به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
فهرست مطالب نویسنده:

armin fahandezh

  • آرمین فهندژ، عباس روحانی*، مصطفی عابدی

    امروزه نظارت بر وضعیت ماشین آلات و تشخیص هوشمند عیوب برای تولیدات صنعتی نقش بسیار پراهمیتی را داراست. روش های هوش مصنوعی برای پایش در مقیاس های بزرگ (کلان داده [i]) بدون هیچ گونه فرض آماری در مورد داده ها می توانند به درستی عمل کنند. در این پژوهش مقایسه دو روش شبکه عصبی مصنوعی عمیق و شبکه عصبی پیچشی [ii] در طبقه بندی عیوب جعبه دنده انجام شده است. در روش شبکه عصبی مصنوعی عمیق ویژگی ها از سیگنال زمانی شتاب استخراج شده و در روش دیگر از خود سیگنال به عنوان ورودی استفاده شده است. به طور خلاصه از این روش ها برای طبقه بندی 9 حالت معیوب و یک حالت سالم در 6 ترکیب سرعت و بار متفاوت استفاده و با یکدیگر مقایسه شده است و سپس به بیان اثر چالش هایی از قبیل طول پنجره، ضریب یادگیری و تعیین تعداد ویژگی ها و چگونگی برطرف کردن آنها پرداخته شده است. در انتها با قیاس نتایج به دست آمده از هر دو روش این نتیجه حاصل شد که قدرت تشخیص شبکه عصبی پیچشی در این مورد بهتر از روش دیگر است.

    کلید واژگان: شبکه عصبی پیچشی، یادگیری عمیق، ارتعاش، جعبه دنده، عیب یابی
    Armin Fahandezh, Mostafa Abedi

    Condition monitoring and fault diagnosis of large industrial equipment has become very important role nowadays. Powerful artificial intelligent methods can be appropriately used on big data without any further statistical assumption. In this research, two compromising methods including deep neural network and convolutional neural network have been used to classify faults of a laboratory gearbox. Both networks have been used to classify nine faulty classes and one healthy class of the gearbox using vibration signal. The data have been collected at six different load and speed combinations. The measured time domain vibration signal was used as neural network input. The classification accuracy of both methods have been obtained. The effect of challenging parameters such as window size, learning rate and number of extracted features on the classification accuracy have been studied. Finally after the comparison of the results, it was concluded that the accuracy of the convolutional neural network was superior.

    Keywords: Convolotional neural network, Deep Learning, Vibration, Gearbox, Fault diagnosis
بدانید!
  • در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
  • همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
  • در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال