کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7120618 1461462 2018 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Compound gear-bearing fault feature extraction using statistical features based on time-frequency method
ترجمه فارسی عنوان
استخراج ویژگی گسل متحرک چرخ دنده با استفاده از ویژگی های آماری بر اساس روش فرکانس زمان
کلمات کلیدی
گسل متحرک چرخ دنده، استخراج ویژگی، گسل های چندگانه، تجزیه و تحلیل ارتعاش، تبدیل موجک،
ترجمه چکیده
گسل کوچک درگیر در چرخ دنده و بلبرینگ باعث گسل های متعدد در سیستم دنده ای می شود که منجر به شکست فاجعه بار می شود. هدف از مطالعه حاضر بررسی وضعیت پیچیده تر گسل دنده مرکب است. گسل های مرکب مانند خطا در نژاد درونی و بیرونی تحمل همراه با دو دندان دنده دارای آسیب زاویه یا سه دندان دنده دارای آسیب زاویه ای و غیره با استفاده از آزمایشات مورد بررسی قرار می گیرند. برای بهبود اثربخشی تشخیص، اندازه گیری ارتعاش با سرعت و شرایط بار مختلف انجام می شود. در این مقاله، ویژگی های جدید گسل ترکیب، استخراج شده از تبدیل موجک پیوسته و گسسته سیگنال ارتعاش ارائه شده است. این روش شامل پیشنهاد ویژگی در حوزه فرکانس زمان و مقایسه پتانسیل تشخیص آن با توجه به ویژگی های استخراج شده از زمان و دامنه فرکانس برای شناسایی گسل ترکیب با استفاده از سه طبقه بندی متفاوت است. دقت طبقه بندی خطاهای این ویژگی ها بهتر از پارامترهای دامنه زمانی و فرکانس معمول است.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی کنترل و سیستم های مهندسی
پیش نمایش مقاله
استخراج ویژگی گسل متحرک چرخ دنده با استفاده از ویژگی های آماری بر اساس روش فرکانس زمان
چکیده انگلیسی
A small incipient fault in gear and bearing causes multiple faults in gear-bearing system leading to catastrophic failure. The purpose of present study is to explore more complex situation of compound gear-bearing fault. The compound faults such as a fault in the inner and outer race of bearing along with two teeth of gear having corner damage or three teeth of gear having corner damage, etc. are investigated using experimentation. To improve the effectiveness of diagnosis, vibration measurement is done at different speed and load condition. This paper proposes new compound fault features, extracted from continuous and discrete wavelet transform of vibration signal. The methodology consist of proposing the features in time-frequency domain and comparison of its diagnostic potential with respect to the features extracted from time and frequency domain for compound fault identification using three different classifiers. The fault classification accuracy of these features is found to be better than the conventional time and frequency domain parameters.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Measurement - Volume 125, September 2018, Pages 63-77
نویسندگان
, ,