فهرست مطالب نویسنده:
کاترین خلیفه زاده
-
در این مقاله از روش کلاس بندی درخت مدلی لجستیک برای تشخیص هوشمند عیوب چرخ دنده های مارپیچی توسط سیگنالهای آکوستیک امیشن استفاده شده است. به این منظور تحلیل سیگنالهای آکوستیک امیشن ناشی از عیوب چرخ دنده با استفاده از تبدیل بسته ویولت انجام شده است تا بدین طریق ویژگی های متمایز کننده ای در محدوده های فرکانسی مختلف سیگنال به منظور شناسایی آسیب های وارده یافته شود. ویژگی های بسیاری در هر یک از زیرباندهای سیگنال تجزیه شده محاسبه و به کمک الگوریتم های ارزیابی ویژگی، از میان انبوهی از ویژگی ها، مناسبترین شان که دقت تشخیص بالاتر را فراهم آورده اند، تعیین شده اند. در طبقه بندی این سیگنالها از درخت مدلی لجستیک استفاده شده است. دقت تشخیص در شناسایی چرخ دنده های سالم و معیوب 99% و برای انواع کلاسهای معیوب بیش از 80% است.
کلید واژگان: آزمون غیرمخرب, آکوستیک امیشن, تبدیل ویولت, عیب یابی چرخ دنده, درخت مدلی لجستیکGearbox is a main component of rotating machines. Any fault in gearboxes not detected and removed on time, results in stopping the system or damaging it. So, early detection of faults is of critical importance. Here, in order to automatic detection of gear faults based on Acoustic emission signals Logistic Model Tree (LMT) classification method isapplied. Wavelet transform is used to analyse Acoustic Emission signals recorded from a defected gear. Then, some discriminative features are extracted from different frequency bands. From many different extracted features, the most relevant ones are selected using feature selection algorithms. At last, a Logistic Model Tree is used to classify theundefected and defected gears; also, the types of defects are recognized. Undefected and defected gears are discriminated with 99% of accuracy and types of defects are correctly identified with the rate of 80%. -
در این مقاله از خوشه بندیFCM برای طبقه بندی سیگنالهای AE متناظر با منابع تولید سیگنالها استفاده شده است. خوشه بندی مبتنی بر منطق فازی به آشکار کردن خوشه ها به روش بدون ناظر می پردازد و برای هر خوشه یک مرکز فرضی در نظر می گیرد. FCM به دلیل توانایی اش در کلاس بندی داده ها، حتی در جایی که مرزهای بین زیر گروه ها همپوشانی دارند، مورد توجه قرار گرفته است. تکنیکهای بر پایه FCM بر سایر فنون آماری مرسوم مانند MLC و NN مزیت دارند، زیرا آنها مستقل از نحوه توزیع داده ها هستند و هیچ دانشی درباره نحوه توزیع داده ها لازم نیست. در این تحقیق از آزمون استاندارد استاتیکی نمونه U شکل فولاد زنگ نزن304 در دو محیط خورنده مختلف (%5 HCl، %5 H2SO4) برای تشخیص دو نوع سازوکار خوردگی تحت تنش: 1- حل شدن آندی 2- هیدروژن تردی استفاده شده است و با بررسی و آنالیز سیگنالهای آکوستیک امیشن حاصل و استفاده از روش خوشه بندی FCM به تمایز سیگنالهای این دو سازوکار می پردازیم. سه عامل میانگین فرکانس، بیشینه دامنه و شمارش پالسها برای آموزش و ارزیابی FCM به کار رفته اند.
کلید واژگان: آکوستیک امیشن, خوردگی تحت تنش, خوشه بندی فازی
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.
©2000-2025 magiran.com All Rights Reserved.