پیوندهای مفید
آمار
| تعداد نشریات | 7 |
| تعداد شماره‌ها | 399 |
| تعداد مقالات | 5,389 |
| تعداد مشاهده مقاله | 5,288,012 |
| تعداد دریافت فایل اصل مقاله | 4,882,750 |
عیب یابی و پایش وضعیت بلوئر لکوموتیوهای آلستوم با استفاده از آنالیز ارتعاشات و ماشین بردار پشتیبان | ||
| نشریه مهندسی مکانیک امیرکبیر | ||
| مقاله 6، دوره 54، شماره 8، آبان 1401، صفحه 1833-1850 اصل مقاله (997.13 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/mej.2022.21122.7393 | ||
| نویسندگان | ||
| مهدی زکی زاده1؛ علی جمالی1؛ منصور رفیعیان* 2؛ حمید سعیدی3؛ علی چائی‌بخش1 | ||
| 1دانشکده مهندسی مکانیک، دانشگاه گیلان، گیلان، ایران | ||
| 2دانشکده مهندسی مکانیک، دانشگاه یزد، یزد، ایران | ||
| 3دانشکده مهندسی برق، دانشگاه یزد، یزد، ایران | ||
| چکیده | ||
| آنالیز ارتعاشات از کاربردی‌ترین روش‌های پایش وضعیت و عیب‌یابی تجهیزات دوار است. در این تحقیق با استفاده از آنالایزر ارتعاشات و الگوریتم ماشین بردار پشتیبان روشی جهت پایش وضعیت و عیب‌یابی بلوئر لکوموتیوهای آلستوم ارائه شده است. جهت انجام این تحقیق ابتدا از بلوئرها داده‌برداری ارتعاشی شده و سیگنال‌های دریافتی در چهار گروه بلوئرهای سالم و با عیوب نابالانسی، لقی‌پایه و تاب‌پره دسته‌بندی شدند. سپس از سیگنال‌های دریافتی تعداد 16 ویژگی فرکانسی و زمانی استخراج شدند. در سیستم‌های دوار توجه به نسبت شدت ارتعاشات در هارمونیک‌های دور تجهیز، می‌تواند به فرایند تشخیص عیب کمک کند، بنابراین نسبت تمام ویژگی‌ها به هم محاسبه و به عنوان ویژگی‌های جدید تعریف شدند. تعداد زیاد ویژگی در بعضی مواقع باعث پایین آمدن دقت شبکه می‌شود، به همین دلیل داخل الگوریتم ماشین بردار پشتیبان یک فیلتر آزمون تی، جهت انتخاب ویژگی، قرار داده شد. نتایج به دست آمده نشان می‌دهد، فیلتر آزمون تی باعث افزایش دقت طبقه‌بندی الگوریتم ماشین بردار پشتیبان می‌شود. در انتها عملکرد انتخاب ویژگی این شبکه با انتخاب ویژگی توسط الگوریتم ژنتیک مقایسه شده که نتایج نشان می‌دهد در طبقه‌بندی عیوب بلوئر، شبکه‌ی طراحی شده در این تحقیق عملکرد بهتری در انتخاب ویژگی نسبت به الگوریتم ژنتیک دارد. | ||
| کلیدواژه‌ها | ||
| آنالیز ارتعاشات؛ پردازش سیگنال؛ ماشین بردار پشتیبان؛ آزمون تی؛ بلوئر | ||
| عنوان مقاله [English] | ||
| Monitoring and Troubleshooting Alstom Locomotive Blowers using Vibration Analysis and Support Vector Machine | ||
| نویسندگان [English] | ||
| Mahdi Zakizadeh1؛ Ali Jamali1؛ Mansoor Rafeeyan2؛ Hamid Saeedi3؛ Ali Chaibakhsh1 | ||
| 1Department of Mechanical Engineering, Guilan University, Guilan, Iran | ||
| 2Faculty of Mechanical Engineering, Yazd University, Yazd, Iran | ||
| 3Faculty of Electrical Engineering, Yazd University, Yazd, Iran | ||
| چکیده [English] | ||
| Vibration analysis is one of the most practical methods for monitoring and troubleshooting rotating equipment. In this research, vibration analysis and support vector machine algorithms were used for monitoring and troubleshooting Alstom locomotive blowers. First, vibration data were collected from the blowers and the received signals were categorized into four groups: healthy blowers and blowers with problems of unbalance, loose shaft (base), and warped blades. Sixteen frequency and time features were then extracted from the received signals. Because in rotating systems, the ratio of the intensity of vibrations in the harmonics of the rotation of the machine can help diagnose the faults, the ratios of all features were calculated and defined as new features. The accuracy of the network can be sometimes lowered by the multitude of features, thus, a t-test filter was inserted into the support vector machine algorithm to select the features. The results show that the t-test filter increased the accuracy of the support vector machine algorithm. Finally, the feature selection of this network was compared with the feature selection by the genetic algorithm. The results show that the network designed in this research has a better performance in feature selection than the genetic algorithm. | ||
| کلیدواژه‌ها [English] | ||
| Vibration analysis, Signal processing, Support vector machine, T test, Blower | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
[1] R.K. Mobley, Condition based maintenance, in: Handbook of Condition Monitoring, Springer, 1998, pp. 35-53. [2] N. Jones, Y.H. Li, A review of condition monitoring and fault diagnosis for diesel engines, Tribotest, 6(3) (2000) 267-291. [3] C.M. Harris, A.G. Piersol, Harris' shock and vibration handbook, McGraw-Hill New York, 2002. [4] C.W. De Silva, Vibration and shock handbook, CRC press, 2005. [5] J. Mehta, A. Kailey, Mechanical Vibrations, S. Chand Publishing, 2016. [6] Q. Miao, M. Azarian, M. Pecht, Cooling fan bearing fault identification using vibration measurement, in: 2011 IEEE Conference on Prognostics and Health Management, IEEE, 2011, pp. 1-5. [7] M.A.A. Elmaleeh, N.B. Saad, A study of acoustic emission technique on incipient detection of rotating machine faults, in: 2008 10th International Conference on Control, Automation, Robotics and Vision, IEEE, 2008, pp. 1965-1970. [8] P. Li, L. Pang, Z. Lin, Vibration fault diagnosis and dynamic balance processing analysis of blower in thermal power plant, in: IOP Conference Series: Earth and Environmental Science, IOP Publishing, 2020, pp. 012110. [9] M. Poongodi, A. Sharma, V. Vijayakumar, V. Bhardwaj, A.P. Sharma, R. Iqbal, R. Kumar, Prediction of the price of Ethereum blockchain cryptocurrency in an industrial finance system, Computers & Electrical Engineering, 81 (2020) 106527. [10] G. Rathee, A. Sharma, R. Kumar, F. Ahmad, R. Iqbal, A trust management scheme to secure mobile information centric networks, Computer Communications, 151 (2020) 66-75. [11] N. Saravanan, K. Ramachandran, Incipient gear box fault diagnosis using discrete wavelet transform (DWT) for feature extraction and classification using artificial neural network (ANN), Expert systems with applications, 37(6) (2010) 4168-4181. [12] L. You, W. Fan, Z. Li, Y. Liang, M. Fang, J. Wang, A fault diagnosis model for rotating machinery using VWC and MSFLA-SVM based on vibration signal analysis, Shock and vibration, (2019). [13] R. Zhao, R. Yan, Z. Chen, K. Mao, P. Wang, R.X. Gao, Deep learning and its applications to machine health monitoring, Mechanical Systems and Signal Processing, 115 (2019) 213-237. [14] J. Gu, Z. Wang, J. Kuen, L. Ma, A. Shahroudy, B. Shuai, T. Liu, X. Wang, G. Wang, J. Cai, Recent advances in convolutional neural networks, Pattern recognition, 77 (2018) 354-377. [15] W. Zhang, X. Li, Q. Ding, Deep residual learning-based fault diagnosis method for rotating machinery, ISA transactions, 95 (2019) 295-305. [16] X. Li, J. Li, Y. Qu, D. He, Gear pitting fault diagnosis using integrated CNN and GRU network with both vibration and acoustic emission signals, Applied Sciences, 9(4) (2019) 768. [17] Y.E. Karabacak, N.G. Özmen, L. Gümüşel, Intelligent worm gearbox fault diagnosis under various working conditions using vibration, sound and thermal features, Applied Acoustics, 186 (2022) 108463. [18] H.G. Bramhall Moor Lane, Alstom Maintenance Manual, 2002. [19] SPM Instrument, Leonova Diamond, User Guide, 2017. [20] C. Cortes, V. Vapnik, Support-vector networks, Machine learning, 20(3) (1995) 273-297. [21] M. Zbigniew, Genetic algorithms+ data structures= evolution programs, in: Computational Statistics, Springer-Verlag, 1996, pp. 372-373. [22] Z. Michalewicz, D. Dasgupta, R.G. Le Riche, M. Schoenauer, Evolutionary algorithms for constrained engineering problems, Computers & Industrial Engineering, 30(4) (1996) 851-870. | ||
|
آمار تعداد مشاهده مقاله: 373 تعداد دریافت فایل اصل مقاله: 671 |
||
