شماره کتابشناسی ملی
شماره
۲۲۷۷۳پ
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
per
عنوان و نام پديدآور
عنوان اصلي
ارائه روشی هوشمند بر پایه تجزیه مود متغیر (VMD) و یادگیری عمیق در شناسایی عیوب ترکیبی ماشین‌آلات دوار
عنوان اصلي به زبان ديگر
An intelligent method for combined fault diagnosis of rotary machinery based on variational mode decomposition and deep learning
نام نخستين پديدآور
/علی دیباج
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: مکانیک
تاریخ نشرو بخش و غیره
، ۱۳۹۸
نام توليد کننده
، افشاری
مشخصات ظاهری
نام خاص و کميت اثر
۸۸ص
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
طراحی کاربردی
زمان اعطا مدرک
۱۳۹۸/۰۶/۱۶
کسي که مدرک را اعطا کرده
تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
عیب‌صیابی خرابی‌صهای ماشین‌صآلات دوار در مراحل اولیه تشکیل آنها و همچنین شناسایی و تشخیص وقوع خرابی‌صهای ترکیبی و همزمان، از اهمیت ویژه‌صای در مبحث پایش وضعیت ماشین‌صآلات دوار و تعمیر و نگه‌صداری آنها برخوردار است .جهت انجام این کار در این تحقیق، در مرحله اول از ابزار قدرتمند پردازش سیگنال تجزیه مود متغیر جهت تجزیه سیگنال‌صهای ارتعاشی به مولفه‌صهای سازنده آنها استفاده می‌صشود تا اطلاعات زائد و اضافی حذف شده و اطلاعات مفید برجسته سازی شود .نظر به وابستگی عملکرد صحیح تجزیه مود متغیر به تعیین بهینه پارامترصهای آن، در این تحقیق روشی جدید به نام ص‌تجزیه مود متغیر با پارامترصهای تنظیم شده، جهت تعیین بهینه پارامترصهای تجزیه مود متغیر بر پایه شاخص‌صهای تطبیقی ارائه می-شود .پس از آن، در مورد عیب‌صیابی خرابی‌صهای نوپا در یاتاقان‌صها بحث می‌صشود .در این رابطه شاخصی تحت عنوان ص‌کشیدگی وزن‌صدار طیف پوش ارائه می‌صشود تا پس از تجزیه سیگنال‌صهای معیوب ارتعاشی یاتاقان به مودصهای سازنده آنها، مود دارای بیشترین حساسیت نسبت به خرابی یاتاقان شناسایی گردد .در ارتباط با شاخص معرفی شده، سرحدی تحت عنوان سرحد حساسیت پیشنهاد می‌صگردد تا بر اساس این سرحد پیشنهاد شده، حداکثر حساسیت روش عیب‌صیابی نسبت به خرابی یاتاقان در مراحل اولیه تشیکل آن، تعیین گردد .به عبارت دیگر، این سرحد حساسیت پیشنهادی تعیین می‌صکند که روش عیب‌صیابی مدنظر که بر پایه تجزیه سیگنال ارتعاشی عمل می‌صکند، تا چه میزان از کاهش شدت عیب، قابلیت شناسایی دارد .در بخش دیگری از این تحقیق، در مورد عیب‌صیابی خرابی‌صهای همزمان در ماشین‌صآلات دوار بحث شده است .به ویژه زمانی که دو خرابی در دو قطعه مجزا نظیر یاتاقان و چرخ دنده، یکی با شدت خرابی بسیار کمتر نسبت به دیگری، به صورت همزمان رخ دهند .در این صورت خرابی با شدت ضعیف‌صتر، تحت تاثیر خرابی با شدت بیشتر قرار می‌صگیرد .در این حالت، استخراج مشخصه‌صها و ویژگی های مربوط به خرابی ضعیف‌صتر و اعلام حالت خرابی ترکیبی، کار چالش برانگیزی می-باشد .در این رابطه، پس از تجزیه سیگنال‌صهای خام ارتعاشی در هر حالت سیستم) حالت سالم، حالت خرابی تنها و حالت خرابی‌صهای همزمان (توسط تجزیه مود متغیر با پارامترصهای تنظیم شده، نمایش زمان-فرکانسی مودصهای اخذ شده به عنوان ویژگی به یک شبکه عصبی کانوولوشنی وارد شده‌صاند .نتایج بررسی سیگنال‌صهای شبیه سازی شده و همچنین بررسی چندین مورد مجموعه داده تجربی، نشان از کارائی روش پیشنهادی چه در مورد عیب‌صیابی خرابی‌صهای نوپای یاتاقان و چه در مورد شناسایی خرابی‌صهای همزمان در سایر قطعات ماشین‌صدوار، دارد .همچنین با مقایسه با سایر روش‌صهای موجود در ادبیات فن، برتری و عملکرد صحیح روش پیشنهادی در ارتباط با مباحث مطرح شده، نشان داده می‌صشود
متن يادداشت
Rotary machinery fault diagnosis in the early stages of defect formation, as well as identifying and detecting the occurrence of simultaneous failures, is of particular importance in the condition monitoring process of these machines. In order to attain this purpose in this thesis, in the first step, variational mode decomposition (VMD), as a powerful signal processing technique, is used to decompose the vibration signals to their constituent components to eliminate redundant and useless information and highlight the useful ones. Due to the dependence of appropriate operation of VMD on the optimal determination of its parameters, in this research, a new method called "Fine-tuned variational mode decomposition" is proposed for optimal determination of VMD parameters based on adaptive indices. Afterward, bearing incipient fault diagnosis is discussed. In this regard, after decomposing the bearing defective vibration signals into their constituent modes, an index called "Envelope Spectrum Weighted Kurtosis Index" is proposed to identify the mode with the most bearing fault-related information. In regard to the proposed index, a criterion is proposed as a sensitivity threshold to determine the maximum capability of the fault diagnosis method to the bearing defects in the early stages of their formation. In other words, the proposed sensitivity threshold determines that to what extent of defect severity, the decomposed-based fault diagnosis method is capable of detecting. In another part of this research, we discuss the fault diagnosis of simultaneous failures in rotary machines. In this regard, after decomposing the raw vibration signals in each state of the system (healthy, single failure, and simultaneous failure state) by fine-tuned VMD, the time-frequency representation of the acquired modes, as the extracted features, are fed into a convolutional neural network (CNN). The results of the simulated signal analysis, as well as the investigation of several experimental datasets, demonstrate the effectiveness of the proposed method both in bearing incipient fault diagnosis and in identifying simultaneous failures in other parts of the rotary machine. It is also showed the superiority and proper performance of the proposed method in the discussed subjects by comparison with other state-of-the-art methods in the literatur
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
An intelligent method for combined fault diagnosis of rotary machinery based on variational mode decomposition and deep learning
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
مستند نام اشخاص تاييد نشده
دیباج، علی
مستند نام اشخاص تاييد نشده
Dibaj , Ali
نام شخص - ( مسئولیت معنوی درجه دوم )
مستند نام اشخاص تاييد نشده
اتفاق، میرمحمد، استادراهنما
مستند نام اشخاص تاييد نشده
حسن‌نژاد قدیم، رضا، استادراهنما
مستند نام اشخاص تاييد نشده
احقاقی بناب، میربیوک، استادمشاور
دسترسی و محل الکترونیکی
يادداشت عمومي
سیاه و سفید
وضعیت فهرست نویسی
وضعیت فهرست نویسی
نمایه‌سازی قبلی
