشت
Gearboxes during the manufacturing, assembly, or operation process may be faulty. Determining faulty gearboxes to prevent them from entering the consumption cycle is important. Different methods are used for this purpose, including voice recognition by test operator hearing, vibration analysis and sound signal analysis. Voice vibrations reflect the operation of the gearbox and its internal components (gears, shafts, bearings, roller bearings, etc.). Therefore, this system is a powerful way to detect the gearbox's defective or defective gear in different 1,2,3,4,5 gear situations. In this project, different intelligent troubleshooting methods were investigated using acoustic signals. After receiving the acoustic signals, appropriate algorithms for troubleshooting were proposed and based on this the troubleshooting process was performed. The test examined whether the Thunder 90's gearbox was healthy or defective in its assembly line. The received audio signals are first processed in the domains of time, frequency (fast Fourier transform) and time - frequency (Discrete wavelet transform, Wavelet packet transform). Then, feature extraction from the processed signals was performed in all three time, frequency and time-frequency domains. Then, the optimum features for classification were selected using error test and statistical inference method. Then, using different artificial neural network classification methods, K-nearest neighbor, support vector machine, troubleshooting intelligent process was performed. The results showed that energy characteristics, standard deviation, entropy, variance, mean square root, covariance, kurtosis and crest factor were the appropriate time-domain signals for classification. In the frequency domain, standard deviation, entropy, variance, mean square root, covariance and geometric mean of the FFT signal showed good results in the classifications; mode and energy were chosen for proper classification. The results also showed that the K-nearest neighbor classification method on the data processed with wavelet packet analysis has an average error of less than 3 . This error is less than that of other signal processing and classification methods in this experiment
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
Design of the Tondar۹۰ automobile gearbox fault detection system using the audio signal analysis
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
مستند نام اشخاص تاييد نشده
غلامی، ابوالفضل
مستند نام اشخاص تاييد نشده
Gholami, Abolfazl
دسترسی و محل الکترونیکی
يادداشت عمومي
سیاه و سفید
وضعیت فهرست نویسی
وضعیت فهرست نویسی
نمایه‌سازی قبلی
