این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک امیرکبیر، جلد ۴۵، شماره ۲، صفحات ۱۰۵-۱۱۸
عنوان فارسی استفاده از روش‌های هوشمند فازی- عصبی و شبکه‌های عصبی چند لایه در تشخیص عیوب اصلی ماشین‌های دوار
چکیده فارسی مقاله امروزه عیب­یابی ماشین­های دوار از راه تشخیص علائم شروع و رشد عیب با استفاده از روش های هوشمند، شناسایی علت و قطعات آسیب دیده و پیشگویی میزان عمرکاری باقیمانده ماشین، نقش مهمی در جلوگیری از آسیب­دیدگی شدید ماشین و هزینه­های بالای تعمیرات بر عهده دارند. هدف این تحقیق نیز استفاده از ساختار هوشمند شبکه­های فازی- عصبی و عصبی چند لایه در تشخیص عیوب اصلی ماشین­های دوار از جمله نابالانسی، ناهمراستایی، خرابی بیرینگ و لقی مکانیکی است. لذا در این تحقیق علاوه بر ایجاد روشی خودکار برای تشخیص عیب، در جهت افزایش دقت و سرعت این شبکه­ها نیز تلاش شده است. در این راستا، با استفاده از روش تحلیل اجزای اصلی ابعاد ماتریس ورودی در حد مطلوب کاهش داده شد و نیز کارایی دو شبکه هوشمند فازی- عصبی و عصبی چند لایه، در تشخیص عیوب با یکدیگر مقایسه شد. جهت دست­یابی به هدف فوق، شبکه­های گفته شده با استفاده از بردارهای ویژگی و مشخصات استخراج شده از طیف­های فرکانسی و موج­های زمانی، آموزش دیده شدند. نتایج نشان داد که برای 84 مورد اندازه­گیری نهایی، شبکه­های فازی- عصبی و عصبی چند لایه به ترتیب دارای میانگین 91 و 78 درصد موفقیت در تشخیص درست عیوب بودند.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Implementation of Neuro– Fuzzy and Multi-Layer Perceptron System Intelligent Techniques for Main Fault Diagnosis of Rotating Machinery
چکیده انگلیسی مقاله Nowadays, Fault detection of rotating machinery by diagnosing sings of starting point and growth of defect using intelligent techniques, discovering the defected parts and the reason behind them and prediction of remaining working life of the machine play an important role in preserve the machine from severe defects and the high price of repairing it. The goal of this paper is using the Adaptive Neural - Fuzzy Inference Systems (ANFIS) and Multi-Layer Perceptron (MLP)for detecting the original defects in rotating machinesincluding unbalancing, Bearing defects, Looseness and misalignment. So,in this study addition to the creation of this mechanism for automatic fault diagnosis, improve accuracy and speed of the network was also performed.Therefore, using the Principal Component Analysis (PCA), the input matrix was reduced to acceptable amontand the effectiveness of the ANFIS and MLP networks in detection of defects were compared with each other.To achieve this goal, mentioned networks were trained using feature vectors extracted from the spectrum frequency and waves.The obtained results showed that for 84 final measurements, the ANFIS and MLP networks have 91 and 78 averages percent successful in detecting the defects, respectively. 
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مجید نوری کمری |


غلامحسن پایگانه |


مهرداد نوری خاجوی | nouri khajavi


نشانی اینترنتی http://mej.aut.ac.ir/article_324_5ee972a2aeccddb95565dcf8adad36e9.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1252/article-1252-274216.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات