استخراج ویژگی به کمک یادگیری عمیق برای تشخیص و دسته بندی خطاهای مکانیکی یاتاقان در ماشین های القایی قفس سنجابی
یاتاقان ها یکی از مهمترین اجزای است که در پیشرانه های ماشین های الکتریکی مورد استفاده قرار می گیرد. تشخیص و دسته بندی موثر و زودهنگام خطای یاتاقان برای نگهداری پیشرانه یک سیستم الکترومکانیکی بسیار حایز اهمیت خواهد بود. با پیشرفت در سیستم های اندازه گیری و دیجیتال، داده های گسترده و حجیم به صورت زمان-حقیقی در ماشین های الکتریکی در دسترس خواهد بود. با توجه به اینکه تشخیص خطا به کمک روش های مرسوم پردازش سیگنال از سیگنال استخراج شده ممکن است به دلایل مختلفی همچون سطح اغتشاش، فرکانس های طبیعی سیستم، اشباع هسته، شدت خطا و میزان گشتاور مقاوم امکان پذیر نباشد، روش های یادگیری عمیق در این راستا مورد توجه قرار گرفته اند. در این مقاله شبکه عمیق یادگیری سری زمانی برای پایش وضعیت یاتاقان در ماشین های الکتریکی به منظور دسته بندی و شناسایی نوع خطا استفاده شده است. نتایج به دست آمده با روش های موجود و مرسوم بر روی داده های عملی مورد مقایسه قرار گرفته است. نتایج بدست آمده از داده های عملی نشان می دهد که روش یادگیری عمیق ارایه شده با دقت بالای 90 درصد امکان شناسایی و دسته بندی خطای یاتاقان را داراست.
خطای مکانیکی ، شکستگی ، ترک ، یاتاقان ، پایش وضعیت
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.