شناسایی خطاهای بلبرینگ با استفاده از طرح نظارتی دارای شرایط جدید
ترجمه شده

شناسایی خطاهای بلبرینگ با استفاده از طرح نظارتی دارای شرایط جدید

عنوان فارسی مقاله: شناسایی خطاهای بلبرینگ با استفاده از طرح نظارتی دارای شرایط جدید بر مبنای ویژگی-های زمانی-آماری و شبکه های عصبی
عنوان انگلیسی مقاله: Bearing Faults Detection by a Novel Condition Monitoring Scheme based on Statistical-Time Features and Neural Networks
مجله/کنفرانس: نتایج به دست آمده در جوزه الکترونیک صنعتی - Transactions on Industrial Electronics
رشته های تحصیلی مرتبط: مهندسی برق
گرایش های تحصیلی مرتبط: ماشین های الکتریکی، مهندسی کنترل و سیستم های قدرت
کلمات کلیدی فارسی: بلبرینگ، الگوریتم های طبقه بندی، شرایط نظارتی، تشخیص خطا، استخراج ویژگی، موتورهای القایی، شبکه های عصبی، ارتعاشات
کلمات کلیدی انگلیسی: Ball bearings, Classification algorithms, Condition monitoring, Fault diagnosis, Feature extraction, Induction motors, Neural networks, Vibrations
نمایه: scopus - master journals - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1109/TIE.2012.2219838
دانشگاه: گروه مهندسی برق، دانشگاه فنی کاتالونیا (UPC)، مرکز تحقیقات MCIA، اسپانیا
ناشر: آی تریپل ای - IEEE
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2012
ایمپکت فاکتور: 7.050 در سال 2017
شاخص H_index: 217 در سال 2019
شاخص SJR: 2.192 در سال 2019
شناسه ISSN: 0278-0046
شاخص Quartile (چارک): Q1
صفحات مقاله انگلیسی: 10
صفحات ترجمه فارسی: 22
فرمت مقاله انگلیسی: PDF
فرمت ترجمه فارسی: ورد و pdf
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
ترجمه شده از: انگلیسی به فارسی
آیا این مقاله بیس است: بله
آیا منابع داخل متن درج یا ترجمه شده است: خیر
آیا توضیحات زیر تصاویر و جداول ترجمه شده است: بله
آیا متون داخل تصاویر و جداول ترجمه شده است: خیر
کد محصول: 9484
ترجمه فارسی فهرست مطالب

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

فهرست انگلیسی مطالب

 Abstract


I. INTRODUCTION


II. CCA IMPLEMENTATION FOR FAULT CLASSIFICATION STRUCTURES


III. DIAGNOSIS METHODOLGY


IV. EXPERIMENTAL RESULTS


V. CONCLUSIONS

نمونه ترجمه فارسی مقاله

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.

نمونه متن انگلیسی مقاله

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].

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: ۲۹,۶۰۰ تومان
خرید محصول
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

شناسایی خطاهای بلبرینگ با استفاده از طرح نظارتی دارای شرایط جدید
مشاهده خریدهای قبلی
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی
پیوندها