کاربرد هوش مصنوعی برای تشخیص خطای بلادرنگ در ماشین های سنکرون مغناطیس دائم
ترجمه شده

کاربرد هوش مصنوعی برای تشخیص خطای بلادرنگ در ماشین های سنکرون مغناطیس دائم

عنوان فارسی مقاله: کاربرد هوش مصنوعی برای تشخیص خطای بلادرنگ در ماشین های سنکرون مغناطیس دائم
عنوان انگلیسی مقاله: Application of Artificial Intelligence to Real-Time Fault Detection in Permanent-Magnet Synchronous Machines
مجله/کنفرانس: نتایج بدست آمده در حوزه کاربردهای صنعت - Transactions on Industry Applications
رشته های تحصیلی مرتبط: مهندسی برق و کامپیوتر
گرایش های تحصیلی مرتبط: هوش مصنوعی، الکترونیک قدرت و ماشینهای الکتریکی، مهندسی الکترونیک
کلمات کلیدی فارسی: سیستم خبره، شبکه عصبی، بهینه سازی ازدحام ذرات (PSO)، ماشین سنکرون مغناطیس دائم (PMSM)
کلمات کلیدی انگلیسی: Expert system - neural network - particle swarm optimization (PSO) - permanent-magnet synchronous machine (PMSM)
شناسه دیجیتال (DOI): https://doi.org/10.1109/TIA.2013.2253081
دانشگاه: مرکز سیستم های پیشرفته برق، دانشگاه ایالتی فلوریدا، ایالات متحده آمریکا
صفحات مقاله انگلیسی: 10
صفحات مقاله فارسی: 27
ناشر: آی تریپل ای - IEEE
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2013
ایمپکت فاکتور: 4.267 در سال 2018
شاخص H_index: 175 در سال 2019
شاخص SJR: 1.091 در سال 2018
ترجمه شده از: انگلیسی به فارسی
شناسه ISSN: 0093-9994
شاخص Quartile (چارک): Q1 در سال 2018
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه شده و آماده دانلود
فرمت ترجمه فارسی: ورد و pdf
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
مقاله بیس: خیر
مدل مفهومی: ندارد
کد محصول: 10156
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
پرسشنامه: ندارد
متغیر: ندارد
درج شدن منابع داخل متن در ترجمه: خیر
ترجمه شدن توضیحات زیر تصاویر و جداول: بله
ترجمه شدن متون داخل تصاویر و جداول: خیر
رفرنس در ترجمه: در انتهای مقاله درج شده است
نمونه ترجمه فارسی مقاله

چکیده

این مقاله در مورد خطاهای موجود در ماشین های الکتریکی چرخشی بحث می کند و روش تشخیص خطا را با استفاده از شبکه عصبی مصنوعی (ANN) توصیف می کند، که سیستمی خبره برای تشخیص جریانات خطای مدار اتصال کوتاه در سیم پیچ های استاتور ماشین سنکرون مغناطیس دائم (PMSM) است. این محیط آزمایشی شامل PMSM می شود که به صورت مکانیکی به موتور dc متصل شده تا در حالت گشتاور راه اندازی شود. از بهینه سازی ازدحام ذرات برای تنظیم وزن های ANN استفاده می شود. همۀ شبیه سازی ها در محیط متلب/سیمولینک انجام می شود. این روش کارآمد است و می تواند برای تشخیص خطای بلادرنگ به کار برده شود.

1- مقدمه

تشخیص و شناسایی خطا (FDD) و پیش بینی روزافزون ابزارهایی مهم برای پایایی، دسترس پذیری و قابلیت زنده ماندن در کشتی های دریای هستند. با گسترشFDD  به تجهیزات خودکار پیش بینی کننده، آگاهی ارزش این تکنولوژی را افزایش می دهد. امروزه، یادگیری، طبقه بندی، شبیه سازی و همبستگی داده های بلادرنگ، و نقش های برنامه ریزی شناختی می توانند تقریباً با هزینه های منطقی در تکنولوژی های کامپیوتری مدرن به صورت خودکار درآیند. توسعۀ سریع کامپیوتر، سنسور و تکنولوژی های پردازشی سیگنال، همراه با روش های هوش مصنوعی (AI)، تشخیص و پیش بینی خطا را به صورتی کارآمد با هزینه هایی معقول امکان پذیر ساخته است.

نمونه متن انگلیسی مقاله

Abstract 

This paper discusses faults in rotating electrical machines in general and describes a fault detection technique using artificial neural network (ANN) which is an expert system to detect short-circuit fault currents in the stator windings of a permanent-magnet synchronous machine (PMSM). The experimental setup consists of PMSM coupled mechanically to a dc motor configured to run in torque mode. Particle swarm optimization is used to adjust the weights of the ANN. All simulations are carried out in MATLAB/SIMULINK environment. The technique is shown to be effective and can be applied to real-time fault detection.

I. INTRODUCTION

FAULT detection and diagnosis (FDD) and increasing prognosis are important tools for the reliability, availability, and survivability of marine vessels. Extending the FDD into predictive and prognostic automated equipment awareness increases the value of this technology. Nowadays, the real-time data acquisition, classification, assimilation and correlation, and cognitive mapping functions can be almost completely automated at reasonable cost with modern computer technologies. The rapid development of computer, sensor, and signal processing technologies, together with artificial intelligence (AI) techniques, has made it possible to implement fault diagnosis and prognosis effectively at reasonable prices.

ترجمه فارسی فهرست مطالب

چکیده

1- مقدمه

2- سیستم های عایق کاری سیم پیچ

الف. سازمان

ب. بررسی سیستم عایق کاری سیم پیچ

ج. انواع آزمایش

3- فرایندهای شکست در ماشین های الکتریکی

الف. اضافه بار حرارتی

ب. چرخۀ حرارتی

ج. سرژهای ولتاژ تکراری

د. فرایندهای شکست قطب برجسته و گرد روتور

ه. فرآیند شکست سیم پیچ در روتور ماشین القایی سیم بندی شده و قفسه سنجابی 

4- شرایط آزمایشی و نظارتی

الف. نظارت آنلاین بر سیم پیچ های استاتور و روتور

5- تشخیص خطا در PMSM

الف. توسعه مدل شبکه عصبی

ب. مدل آموزشی ANN

6- توصیف محیط آزمایشی

الف. نتایج آموزش

ب. نتایج شبیه سازی خطا

7- نتیجه گیری

منایع 

فهرست انگلیسی مطالب

Abstract

I. INTRODUCTION

II. I. INTRODUCTION

A. Organization

B. Winding Insulation System Testing

C. Types of Tests

III. FAILURE PROCESSES FOR ELECTRICAL MACHINES

A. Thermal Overloading

B. Thermal Cycling

C. Repetitive Voltage Surges

D. Round and Salient Pole Rotor Failure Processes

E. Wound and Squirrel Cage Induction Machine Rotor Winding Failure Processes

IV. CONDITION TESTING AND MONITORING

A. Online Monitoring for Stator and Rotor Windings

V. FAULT DETECTION IN PMSM

A. Neural Network Model Development

B. ANN Model Training

VI. DESCRIPTION OF EXPERIMENTAL SETUP

A. Training Results

B. Fault Simulation Results

VII. CONCLUSION

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۳۳,۲۰۰ تومان
خرید محصول