مهندسی مکانیک مدرس، جلد ۱۷، شماره ۲، صفحات ۲۴۰-۲۵۰
عنوان فارسی تشخیص هوشمند عیوب رادیاتور خنک کاری مبتنی بر تکنیکهای هوش مصنوعی و پردازش تصاویر گرمایی
چکیده فارسی مقاله در این تحقیق یک سامانه مبتنی بر تلفیق فناوری‌های گرمانگاری و پردازش تصویر برای تشخیص و طبقه‌بندی عیوب مختلف رادیاتور توسعه داده می شود. عیوب متداول در رادیاتور‌های سیستم خنک کاری شامل؛ گرفتگی لوله‌های رادیاتور، گرفتگی شبکه رادیاتور، اتصالات شل بین لوله‌ها و شبکه رادیاتور، نشتی مایع خنک کاری، خرابی درب رادیاتور بصورت مصنوعی ایجاد گردید. به منظور تشخیص عیوب مختلف رادیاتور، از شرایط مختلف رادیاتور معیوب و سالم در سه سطح دمایی، سه سطح دبی جریان سیال خنک کاری در حال گردش و دو سطح سرعت هوای عبوری از شبکه رادیاتور تصاویر گرمایی توسط یک دوربین فروسرخ تهیه شد. پس از پیش پردازش تصاویر گرمایی تهیه شده جهت تجزیه و پردازش چند دقتی از تصاویر مذکور تبدیل موجک در یک سطح تجزیه اعمال گردید. از هر کدام از تصاویر گرمایی مقیاس خاکستری، تصاویر تقریب ، جزئیات افقی، عمودی و قطری تبدیل موجک آن تصویر، ویژگی‌های آماری بافت استخراج گردید. سپس با تلفیق تکنیک‌های هوشمند الگوریتم ژنتیک و شبکه‌های عصبی-فازی تطبیقی (انفیس)، از آن جهت انتخاب ویژگی و ورودی‌های موثر به طبقه‌بند استفاده شد. در نهایت، از انفیس برای طبقه‌بندی تصاویر گرمایی با استفاده از بردار ویژگی‌های مستخرج و منتخب استفاده گردید. برای ارزیابی طبقه‌بند از شاخص‌های آماری صحت، حساسیت و اختصاصی بودن محاسبه شدند. پس از ارزیابی، سامانه‌ پیشنهادی توانست با دقت کلی طبقه‌بندی 94.11 درصد عیوب مختلف رادیاتور سیستم خنک کاری را تشخیص و طبقه‌بندی نماید. بنابراین استفاده از تکنیک پردازش تصاویر گرمایی مبتنی بر هوش مصنوعی برای پایش وضعیت و تشخیص هوشمند عیوب رادیاتور امیدوار کننده است.
کلیدواژه‌های فارسی مقاله رادیاتور، تشخیص عیوب، گرمانگاری، انفیس، الگوریتم ژنتیک،
عنوان انگلیسی Intelligent fault diagnosis of cooling radiator based on thermal image processing and artificial intelligence techniques
چکیده انگلیسی مقاله In this study, an intelligent diagnosis systems have been developed and applied for classifying six types of cooling radiator conditions by means of infrared thermal images; namely, radiator tube blockage, radiator fin blockage, loose connections between fins and tubes, radiator door failure, coolant leakage and normal. The proposed system is consisted of several subsequent procedures including thermal image acquisition, preprocessing, of images via two dimensional discrete wavelet transform (2D-DWT), feature extraction, feature selection, and classification. The 2D-DWT was implemented to decompose the thermal images. Subsequently, statistical texture features were extracted from the original and decomposed thermal images. Consequently, statistical texture features are extracted from the original and decomposed thermal images to develop ANFIS classifiers. In this paper, the significant and relevant features are selected based on genetic algorithm (GA) in order to enhance the performance of ANFIS classifier. For evaluating ANFIS classifier performance, the values of the confusion matrix, such as specificity, sensitivity, precision and accuracy were computed. The overall accuracy of the classifier was 94.11 %. The results demonstrated that this system can be employed satisfactorily as an intelligent condition monitoring and fault diagnosis for a class of cooling radiator.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله امین طاهری گراوند |
دانشگاه لرستان
سازمان اصلی تایید شده: دانشگاه لرستان (Lorestan university)

محمود امید |
دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

حجت احمدی |
دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

سید سعید محتسبی | seyed saeed
دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

جیوانی ماریا کارلومگنو | giovanni maria
دانشگاه ناپل فدریکو ii

نشانی اینترنتی http://mme.modares.ac.ir/article_16259_27cdeaf60cf33fa42f471e06f31d0779.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1256/article-1256-358587.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