کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6883337 1444171 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Study on rolling bearing on-line reliability analysis based on vibration information processing
ترجمه فارسی عنوان
بررسی تحلیلی قابلیت اطمینان نورد بر روی خط بر اساس پردازش اطلاعات ارتعاش
کلمات کلیدی
تحمل نورد، سیگنال ارتعاش قابلیت اطمینان، تشخیص گسل،
ترجمه چکیده
شکست نورد نورد مهمترین دلیل شکست و شکست ماشین آلات چرخش است. به عنوان سیگنال ارتعاش بلبرینگ پر از ویژگی های دوره ای و غیر خطی است، با استفاده از روش های معمول دامنه زمانی یا فرکانس دامنه نمی تواند به راحتی برآورد دقیق برای شرایط سالم تحمل کند. در مقاله، رویکرد تشخیصی خطا کارآمد و مؤثر به منظور تطابق با الزامات مورد نیاز برای نظارت بر زمان واقعی و تخمین دقیق انواع گسل ها و شدت آنها پیشنهاد شده است. اولا، یک الگوریتم استخراج ویژگی چهار بعدی با استفاده از تئوری های ضریب آنتروپی و هولد برای استخراج ویژگی های وضعیت سلامت از سیگنال های ارتعاش پیشنهاد شده است و دوم، الگوریتم ارتباطات خاکستری برای رسیدن به رسمیت شناختن الگوی خطای تحمل با استفاده از بردارهای ویژگی استخراج شده مورد استفاده قرار گرفت. مطالعات تجربی اثربخشی رویکرد پیشنهادی را در مقایسه با روش های موجود هوش مصنوعی نشان داده است و می تواند برای نظارت بر وضعیت سلامت آنلاین مناسب باشد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر شبکه های کامپیوتری و ارتباطات
پیش نمایش مقاله
بررسی تحلیلی قابلیت اطمینان نورد بر روی خط بر اساس پردازش اطلاعات ارتعاش
چکیده انگلیسی
The failure of rolling bearing is the foremost cause to the failure and breakdown of rotating machines. As the bearing vibration signal is full of periodic and nonlinear characteristics, using common time domain or frequency domain approaches cannot easily make an accurate estimation for the bearing healthy condition. In the paper, an efficient and effective fault diagnostic approach was proposed to accommodate the requirements for both real-time monitoring and accurate estimation of different fault types and their severities. Firstly, a four-dimensional feature extraction algorithm using entropy and Holder coefficient theories was proposed for extracting health status feature vectors from the vibration signals, and secondly a gray relation algorithm was employed for achieving bearing fault pattern recognition intelligently using the extracted feature vectors. The experimental study has illustrated the effectiveness of the proposed approach in comparison with the existing artificial intelligent methods, and can be suitable for on-line health status monitoring.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers & Electrical Engineering - Volume 69, July 2018, Pages 842-851
نویسندگان
, , , ,