کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4976748 1451836 2018 28 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A review on data-driven fault severity assessment in rolling bearings
ترجمه فارسی عنوان
بررسی در مورد ارزیابی شدت خطای داده ها در بلبرینگ نورد
کلمات کلیدی
یاطاقان نورد، شدت گسل، ارزیابی گسل، اندازه گسل، تشخیص کمی
ترجمه چکیده
نظارت بر وضعیت سلامت ماشین آلات دوار یک وظیفه حیاتی برای اطمینان از اطمینان در فرایندهای صنعتی است. به طور خاص، بلبرینگ اجزای مکانیکی مورد استفاده در اغلب دستگاه های چرخشی است و آنها منبع اصلی گسل ها در چنین تجهیزات هستند؛ دلیل اینکه فعالیت های تحقیقاتی در تشخیص و تشخیص خطاهای آنها افزایش یافته است. تشخیص گسل به منظور شناسایی اینکه آیا دستگاه در شرایط گسل قرار دارد یا خیر، تشخیص داده می شود و تشخیص معمولا به شناسایی حالت گسل دستگاه پس از تشخیص می انجامد. یک گام مهم بعد از تشخیص و تشخیص خطا، تجزیه و تحلیل مقدار یا سطح تخریب گسل است، زیرا این نشان دهنده حمایت از فرایند تصمیم گیری در شرایط نگهداری بر اساس شرایط است. با این حال، هیچ آثاری گسترده برای تجزیه و تحلیل این مشکل اختصاص ندارد، یا برخی از آثار آن را از نقطه تشخیص خطا در نظر می گیرند. در حالت خشن، شدت خطا با مقدار خطا همراه است. در بلبرینگ، شدت خطا می تواند به اندازه فیزیکی خطا یا تخریب کلی اجزاء مربوط باشد. با توجه به ادبیات مربوط به ارزیابی شدت آسیب رساندن محدود، این مقاله به بحث در مورد روش ها و تکنیک های اخیر مورد استفاده برای ارزیابی شدت گسل در اجزای اصلی یاتاقان های نورد مانند نژاد درونی، نژاد بیرونی و توپ می پردازد. این بررسی عمدتا بر روی رویکردهای داده ای نظیر پردازش سیگنال برای استخراج علامت های مربوط به خطای مربوط به تخریب خسارت و رویکردهای یادگیری است که برای شناسایی الگوهای تخریب با توجه به شرایط بهداشتی مورد استفاده قرار می گیرند. در نهایت، چالش های جدید به منظور ایجاد مشارکت های جدید در این زمینه برجسته می شوند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر پردازش سیگنال
پیش نمایش مقاله
بررسی در مورد ارزیابی شدت خطای داده ها در بلبرینگ نورد
چکیده انگلیسی
Health condition monitoring of rotating machinery is a crucial task to guarantee reliability in industrial processes. In particular, bearings are mechanical components used in most rotating devices and they represent the main source of faults in such equipments; reason for which research activities on detecting and diagnosing their faults have increased. Fault detection aims at identifying whether the device is or not in a fault condition, and diagnosis is commonly oriented towards identifying the fault mode of the device, after detection. An important step after fault detection and diagnosis is the analysis of the magnitude or the degradation level of the fault, because this represents a support to the decision-making process in condition based-maintenance. However, no extensive works are devoted to analyse this problem, or some works tackle it from the fault diagnosis point of view. In a rough manner, fault severity is associated with the magnitude of the fault. In bearings, fault severity can be related to the physical size of fault or a general degradation of the component. Due to literature regarding the severity assessment of bearing damages is limited, this paper aims at discussing the recent methods and techniques used to achieve the fault severity evaluation in the main components of the rolling bearings, such as inner race, outer race, and ball. The review is mainly focused on data-driven approaches such as signal processing for extracting the proper fault signatures associated with the damage degradation, and learning approaches that are used to identify degradation patterns with regards to health conditions. Finally, new challenges are highlighted in order to develop new contributions in this field.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Mechanical Systems and Signal Processing - Volume 99, 15 January 2018, Pages 169-196
نویسندگان
, , , , , , ,