شناسایی خطاهای بلبرینگ با استفاده از طرح نظارتی دارای شرایط جدید
چکیده
خراب شدن بلبرینگ رایج ترین منبع خطا در ماشین های الکتریکی است. این مقاله طرح نظارتی جدیدی را به کار می گیرد که برای تشخیص خطاهای بلبرینگ به کار می رود. جدای از شناسایی خطاهای محلی، یعنی خطای بلبرینگ هایی با یک نقطه تماس و خطای مسیر گردش، و همچنین شناسایی اثرات توزیع شده را نیز در نظر می-گیرد، مانند زبری. امروزه توسعه روش های تشخیصی با توجه به هر دو نوع خطای بلبرینگ موضوع مورد توجه در تشخیص خطای ماشین های الکتریکی است. ابتدا، این روش مهم ترین ویژگی های آماری-زمانی محاسبه شده از سیگنال ارتعاش را تحلیل می کند. سپس از تغییر تحلیل مؤلفه منحنی شکل، روش یادگیری چندمنظوره غیرخطی، برای فشرده سازی و تجسم سایر ویژگی های رفتاری استفاده می کند. این باعث تفسیر پدیده فیزیکی زیرساختی می شود. این روش ابزاری بسیار قوی و امیدبخش در تشخیص ناحیه خطایی است. در نهایت، ساختار شبکه عصبی سلسله مراتبی برای اجرای مرحله طبقه بندی استفاده می شود. اثربخشی شرایط این طرح نظارتی با نتایج آمایشی به دست آمده از شرایط عملیاتی مختلف تأیید می شود.
1- مقدمه
پایایی HE درایوهای الکتریکی حوزۀ گسترده ای برای صرفه جویی در هزینه ها و نگهداری است، چون در کاربردهای مهم به عملکردی ایمن نیاز داریم. می دانیم که بلبرینگ ها یکی از رایج ترین منابع خطا در سیستم های الکترومکانیکی است. نقص های بلبرینگ به صورت محلی (اساساً به علت شکستگی، چاله و گودال) و توزیع شده (از جمله زبری سطح، رینگ موجی یا ناسازگار) دسته بندی شده اند. خطاهای محلی بلبرینگ با توجه به جایگاه این خطای خاص در: رینگ داخلی، رینگ بیرونی و ساچمه تقسیم می شوند. در مقابل، در خطای زبری کلی، سطح بلبرینگ در ناحیه ای بزرگ به طور قابل توجهی فرسایش می یابد و زبر، نامنظم و بدشکل می شود.
Abstract
Bearing degradation is the most common source of faults in electrical machines. In this context, this work presents a novel monitoring scheme applied to diagnose bearing faults. Apart from detecting local defects, i.e., single-point ball and raceway faults, it takes also into account the detection of distributed defects, such as roughness. The development of diagnosis methodologies considering both kinds of bearing faults is, nowadays, subject of concern in fault diagnosis of electrical machines. First, the method analyzes the most significant statistical-time features calculated from vibration signal. Then, it uses a variant of the curvilinear component analysis, a nonlinear manifold learning technique, for compression and visualization of the feature behavior. It allows interpreting the underlying physical phenomenon. This technique has demonstrated to be a very powerful and promising tool in the diagnosis area. Finally, a hierarchical neural network structure is used to perform the classification stage. The effectiveness of this condition-monitoring scheme has been verified by experimental results obtained from different operating conditions.
I. INTRODUCTION
THE reliability of electrical drives is an extensively investigated field for cost and maintenance savings, but also because a safe operation is desired in critical applications [1]-[4]. It is well known that the bearings represent one of the most common sources of faults in electromechanical systems [5]-[8]. Bearing defects have been categorized as local (due to cracks, pits and spalls, basically) and distributed (including surface roughness, waviness and misaligned races) [9], [10]. Localized bearing faults are classified by the fault specific location in: inner race, outer race and ball. Conversely, in generalized roughness fault, the bearing surface has been degraded considerably over a large area and becomes rough, irregular, or deformed [11].
چکیده
1- مقدمه
2- اجرای CCA برای ساختارهای طبقه بندی خطا
3- روش شناسی تشخیصی
الف. محاسبه ویژگی ها
ب. انتخاب ویژگی
ج. استخراج ویژگی
د. طبقه بندی
4- نتایج آزمایشی
الف. معتبر سازی روش پیشنهادی با استفاده از آزمایش
ب. معتبر سازی روش پیشنهادی با استفاده از آزمایش که این روش در دامنه پایین تر شرایط عملیاتی به‌کاررفته
5- نتیجه گیری
Abstract
I. INTRODUCTION
II. CCA IMPLEMENTATION FOR FAULT CLASSIFICATION STRUCTURES
III. DIAGNOSIS METHODOLGY
IV. EXPERIMENTAL RESULTS
V. CONCLUSIONS
- 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