کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6955576 | 1451860 | 2016 | 24 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Customized maximal-overlap multiwavelet denoising with data-driven group threshold for condition monitoring of rolling mill drivetrain
ترجمه فارسی عنوان
انحنای چند لایه حداکثر همپوشانی سفارشی با آستانه گروهی مبتنی بر داده ها برای نظارت بر وضعیت رانندگی نورد
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
نظارت بر وضعیت، چند وویلی حداکثر همپوشانی سفارشی، غلتک غلتک، آستانه گروه داده محور
ترجمه چکیده
به موقع شناسایی خطا از درایو نورد نورد برای تضمین کیفیت محصول و اجرای عملیات ایمن در طول عمر قابل توجه است. بنابراین سیستم نظارت بر وضعیت دنده نورد نورد طراحی و توسعه داده می شود. با این حال، به دلیل اینکه اطلاعات مربوط به گسل مرکب و گسل ضعیف معمولا در سر و صدای پس زمینه سنگین به هم متصل می شوند، این کار هنوز با چالش مواجه است. این مقاله امکان شناسایی خطا درایوهای میل نورد را با پیشنهاد روش متداول چند وویلی حداکثر همپوشانی سفارشی فراهم می کند. اثربخشی روش تخلیه موجک عمدتا به انتخاب مناسب مناسب پایه موجک، استراتژی تبدیل و قانون آستانه بستگی دارد. اول، به منظور تحقق دقیق تطبیق و تشخیص دقیق از ویژگی گسل، تابع مبنای چند وویلی سفارشی توسط طرح بلندپروازی متقارن ساخته می شود و سپس سیگنال ارتعاش با تبدیل چند وویلی حداکثر همپوشانی پردازش می شود. سپس براساس وابستگی فضایی ضرایب تبدیل چند وجهی، استراتژی انقباض آستانه گروهی بر اساس داده محور مکانی فضایی با انتخاب طول و آستانه حداکثر گروه از طریق حداقل برآورد ریسک بی طرفانه استین، طراحی شده است. اثربخشی روش پیشنهادی ابتدا از طریق شناسایی خطای ترکیب چرخ دنده کاهش در ماشین نورد نشان داده شده است. سپس آن را برای شناسایی ضعف ضعیف از خم شدن فن تحمل در کارخانه نورد اعمال می شود و نتایج پشتیبانی از امکان پذیری آن.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
پردازش سیگنال
چکیده انگلیسی
Fault identification timely of rolling mill drivetrain is significant for guaranteeing product quality and realizing long-term safe operation. So, condition monitoring system of rolling mill drivetrain is designed and developed. However, because compound fault and weak fault feature information is usually sub-merged in heavy background noise, this task still faces challenge. This paper provides a possibility for fault identification of rolling mills drivetrain by proposing customized maximal-overlap multiwavelet denoising method. The effectiveness of wavelet denoising method mainly relies on the appropriate selections of wavelet base, transform strategy and threshold rule. First, in order to realize exact matching and accurate detection of fault feature, customized multiwavelet basis function is constructed via symmetric lifting scheme and then vibration signal is processed by maximal-overlap multiwavelet transform. Next, based on spatial dependency of multiwavelet transform coefficients, spatial neighboring coefficient data-driven group threshold shrinkage strategy is developed for denoising process by choosing the optimal group length and threshold via the minimum of Stein's Unbiased Risk Estimate. The effectiveness of proposed method is first demonstrated through compound fault identification of reduction gearbox on rolling mill. Then it is applied for weak fault identification of dedusting fan bearing on rolling mill and the results support its feasibility.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Mechanical Systems and Signal Processing - Volumes 68â69, February 2016, Pages 44-67
Journal: Mechanical Systems and Signal Processing - Volumes 68â69, February 2016, Pages 44-67
نویسندگان
Jinglong Chen, Zhiguo Wan, Jun Pan, Yanyang Zi, Yu Wang, Binqiang Chen, Hailiang Sun, Jing Yuan, Zhengjia He,