به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت

جستجوی مقالات مرتبط با کلیدواژه « پایش وضعیت » در نشریات گروه « فنی و مهندسی »

  • سینا صالحی، مجید ساده دل*
    در این پژوهش، مدل ریاضی یک کمپرسور رفت و برگشتی دو مرحله ای و عیوب مرسوم برای استفاده به عنوان سیستم مورد پایش، شبیه سازی شده است. شبکه عصبی مورد استفاده شبکه عصبی احتمالی است که وظیفه اصلی آن طبقه بندی است. کلاس های طبقه بندی شامل یک کلاس کمپرسور سالم و هفت کلاس کمپرسور معیوب است که مجموعا هشت کلاس می باشد. طبقه بندی با شبکه عصبی احتمالی با استفاده از ویژگی های حوزه زمان و طیف پوش فرکانس انجام گرفته شده است. سپس با استفاده از الگوریتم ژنتیک ویژگی های انتخابی قبل از خوراندن به شبکه عصبی احتمالی بهینه سازی شده اند. طبقه بندی با شبکه عصبی احتمالی با استفاده از ویژگی های حوزه زمان درصد طبقه بندی ضعیفی با دقت 44درصد را نشان می دهد. اما طبقه بندی با شبکه عصبی احتمالی و استفاده از ویژگی های طیف پوش دقت 95 درصدی در طبقه بندی صحیح دارد. همچنین بهینه سازی انتخاب ویژگی های آماری حوزه زمان و طیف پوش فرکانس با الگوریتم ژنتیک، به ترتیب 48 و 99 درصد دقت صحیح در طبقه بندی را به همراه دارد.
    کلید واژگان: کمپرسور های رفت و برگشتی, پایش وضعیت, شبکه های عصبی احتمالی, الگوریتم ژنتیک}
    Sina Salehi, Majid Sadedel *
    Demand for cost-effective, reliable operation and safety of machinery, especially reciprocating compressors, which are among the most expensive machines in maintenance, requires accurate troubleshooting and fault classification. Due to their advantages, data-driven methods are often preferred to physical modeling methods for fault detection. This research simulates the mathematical model of a two-stage reciprocating compressor and conventional faults for use as a monitored system. The artificial neural network used is the probabilistic neural network whose main task is classification. Classification classes include one healthy compressor class and seven defective compressor classes for eight classes. Classification with the probabilistic neural network was performed using time domain and envelope spectrum characteristics. Then, the selected features are optimized using a genetic algorithm before feeding into the probabilistic neural network. Classification with the probabilistic neural network using time-domain characteristics shows a poor classification percentage with 44% Correct accuracy. But classification with a probabilistic neural network and envelope spectrum features has a 95% correct classification accuracy. Also, optimizing the selection of statistical features of the time-domain and frequency envelope spectrum with a genetic algorithm brings 48 and 99% correct accuracy in classification, respectively.
    Keywords: Reciprocating compressors, Condition monitoring, probabilistic neural networks, genetic algorithm}
  • سید حمید رفیعی*، منصور اوجاقی، مهدی صبوری
    تحقیقات زیادی در مورد شناسایی خطاهای جداگانه در موتورهای القایی قفس سنجابی انجام شده است. اما تحقیقات بسیار کمی در زمینه خطاهای هم زمان در این نوع موتورها وجود دارد. خطاهای هم زمان می تواند به دلیل نقص در ساخت، مونتاژ، ناهم محوری ذاتی موتور و عدم هم راستایی محورهای موتور و بار ایجاد شود. عدم لحاظ هم زمانی این خطاها، باعث اختلال در سیستم پایش وضعیت موتور می شود. هدف مقاله حاضر، ارائه رویکردی تحلیلی و تجربی جهت تشخیص خطاهای هم زمان ناهم محوری و روتور میله شکسته است. لذا با تحلیل های تئوری مبتنی بر معادلات دینامیکی، روابط تابع سیم پیچ و سری فوریه، چگونگی پیدایش شاخص های فرکانسی در جریان استاتور توسط خطاهای مکانیکی مطالعه شده و شاخص فرکانسی جدیدی جهت شناسایی عیوب هم زمان معرفی می شود. این شاخص در شبیه سازی ها توسط روش های تابع سیم پیچ اصلاحی (MWFA) و اجزای محدود (FE) در بارهای مختلف مورد پایش قرار گرفته و حضور آن در موتورهای سالم و معیوب با اعمال خطاهای جداگانه و هم زمان مطالعه می شود. نتایج شبیه سازی و آزمایشگاهی، توانایی شاخص پیشنهادی را در تفکیک خطاهای هم زمان از سایر موارد اثبات می کند. این روش غیرتهاجمی، کم هزینه و مستقل از بار است و قابلیت اجرا در سیستم پایش هر موتور الکتریکی را دارد.
    کلید واژگان: خطاهای هم زمان مکانیکی, پایش وضعیت, امضای جریان}
    Seyed Hamid Rafiei *, Mansour Ojaghi, Mehdi Sabouri
    Many investigations have been conducted to detect single incipient faults in squirrel cage induction motors. However, there is much less research on detecting and discriminating simultaneous faults within the induction motor. The simultaneous presence of eccentricity fault with some other faults is unavoidable due to some manufacturing imperfections or the possible misalignment of the motor-load shafts. Neglecting the intrinsic eccentricity and simultaneous faults might cause mistakes in the condition motoring of the motor. This article presents an analytical and experimental approach to detecting the simultaneous mix of eccentricity and broken rotor bar faults. Theoretical analyses represented how the indicators appear in the stator current due to mechanical faults according to dynamic equations, MWFA, and Fourier series. Thus, a new frequency indicator was introduced to identify simultaneous faults. The suggestive index is monitored in the modified winding function (MWFA), and finite element (FE) simulations and its amplitude was studied in motors with healthy conditions and separate and simultaneous faults. Simulation and experimental results confirmed the capability of the proposed index to distinguish simultaneous faults from other cases. This method is non-invasive, low-cost, load-independent, and can be implemented in the monitoring system of any motor.
    Keywords: Mechanical simultaneous Faults, Condition Monitoring, current signature}
  • سعید شیروانی شاه عنایتی*
    افزایش دقت در گزارش های واحد پایش وضعیت منجر به کاهش زمان و هزینه تعمیرات و افزایش رضایت و اعتماد مدیریت نسبت به مقوله پایش وضعیت می گردد. به کارگیری هم زمان روش های پایش وضعیت بهترین راه برای اجتناب از ارایه گزارش های ناصحیح، چندپهلو و گمراه کننده است. این مقاله به تشریح سه موردکاوی از دستاوردهای به کارگیری هم زمان روش های پایش وضعیت در عیب یابی تجهیزات دوار می پردازد. هرچه اطلاعات جمع آوری شده از وضعیت ارتعاشات، دمای روانکار و صدای تجهیزات دوار بیشتر باشد، دقت پایش و عیب یابی تجهیزات نیز به مراتب بیشتر خواهد بود.
    کلید واژگان: پایش وضعیت, آنالیز ارتعاشات, ترموگرافی, آکوستیک امیشن, نت پیش بینانه}
    Saeed Shirvani Shahenayati *
    In the existing maintenance and repair system in industries, there are different strategies that in every industry, a specific strategy is tried to be implemented as the best strategy. What is certain is that trying to implement a specific strategy in the product maintenance and repair system is a closed view and it is necessary to select and implement the desired strategies according to the situation of each industry. As an example and in particular, the predictive maintenance strategy should be operational along with the preventive strategy to make the way to achieve the organizational goals of maintenance and repairs smoother. In some cases, it is even necessary to resort to a work-until-failure strategy for some equipment. Implementing a world-class condition monitoring program should be a condition monitoring unit's first priority. This article describes three case studies of the achievements of the simultaneous application of different condition monitoring techniques in the troubleshooting of rotating equipment. Increasing the accuracy of reports of the condition monitoring unit leads to a reduction in the time and cost of repairs and increases the satisfaction and trust of the management towards the condition monitoring unit. The simultaneous use of condition monitoring techniques is the best way to avoid providing incorrect, multifaceted and misleading reports, which sometimes lead to mistrust of different units and the management of a production complex regarding the category of condition monitoring.
    Keywords: Condition monitoring, Vibration Analysis, Thermography, Acoustic emission, predictive maintenance}
  • محمدرضا کاجی*، جمشید پرویزیان، محمد سیلانی، سید حسین میرلوحی

    هدف از پایش وضعیت افزارگان مکانیکی، رصد لحظه ای افزار به منظور پیش بینی رخ داد واماندگی است. اولین گام برای پایش وضعیت یک افزار ساخت شاخص سلامت برای آن است. برای ایجاد شاخص سلامت ابتدا بایست داده های عملکردی همچون داده های ارتعاشی از افزار در طی مدت بهره برداری گردآوری شوند و سپس ویژگی های معنی دار از داده استخراج شوند. در این مطالعه یک مدل هوش مصنوعی (خود رمزگذار همگشتی [i]) برای استخراج ویژگی از داده های ارتعاشی معرفی شده که صرفا نیازمند داده های وضعیت سالم افزار برای آموزش است. در این مدل، داده های ارتعاشی افزار در طی مدت بهره برداری در وضعیت سالم افزار به صورت برخط جمع آوری می شوند تا پایگاه داده در وضعیت سالم ایجاد شود. پس از تشخیص شروع وضعیت خرابی افزار، افزودن داده به پایگاه داده وضعیت سالم متوقف شده و مدل خود رمزگذار همگشتی توسط پایگاه داده آموزش می بیند. درنهایت در طی مرحله رشد خرابی ها، شاخص سلامت توسط تفاوت داده های ارتعاشی افزار در وضعیت خراب با پایگاه داده در وضعیت سالم ساخته می شود. عملکرد مدل پیشنهادی توسط داده های ارتعاشی چرخ دنده ارزیابی شده است و نتایج نشان دهنده عملکرد قابل قبول این روش در ساخت شاخص سلامت برای چرخ دنده ها است.

    کلید واژگان: پایش وضعیت, چرخ دنده, هوش مصنوعی, شاخص سلامت, تخمین عمر باقی مانده}
    Mohammadreza Kaji *, Jamshid Parvizian, Mohammad Silani, Sayed Hossein Mirlohi

    The purpose of condition monitoring is to monitor the conditions of an asset in order to predict its failure. The first step in implementing condition monitoring is to establish a health indicator. To construct the health indicator, operational data such as vibrational data should be collected from the asset during its operation, followed by extracting meaningful features from the data.This study introduces an artificial intelligence model (convolutional autoencoder) for feature extraction from the vibration data, which only requires healthy status data for training. For this purpose, the vibration data of the asset is gathered online during operation in a healthy state to establish the healthy dataset. Then, the deep learning model is trained by the healthy dataset. Finally, after the failure stage is detected, the health indicator is established by measuring the differences in the vibrations of the healthy and the failure conditions. The performance of the proposed model is evaluated by vibrational data of a gearbox. The health indicator exhibits a monotonically increasing degradation trend and has good performance in terms of detecting incipient faults.

    Keywords: Condition monitoring, artificial intelligence, Health Indicator, Remaining useful life}
  • سعید شیروانی شاه عنایتی*

    کمپرسورهای لوب [i] یکی از مهم ترین کمپرسورهای مورد استفاده در صنعت فولاد هستند. بی توجهی به پایش وضعیت دقیق کمپرسورهای لوب منجر به رشد دامنه ارتعاشات کمپرسور و همچنین تجهیزات مجاور و لوله کشی [ii] شده و افزون بر ایجاد ناهمراستایی بین کمپرسور، گیربکس و الکتروموتور، منجر به خرابی یاتاقان ها و شکست اتصالات ابزار دقیق و انشعاب های خطوط لوله کشی در بالادست و پایین دست کمپرسورها خواهد شد. این مسیله علاوه بر پیامدهای منفی بر افزایش هزینه تعمیرات و کاهش میزان تولید، مخاطراتی از قبیل نشتی گاز فرایند و انفجار را درپی خواهد داشت. در مقاله حاضر به مطالعه و رفع مشکل ارتعاشی تجهیز مذکور در یکی از مجتمع های فولادسازی کشور پرداخته شده است.

    کلید واژگان: پایش وضعیت, ارتعاشات لوله ها, تحلیل مودال, ارتعاشات کمپرسور لوب}
    Saeed Shirvani Shahenayati *

    Lobe compressors are one of the most important compressors used in the steel industry, and the occurrence of any failure in this equipment leads to production stoppage and imposing heavy losses on steelmaking units. Neglecting to monitor the precise condition of lobe compressors has led to the growth of the vibration range of the compressor as well as the adjacent equipment and piping, and in addition to creating misalignment between the compressor, gearbox and electric motor, it has led to the failure of bearings and the failure of precision instrument connections and branching of piping lines upstream. And it will be downstream of the compressors.In addition to the negative consequences of increasing the cost of repairs and reducing production, this issue will cause risks such as process gas leakage. In this article, the study and solution of the vibration problem of the mentioned equipment in one of the country's steelmaking complexes has been discussed.

    Keywords: Condition monitoring, piping vibrations, modal analysis, lobe compressor vibrations}
  • محمدحسین تبار مرزبالی*

    تشخیص خطای عدمتقارن در ماشینهای القایی بر اساس جریان استاتور به جهت حضور نوسانات فرکانس پایین گشتاور بار منجر به هشدارهای نادرست میشود. در نتیجه جداسازی عدمتقارن رتور از نوسانات فرکانس پایین گشتاور بار میتواند عملکرد سیستم پایش وضعیت را بهبود بخشد. روش هایی که در گذشته ارایه شده است عموما به جریان های سه فاز و در برخی روش ها به ولتاژهای سه فاز و سرعت گردش رتور نیازمند است. در این مقاله، روشی جدید بر اساس داده های یک فاز ماشین ارایه شده است. در این رابطه، قاب مرجع چرخان مجازی مبتنی بر تبدیل هیلبرت که به سرعت گردش ماشین نیازی ندارد، ارایه شده است. برای بهبود وضوح طیف خروجی و کاهش محاسبات، روش ارایه شده با روش گورتزل ترکیب شده است. روش ارایه شده به وسیلهی داده های خودساخته و همچنین داده های عملی مورد تست و ارزیابی قرار گرفته است. نتایج نشان میدهد که این روش مشخصهی خطای عدمتقارن را از مشخصهی نوسانات فرکانس پایین رتور به خوبی جدا میکند.

    کلید واژگان: تشخیص خطا, ماشینهای القایی, خطای عدم تقارن رتور, پایش وضعیت}
    MohammadHoseintabar Marzebali *

    Detection of rotor asymmetry faults (RAFs) in induction machines (IMs) based on stator current signature of machine due to the presence of low-frequency load torque oscillation (LTOs) can cause false alarm (FM). Therefore, isolating the RAFs from the LTOs can improve the condition-based monitoring system. The methods discussed in the past generally require three-phase current and voltage of stator windings information along with machine angular velocity. In this paper, a new method based on single phase machine data is presented. In this regard, a virtual rotating reference frame based on Hilbert transform is provided which do not need the angular velocity of machine. In order to improve the output spectrum resolution and low computational cost, the proposed method is combined with the Gortzel algorithm. The proposed method is tested and evaluated by synthetic data and then evaluated by means of experimental results. The results show that this method can isolate the RAFs indices from LTOs, effectively.

    Keywords: Fault Diagnosis, Induction machine, Rotor asymmetry fault, Condition Monitoring}
  • مهدی زکی زاده، علی جمالی، منصور رفیعیان

    در این پژوهش روشی جدید جهت تشخیص عیب ترک نازل انژکتور موتور لکوموتیو، با استفاده از آنالیز ارتعاشات و استفاده از آزمون های آماری، داخل شبکه های عصبی مصنوعی، ارایه شده است. در برنامه ارایه شده ابتدا سیگنال های ارتعاشی در حوزه فرکانس دریافت شده و محدوده فرکانسی مورد بررسی به چندین محدوده کوچکتر تقسیم می شود. سپس RMS هر محدوده به عنوان یک ویژگی فرکانسی استخراج و به عنوان ورودی به شبکه عصبی داده می شود. به دلیل اینکه انتخاب زیاد ویژگی باعث پایین آمدن دقت شبکه عصبی شده و همچنین جهت انتخاب ویژگی های بهتر، بردار ویژگی استخراج شده ابتدا از فیلترهای آزمون T، با سطوح معناداری مختلف، عبور کرده و سپس به عنوان ورودی به شبکه عصبی وارد می شود. استفاده از این روش ضمن افزایش دقت شبکه عصبی از 4/78 به 6/94 درصد، به فرایند تشخیص محدوده های فرکانسی، که تحت تاثیر عیب، تغییرات محسوسی دارند، کمک می کند. بر اساس نتایج به دست آمده عیب ترک نازل انژکتور، بیشتر باعث افزایش شدت ارتعاشات در باندهای فرکانسی بالای فرکانس های 1500 هرتز می شود.

    کلید واژگان: پایش وضعیت, تحلیل ارتعاشات, موتورهای دیزل, پردازش سیگنال, شبکه عصبی مصنوعی}
    Mahdi Zakizadeh, Ali Jamali, Mansour Rafeeyan

    In this study, a new method for the fault detection of the locomotive engine injector nozzle based on vibration analysis and statistical tests, inside artificial neural networks, is presented. For this point, first the under study received vibration signals in the frequency domain is divided into several smaller ranges and the RMS of each range is then extracted as a frequency property and given as an input to the neural network. Because the high selection of the features reduces the accuracy of the neural network, the extracted feature vector with different levels of significance passes through the T-test filters, firstly, and then enters the neural network as an input. Using of this method, the accuracy of the neural network increases from 78.4 to 94.6%, and also help to detect the frequency ranges. According to the results, the fault of the injector nozzle crack increases the intensity of vibrations in the upper band frequencies of 1500 Hz.

    Keywords: Condition monitoring, Vibration analysis, Diesel engines, Signal processing, Artificial neural network}
  • محمدرضا کاجی، جمشید پرویزیان*، محمد سیلانی، هانس ورنر ون د وین

    در سال های اخیر با ظهور انقلاب صنعتی چهارم و توسعه فناوری های هوش مصنوعی، رویکردهای نوینی در زمینه نگه داری و تعمیر افزارگان معرفی شده اند؛ که از آن جمله می توان به همزاد دیجیتال اشاره نمود. اولین گام برای ایجاد همزاد دیجیتال یک افزار، ساخت شاخص های کمی و کیفی است که برای توصیف لحظه ای افزار در طی مدت بهره برداری به کار می رود. در این پژوهش یک روش نوین برای ساخت شاخص سلامت افزارگان براساس اندازه گیری ارتعاشات و مدل های یادگیری عمیق معرفی شده است. برای این منظور داده های ارتعاشی خام تجهیز با استفاده از تبدیل موجک پیوسته به تصاویر دوبعدی تبدیل خواهند شد. سپس با استفاده از یک مدل یادگیری عمیق، میزان تفاوت تصاویر وضعیت سالم و معیوب افزار تشخیص داده شده و شاخص سلامت ایجاد می شود. مدل ارائه شده می تواند به صورت خودکار شاخص سلامت را ایجاد نماید و نیازمند دانش متخصص خبره برای تفسیر نتایج آنالیز ارتعاشی نیست. همچنین، آموزش مدل یادگیری عمیق به صورت بدون نظارت بوده و تنها با استفاده از داده های ارتعاشی وضعیت سالم تجهیز صورت می پذیرد و بنابراین نیازمند داده های خرابی پیشین نیست. عملکرد مدل پیشنهادشده توسط داده های ارتعاشی یاتاقان مورد ارزیابی قرارگرفته که نشان از توانایی قابل قبول شاخص سلامت در تشخیص آغاز خرابی و چگونگی روند رشد آن دارد.

    کلید واژگان: پایش وضعیت, هوش مصنوعی, یادگیری عمیق, آنالیز ارتعاشات, همزاد دیجیتال}
    Mohammadreza Kaji Esfahani, Jamshid Parvizian *, Mohammad Silani, Hans Wernher Van De Venn

    In recent years, with the advent of the Fourth Industrial Revolution concepts and the development of artificial intelligence technologies, new approaches such as the digital twin have been introduced. In a digital twin, a virtual counterpart of the physical system during its whole life is created, with abilities such as analyzing, evaluating, optimizing, and predicting. The first step in creating a digital twin model is to construct a (multi) digital health indicator that describes different aspects of the physical component state during the whole life of the component. In this research, a new method for constructing health indicators based on vibration measurement and a deep learning model has been introduced. For this purpose, the Continuous Wavelet Transform was used to convert the raw vibration signals into two-dimension images; Then, the deep learning model was used to extract features from the images and the health indicator is constructed based on the differences of the images in normal and failure stages. In this article, various Autoencoder architectures are discussed, and it is demonstrated that the Convolutional Autoencoder has better performance in terms of detecting incipient faults. The performance of the proposed model is evaluated by the vibration data of the bearing, and the constructed health indicator exhibited a monotonically increasing degradation trend and had good performance in terms of detecting incipient faults.

    Keywords: Condition Monitoring, Artificial Intelligence, Deep Learning, Vibration Analysis, Digital Twin}
  • مهشاد رستگارمقدم*، مجید رجبی، سید داود نیکخوی تنها
    وجود عیب در اتصالات چسبی یک مسئله مهم در ساخت سازه های فضایی می باشد. در این مقاله با استفاده از امواج لمب، ویژگی های مناسب جهت شناسایی اندازه و موقعیت عیوب اتصالات چسبی به دست آمده است. با استفاده از شبیه سازی المان محدود به بررسی اثر عیب بر انتشار امواج لمب پرداخته شده است. شبیه سازی برای سه ضخامت متفاوت چسب، سه سایز متفاوت عیب دایره ای در 9 موقعیت مختلف صورت گرفته است و تاثیر هر یک از آنها بر موج عبوری از اتصال بررسی شده است. سیگنال های به دست آمده از اتصالات معیوب با سیگنال حاصل از اتصال سالم مقایسه گردیده و ناحیه موردنظر جهت تحلیل های بعدی از کل سیگنال دریافتی جدا شد. تفکیک مناسب و صحیح عیوب نیازمند یافتن مشخصه هایی مناسب برای آن است به همین جهت 34 ویژگی جهت ایجاد تمایز و تفکیک عیوب بررسی گردید. در ادامه با فراهم آمدن پایه های ایجاد الگوهایی مناسب برای تفکیک عیوب، از شبکه عصبی استفاده شد. درصد تشخیص صحیح شبکه عصبی برای تفکیک ضخامت چسب 93/8 درصد، برای تفکیک مساحت عیوب از منظر اندازه 100 درصد و برای تفکیک موقعیت عیب در دو محور افقی و عمودی به ترتیب 96/1 و 95/1 درصد به دست آمد. نتایج به دست آمده نشان دهنده کارایی روش تکامل فاصله بهبودیافته و ویژگی های انتخاب شده جهت تفکیک عیوب این گونه از اتصالات است.
    کلید واژگان: ارزیابی غیر مخرب, موج لمب, اتصال چسبی, پایش وضعیت, شبکه عصبی}
    Mahshad Rastegarmoghaddam *, Majid Rajabi, Seyed Davoud Nikkhouy Tanha
    Defects in adhesive joints are an important issue in the construction of space structures. In this paper, using lamp waves, suitable properties have been obtained to identify the size and position of the defects of the adhesive joints. Using finite element simulations, the effect of the defect on the propagation of the lamp waves has been investigated. Simulations have been performed for three different adhesive thicknesses, three different sizes of circular defects in 9 different positions, and the effect of each of them on the wave passing through the joint has been investigated. The signals obtained from the faulty connections were compared with the signal obtained from the healthy connection and the desired area was isolated from the total received signal for further analysis. The proper and correct separation of defects requires finding suitable characteristics for it. Therefore, 34 features were examined to differentiate and separate defects. Then, the neural network was used to provide the basis for creating appropriate patterns for the separation of defects. The percentage of correct detection of neural network for adhesive thickness separation was 93.8%, for defect area separation in terms of size 100% and for defect position separation in X and Y axes were 96.1 and 95.1%, respectively. The obtained results show the efficiency of the improved distance evolution method and the features selected to distinguish the defects of such connections.
    Keywords: Non-Destructive Evaluation, Limb Wave, Adhesive Bonding, Status Monitoring, Neural Network}
  • محمدحسین تبار مرزبالی*، سعید حسنی، هدی مشایخی، ولی الله مشایخی

    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.

    کلید واژگان: خطای مکانیکی, شکستگی, ترک, یاتاقان, پایش وضعیت}
    M. Hosein tabar Marzebali *, S. Hasani, H. Mashayekhi, V. Mashayekh

    Bearings are one of the main components used in the drive-train of electrical machines. Early fault diagnosis and classification of bearing fault for maintenance of electromechanical system are very important. With progresses in measurement and digital systems, extensive range of real-time data can be available in electrical machines. Since fault diagnosis based on signal processing methods from extracted signals may not be possible due to different reasons such as noise level, natural frequencies of system, saturation of core,, severity of fault and load torque, deep learning methods have been considered in recent years. In this paper, time series deep learning method for condition monitoring of bearing in electrical machine for the purpose of detection and classification of fault is considered. Obtained results by means of proposed method have been compared with pervious techniques. Experimental results show that proposed deep learning method can detect and classify bearing fault with accuracy above 90%.

    Keywords: Mechanical Fault, Fracture, Crack, Bearing, Condition Monitoring}
  • سعید شیروانی شاه عنایتی*
    ددر این مقاله به تشریح یک موردکاوی حاصل از دستاوردهای پیاده سازی روش پایش وضعیت مبتنی بر آنالیز ارتعاشات و آکوستیک امیشن پرداخته شده است. همچنین تاثیر آلایندگی آب بر عمر یاتاقان مورد بررسی قرار گرفته است. در ادامه ضمن بررسی خرابی مشاهده شده به ریشه یابی علل خرابی براساس استاندارد ISO15243 و ارایه راه کارهایی با هدف پیشگیری از وقوع خرابی های مشابه در آینده پرداخته شده است. رویکرد این مقاله بررسی نتایج استفاده هم زمان از روش های مختلف پایش وضعیت در تشخیص دقیق و سریع خرابی یاتاقان و جلوگیری از وقوع تکرار خرابی بوده است.
    کلید واژگان: پایش وضعیت, آنالیز ارتعاشات, آکوستیک امیشن, نت پیش بینانه, تشخیص خرابی یاتاقان}
    Saeed Shirvani Shah-Enayati *
    In the maintenance system in the industry, there are different strategies that are tried in each industry.Implement a specific strategy as the top strategy.Attempt to implement a specific strategy in product maintenance and repair system is a closed view and it is necessary to suit the situation of each industry, the desired strategies select and implement.For example, a predictive repair strategy should be combined with an operational preventive strategy to pave the way for organizational maintenance goals. In some cases it is even necessary for some equipment resorted to work strategy until failure.This paper describes a case study of the achievements of simultaneous implementation of condition monitoring techniques including vibrations and acoustic emissions. The effect of water pollution on bearing life is also investigated has taken. In the following, while examining the observed failure, to find the root causes of the failure and provide targeted solutions Similar failures have been prevented.
    Keywords: Condition monitoring, Vibration Analysis, Predictive maintenance. Bearing failure detection}
  • زهره موسوی، سینا ورهرام، میرمحمد اتفاق*، مرتضی صادقی، سید ناصر رضوی

    ازآنجایی که هزینه نگهداری و تعمیر سیستم های مکانیکی اعم از سازه ها و ماشین های دوار بسیار بالاست، یکی از راه های کاهش این هزینه ها، درنظرگرفتن تدابیری جهت بررسی عیوب در این سیستم ها قبل از هر نوع کار عملی است. در این مطالعه روش جدیدی برای عیب یابی سازه جکتی فراساحلی در حضور عدم قطعیت های مختلف مانند خطاهای مدل سازی، خطاهای اندازه گیری و نویزهای محیطی بر پایه مدل شبیه سازی شده و حالت سالم مدل واقعی ارایه شده است. در روش پیشنهادی، داده های سازه سالم واقعی برای به روزرسانی پارامترهای مدل شبیه سازی شده استفاده شده اند. برخی از بخش های سیگنال که مربوط به ذات سیستم نیستند، با استفاده از روش تجزیه مود تجربی دسته ای کامل حذف شده اند. داده های فرکانسی با استفاده از روش تجزیه حوزه فرکانس از سیگنال های ارتعاشی استخراج شده اند. یک شبکه عصبی خود رمزنگار عمیق، به منظور یادگیری ویژگی های حساس به عیب از داده های فرکانسی و عیب یابی سازه طراحی شده است. به منظور آموزش شبکه عمیق پیشنهادی، از داده های فرکانسی مدل شبیه سازی شده و حالت سالم مدل واقعی استفاده شده است. پس ازآن، داده های فرکانسی سازه واقعی برای ارزیابی شبکه عمیق پیشنهادی استفاده شده است. نتایج حاصله نشان می دهد که استفاده از روش پیشنهادی برای عیب یابی سازه جکتی فراساحلی صحت بالاتری نسبت به سایر روش های مقایسه ای دارد.

    کلید واژگان: پایش وضعیت, سازه جکتی فراساحلی, به روزرسانی مدل, شبکه عصبی عمیق}
    Zohreh Mousavi, Sina Varahram, Mirmohammad Ettefagh *, Morteza Sadeghi, Seyed Naser Razavi

    Since the maintenance and repairing costs of mechanical systems, such as structures and rotating machines are significantly high, one way to reduce these costs is to consider some approaches before any operational work to check for damages in such systems. In this study, a new method is presented for damage detection of offshore jacket structures in the presence of various uncertainties, such as modeling errors, measurement errors and environmental noises, based on the simulated model and intact state of the real model. In the proposed method, real intact structure data is used to update the simulated model parameters. Some parts of the signal that are not related to the nature of the system are removed using the complete ensemble empirical mode decomposition method. Frequency data is extracted from the vibrational signals using the frequency domain decomposition method. A deep auto-encoder neural network is designed to learn the damage-sensitive features from the frequency data and to damage detection of the structure. In order to train the proposed deep network, frequency data of the simulated model and real intact state are used; then the frequency data of the real structure is used to test the proposed deep network. The results show that the proposed method is capable for damage detection of the offshore jacket structure with more accurate results than the other comparative methods.

    Keywords: Condition Monitoring, Offshore Jacket Structure, Model Updating, Deep Neural Network}
  • مهدی بهزاد*، علی داودآبادی، حسام الدین ارغند

    تشخیص زودهنگام عیب در یاتاقان های غلتشی نقش بسیار تاثیرگذاری بر افزایش قابلیت اعتماد تجهیزات و بهینه نمودن تصمیم های آینده ی برای بهره برداری از تجهیزات دوار دارد. در دهه های اخیر روشی به نام شاک پالس برای تشخیص عیب در یاتاقان های غلتشی توسعه داده شده است که قابلیت تشخیص رشد عیب از مراحل اولیه را دارد. هدف از انجام پژوهش حاضر، مقایسه بین دقت پیش بینی عمر مفید باقی مانده یاتاقان غلتشی تنها با استفاده از داده های پایش وضعیت ارتعاشات و با استفاده از ترکیب داده های پایش وضعیت ارتعاشات و روش شاک پالس می باشد. در این راستا مجموعه ای از آزمایش های عمر پرشتاب یاتاقان غلتشی روی یک پلتفرم تجربی طرح ریزی و انجام شده است. مقادیر ارتعاشات و شاک پالس تست های عمر پرشتاب یاتاقان غلتشی همزمان از لحظه شروع تا پایان خرابی به کمک دو سنسور ارتعاشات و شاک پالس اندازه گیری و روند تغییرات آنها ثبت شده است. سپس با استفاده از شبکه عصبی مصنوعی مدلی برای پیش بینی عمر مفید باقی مانده یاتاقان غلتشی توسعه داده شده است و مقایسه ای بین استفاده از خصیصه های آنالیز ارتعاشات و شاک پالس روی دقت پیش بینی انجام گردیده است. در نهایت نشان داده می شود که استفاده از داده های روش شاک پالس باعث بهبود دقت پیش بینی زمان وقوع خرابی یاتاقان های غلتشی و منجر به نتایج با خطای کمتر می گردد.

    کلید واژگان: یاتاقان غلتشی, پایش وضعیت, آنالیز ارتعاشات, روش شاک پالس, شبکه عصبی}
    Mehdi Behzad *, Ali Davoodabadi, Hesam Addin Arghand

    Early fault detection of the rolling element bearings has a very important role in increasing the reliability of rotating machines.It leads to better decision-making for maintenance activities.  In recent decades, the shock pulse method has been developed to detect faults in the early stage of rolling element bearings degradation. In this paper, the accuracy of the remaining useful life estimation using extracted features from vibration signals and that from the shock pulse method are compared. In this regard, a set of accelerated life tests on rolling element bearings were designed and performed. Both shock pulse signals and vibration signals of the under-test rolling element bearings were recorded. Then two models based on feed-forward neural-network are developed to predict the remaining useful life of rolling element bearings. In the first model, only extracted features from vibration signals are fed for remaining useful life prediction. In the second model, the extracted features from shock pulse method are fed too. The results show that using shock pulse method-based features improves the accuracy of remaining useful life estimation. Also, using the health indicators extracted from vibration analysis and shock pulse method leads to a better estimating of the degradation behavior.

    Keywords: Rolling Element Bearings, Condition Monitoring, Vibration Analysis, Shock Pulse Method, Neural-Network}
  • زهره موسوی، میرمحمد اتفاق*، مرتضی صادقی، سید ناصر رضوی

    پایش وضعیت سیستم های مکانیکی اعم از سازه ها، ماشین های دوار همواره یکی از چالش های مهم محسوب می شود. در این مقاله روش جدیدی برای شناسایی و عیب یابی سازه تیری شکل در حضور عدم قطعیت هایی مانند خطاهای مدل سازی، خطاهای اندازه گیری، تغییرات بارگذاری و نویزهای محیطی بر پایه مدل شبیه سازی شده و حالت سالم واقعی ارایه شده است. در این روش، داده های سیستم سالم واقعی برای به روزرسانی پارامترهای مدل شبیه سازی شده استفاده شده است. برخی از بخش های سیگنال که مربوط به ذات سیستم نیستند با استفاده از روش تجزیه مود تجربی دسته ای کامل، حذف شده اند. یک شبکه عصبی کانولوشنال عمیق، به منظور یادگیری ویژگی های حساس به عیب از داده خام فرکانسی مدل شبیه سازی شده و حالت سالم واقعی طراحی شده است. داده های خام فرکانسی با استفاده از روش چگالی طیفی توان از سیگنال های ارتعاشی استخراج شده اند. به منظور آموزش شبکه عمیق پیشنهادی از داده های خام فرکانسی مدل شبیه سازی شده و حالت سالم واقعی استفاده می شود. پس ازآن داده های خام فرکانسی مدل واقعی برای ارزیابی شبکه عمیق پیشنهادی استفاده می شود. روش پیشنهادی با استفاده از سازه تیری شکل آزمایشگاهی ارزیابی شده است. نتایج حاصل نشان می دهد که استفاده از الگوریتم پیشنهادی برای شناسایی و عیب یابی سازه تیری شکل صحت بالاتری نسبت به سایر روش های مقایسه ای دارد.

    کلید واژگان: پایش وضعیت, سازه تیری شکل, سیگنال ارتعاشی, شبکه عصبی عمیق}
    Zohreh Mousavi, Mirmohammad Ettefagh *, Morteza Sadeghi, Seyed Nacer Razavi

    Condition monitoring of mechanical systems, such as structures and rotating machines is always a major challenge. This paper is presented a new method for damage detection of real mechanical systems in presence of the uncertainties such as modeling errors, measurement errors, varying loading conditions, and environmental noises based on a simulated model and real healthy state. In this method, data of a real healthy system is used to updating the parameters of the simulated model. Some parts of the signals that are not related to the nature of the system are removed using the complete ensemble empirical mode decomposition method. A deep convolutional network is designed to learn damage-sensitive features from raw frequency data of simulated model and real healthy state. Raw frequency data is extracted from vibration signals using the power spectral density method. In order to train the proposed deep network, raw frequency data of the simulated model andreal healthy state are used. Then, raw frequency data of the real model are used to test the proposed deep network. The proposed method is validated using an experimental beam structure. The results show that using the proposed algorithm for identification and damage detection of the beam-like structure has more accuracy with respect to the other comparative methods

    Keywords: Condition Monitoring, Beam-Like Structure, Vibration Signal, Deep Neural Network}
  • سعید شیروانی شاه عنایتی*
    به منظور اجرای درست روش های پایش وضعیت لازم است هر روش به صورت اصولی اجرایی شده و نتایج به دست آمده از هر روش با نتایج خروجی روش های دیگر مقایسه گردد. در برخی موارد ممکن است در عیب یابی ها، یک روش خاص کارا باشد ولی در بیشتر موارد می توان گفت که تجمیع روش های مختلف به تصمیم گیری درست کمک شایانی می کند. در پژوهش جاری ضمن تشریح چگونگی استفاده از روش های پایش وضعیت مختلف، به دستاوردهای حاصل از اجرای هم زمان این روش ها در یکی از میادین نفتی کشور پرداخته شده است.
    کلید واژگان: پایش وضعیت, آنالیز ارتعاشات, ترموگرافی, آکوستیک امیشن, نت پیش بینانه}
    Saeed Shirvani Shahenayati *
    In the maintenance system in industries, there are different strategies that in each industry, a specific strategy is tried to be implemented as a superior strategy.What is certain is that trying to implement a specific strategy in the product maintenance system is a closed view and it is necessary to select and implement the desired strategies according to the situation of each industry.In order to properly implement the situation monitoring techniques, it is necessary to implement each technique in a principled manner and compare the results obtained from each technique with the output results of other techniques. In some cases, a particular technique may be effective in diagnostics, but in most cases it can be said that the combination of different techniques helps to make the right decision.In the present study, while explaining how to use different situation monitoring techniques, the achievements of the simultaneous implementation of these techniques in one of the country's oil fields have been discussed.
    Keywords: Condition monitoring, Vibration Analysis, Thermography, ultrasound test}
  • سید مجید یادآور نیک روش*، مسعود گودرزی

    پیچ ها اتصالاتی موقتی و پرکاربرد هستند که اگرچه به واسطه ویژگی های مثبت فراوان، در اغلب سازه های صنعتی مورد استفاده قرار می گیرند؛ اما به واسطه ماهیت عملکردی شان همواره در معرض خرابی و متعاقبا، آسیب رسانی به سازه یا تجهیز می باشند. از علل رایج خرابی سازه های صنعتی دارای اتصالات پیچی، شل شدگی پیچ ها می باشد که تشخیص به موقع آن می تواند سبب پیشگیری از تحمیل هزینه های سنگین مالی و بعضا جانی گردد. روش های مرسوم تشخیص این عیب، معایب مختلفی دارند، به عنوان مثال روش های کنترل گشتاور اغلب دارای خطای بالا بوده، روش های مبتنی بر اندازه گیری امپدانس هزینه هایی بالا به همراه داشته و روش های ارتعاشی یا اولتراسونیک نیز به واسطه استفاده از پدیده هایی خطی در تشخیص خرابی، از دقت بالایی برخوردار نمی باشند. روش مدولاسیون ویبروآکوستیک یکی از روش های است که به کمک اندازه گیری شدت مدولاسیون سیگنال های ارتعاشی و اولتراسونیک اعمال شده به سازه، می تواند با دقت بسیار بالایی به تشخیص و ارزیابی شل شدگی اتصالات پیچی بپردازد. در این مقاله، با ساخت نمونه ی آزمایشگاهی یک پایه برج یک توربین بادی، کارایی روش در تحلیلی تجربی و عددی مورد بررسی قرار گرفته است و نشان داده شده است که این روش قادر به تشخیص وجود شل شدگی با دقتی 12.5 درصدی می باشد. علاوه بر این، تاثیر پارامترهایی همچون؛ فرکانس تحریک اولتراسونیک و ارتعاشی، محل قرارگیری حسگر و عملگر، شدت گشتاور اعمال شده به پیچ ها، تاثیر افزایش بیش از حد گشتاور بررسی شده و دقت روش در سازه ی مدنظر تخمین زده شده است.

    کلید واژگان: تشخیص خرابی, اتصالات پیچی, تست های غیرمخرب, پایش وضعیت, روش مدولاسیون ویبروآکوستیک}
    Masoud Goudarzi, Seyed Majid Yadavar Nikravesh *

    Flanged joints’ looseness is among the common causes for the failure of industrial structures with flanged joints the timely detection of which can prevent the imposition of heavy financial losses and in some cases injuries. There are conventional methods for detecting this fault and each of them has its own drawbacks. For instance, torque control methods have high error of measurement, impedance-based measurement methods, have high expenses, and vibration or ultrasonic methods lack accuracy due to the use of linear phenomena in fault detection. Vibro-Acoustic modulation method is one of the nonlinear fault detection methods that detect and assess looseness of flanged joints with high precision through the measurement of the intensity of the vibrational and ultrasonic signals modulation applied to the structure. This paper was an attempt to investigate the efficiency of the Vibro-Acoustic modulation method in the detection and evaluation of flanged joints numerically and experimentally. For this, a laboratory sample composed of two pipes connected with flanged joints is employed. It is revealed that this method can detect bolt looseness with 12.5% precision. In addition, the effect of parameters such as ultrasonic and vibrational frequency, amplitude of applied torque, sensors and actuators position, as well as excessive increase of torque have been examined and the model precision in the studied structure has been estimated.

    Keywords: NDT, Fault Detection, Looseness Detection, Vibro-Acoustic Modulation, Impact Modulation}
  • امید سام دلیری، محمدرضا فراهانی*

    اتصالات چسبی در سازه های مهندسی بویژه درصنایع دریایی، هوافضا، خودروسازی، نفت و گاز به کار می روند. با توجه به اینکه اتصال ضعیف ترین بخش یک سازه مهندسی محسوب می شود، احتمال شکست از محل اتصال چسبی بالا است. بنابراین، پایش وضعیت اتصال چسبی از اهمیت ویژهای برخودار است. هدف از این مقاله، پایش وضعیت آسیب در اتصال چسبی تک لبه با استفاده از نانولوله های کربنی چند جداره است. این کار با روش ثبت تغییرات مقاومت الکتریکی طی بارگذاری مکانیکی انجام شده است. این انتشار آسیب به صورت انتشار ترک در اتصال چسبی مشاهده شده است. در ابتدا نانولوله های کربنی چند جداره با 9 درصد وزنی با استفاده از دستگاه آلتراسونیک درون رزین اپوکسی پراکنده شدند. پس از اضافه نمودن سخت کننده، ماده بدست آمده بلافاصله درون قالب اتصال چسبی تک لبه ریخته شد. اتصال چسبی معیوب با سطح عیب %10، %30 و %70 و با عیب های دایره ای و مربعی ساخته شد. این نمونه ها تحت آزمون کشش، قرار گرفته و پاسخ مقاومت الکتریکی آن تحت بارگذاری برشی ثبت شد. نتایج نشان داد که بیشترین تغییرات کلی مقاومت در نمونه اتصال چسبی با اندازه عیب 30 درصد مربعی اتفاق افتاده و بخش زیادی از پیشرفت آسیب به صورت انتشار ترک در چسب رسانا مشاهده شد. نتایج بدست آمده نشان داد که زمانی که بخش بزرگی از ترک درون چسب و بخش اندکی از آن در مرز عیب رشد می کند، بیشترین تغییرات کلی مقاومت مشاهده می شود.

    کلید واژگان: پایش وضعیت, ترک, نانولوله های کربنی چند جداره, اتصالات چسبی, تغییرات مقاومت الکتریکی, حسگر}
    Omid Sam Daliri, Mohammadreza Farahani *

    Adhesive joints have been employing in engineering structures such as marine, aerospace, automotive, oil and gas industry. Since the joints are the weakest part of engineering structures, the fracture possibility in adhesive joint is high. Therefore, structural health monitoring of adhesive joint is an important issue. The aim of this paper was condition monitoring of damage in the single lap adhesive joint by multiwall carbon nanotubes. This work is carried out by recording the electrical resistance change during the mechanical loading. This damage propagation is observed as a crack extension in adhesive joint. Firstly, MWCNTs with 9 wt.% are dispersed in an epoxy resin by ultrasonic device. Then, the hardener is added to the nonoadhesive. The obtained material is immediately poured into single lap adhesive joint mold. The defective adhesive joints were manufactured with circular and square defects in different sizes i.e. 10%, 30% and 70% overlap area. The specimen is subjected to tensile test and electrical resistance change are recorded during the shear load. The results showed that the maximum value of relative resistance change is occurring in the adhesive joint comprises of square defect with 30% overlap area of defect. In this situation, the crack was propagated in nanoadhesive and a small part of a crack was extended from defect boundary.

    Keywords: Condition Monitoring, Multiwall Carbon Nanotube, Adhesive Joint, Electrical Resistance Changes, Sensor}
  • مهدی بیگدلی*، داود عزیزیان

    در حال حاضر مشکل عمده تشخیص عیب ترانسفورماتور با استفاده از FRA، پیچیدگی زیاد روش های تحلیل موجود به لحاظ الگوریتمی و محاسباتی و عدم امکان استفاده آسان توسط کاربر است. برخلاف روش DGA که  نرم افزارهای مناسبی برای تفسیر نتایج اندازه گیری های آن توسعه یافته اند، روش FRA، با توجه به نوپا بودن، فاقد چنین نرم افزارهای جامعی است. بنابراین ضروری است نرم افزاری دقیق، کاربرپسند و قابل اطمینان برای این منظور تدوین شود. در این تحقیق نرم افزاری گرافیکی در محیط MATLAB تدوین شده است تا مهندس بهره بردار ترانسفورماتور، بدون نیاز به انجام محاسبات پیچیده، وضعیت ترانسفورماتور را تحلیل و بررسی نماید. برای این منظور، ابتدا آزمایش های لازم بر روی ترانسفورماتورهای مختلف (در حالت سالم و حالت های مختلف عیب) انجام و سپس به کمک روش های شناخته شده، نوع و شدت عیب مشخص می شود. علاوه بر روش های پیشین، روش جدیدی بر پایه ترکیب شبکه های عصبی احتمالی و شاخص های عددی برای تشخیص نوع عیب ارایه شده است. همچنین معیار جدیدی برای تشخیص معیوب بودن ترانسفورماتور بر پایه شاخص CC (در حالتی که نتایج اندازه گیری حالت سالم ترانسفورماتور در دسترس نیست) پیشنهاد می شود. در انتها عملکرد روش های پیشین و روش های پیشنهادی مورد ارزیابی و بررسی قرار می گیرد.

    کلید واژگان: ترانسفورماتور, تحلیل پاسخ فرکانسی (FRA), نرم افزار گرافیکی, پایش وضعیت, عیوب سیم پیچ}
    Mehdi Bigdeli*, Davood Azizian

    At present, the major problem with transformer fault detection using the FRA is that all analysis methods are highly complex in terms of algorithms and computations that are not easily used by the exploiter. Unlike the DGA method, which has developed good soft-wares to interpret the results of its measurements, the FRA method lacks this possibility due to its fledgling. Therefore, it is necessary to develop accurate, user-friendly and reliable software for this purpose. In this paper, graphical software is developed in MATLAB environment to enable transformer operation engineer to monitor the transformer condition without performing complex calculations. For this purpose, first the necessary experiments are performed on different transformers (in healthy and different fault conditions) and then by past well-known methods, the type and severity of fault are determined. In addition to the previous methods, a new method based on the combination of probabilistic neural network and numerical indices for the detection of fault type is proposed. Also, a new criterion for detecting fault occurrence based on CC index (for case where transformer healthy condition measurement results are not available) is proposed. Finally, the performance of previous methods and proposed methods is evaluated and evaluated.

    Keywords: Transformer, Frequency Response Analysis (FRA), Graphical Software, Condition Monitoring, Winding Faults}
  • الهه نوری، محمدعلی صندیدزاده*، بهمن قربانی واقعی

    شبکه راه آهن به عنوان یک وسیله حمل و نقل عمومی وجابجایی بار، به عملکردی با افزایش سطح قابلیت اطمینان، دسترس پذیری، تعمیرپذیری و ایمنی نیاز دارد. برای عملکرد ایمن شبکه  راه آهن، تشخیص حضور قطار در هر تراک بسیار مهم است. یکی از متداول ترین راهکارها در تشخیص حضور قطار استفاده از مدار راه است. برای جلوگیری از خرابی مدار راه و خطرات ناشی از آن و به حداقل رساندن تاخیر قطارها استفاده از یک سیستم پایش وضعیت ضروری است. یکی از روش های جدید پایش وضعیت، عیبب یابی به وسیله شبکه های پتری است. در این مقاله از یک شبکه پتری جهت تشخیص و ایزولاسیون عیوب مدار راه فرکانس صوتی TI21-M، استفاده شده است. مدار راه TI21-Mدر سیمولینک متلب شبیه سازی شده و از داده های حاصل از آن به عنوان ورودی شبکه  پتری استفاده شده است.  از آنجا که مدار راه، یک سیستم دینامیک پیوسته است، رفتار آن به صورت گسسته در نظر گرفته شده و مدل پتری تغییرات ولتاژ و جریان اجزای مختلف مدار راه، تغییرات مقاومت کابل ها و تغییرات امپدانس ریل در محیط استیت فلو متلب شبیه سازی شده است. سپس با توجه به تغییر حالت های مدل پتری شبیه سازی شده، نه تنها مدار راه معیوب، بلکه مکان رخ دادن عیوب مختلف نیز مشخص می شود. قابل ذکر است که این شبکه قابلیت تشخیص عیوب به طور هم زمان را نیز دارا است.

    کلید واژگان: شبکه ی راه آهن, سیستم سیگنالینگ, مدار راه TI21-M, پایش وضعیت, شبکه های پتری}
    Elaheh Noori Dehnavi, MohammadAli Sandidzadeh *, Bahman Ghorbani Vaghei

    The railway network as a means of public transportation and freight transportation, requires performance with increased reliability, availability, repairability and safety. For the safe operation of the railway network, it is very important to recognize the presence of a train on each track. One of the most commonly methods to detect the presence of a train is the use of track circuit. The track circuits work fail-safe, but to avoid potential hazards and to minimize train delays, it's necessary to use a monitoring system for detection and isolation of the faults. One of the new methods of the condition monitoring, is fault detection by the petri nets. In this paper, a petri net model is used to detection and isolation of the faults of the TI21-M audio frequency track circuit. The TI21-M track circuit is simulated in Simulink Matlab and its data is used as Petri net inputs. Since the track circuit is a continuous dynamic system, for modeling and detecting the faults of the system using Petri nets, track circuit behavior is considered discrete; in fact, petri's model of the voltage and current variations of different components of the track circuit, the cable resistance variations, and the impedance rail variations are simulated in Matlab's Statflow environment. Then, according to changing in states of the simulated petri's model, not only faulty track circuit, but also the location of the faults is also determined. It should be noted that this network can detect the faults simultaneously.

    Keywords: Railwaynetwork, Signaling system, TI21-M Track Circuit, Condition Monitoring, Petri Nets}
  • رضا آخوندی، منصور اوجاقی*

    موتور های القایی نقشی بی بدیل در راه اندازی چرخ صنعت و چرخه تولید ایفا می کنند. به همین دلیل، هم در زمینه بهبود فرآیند ساخت و تولید و هم در زمینه پایش وضعیت آن ها تحقیقات زیادی انجام می شود. این مقاله به یکی از عیوب رایج مربوط به این نوع موتور ها، یعنی عیب گردش روغن در یاتاقان لغزشی می پردازد و سعی بر این دارد که برای آشکارسازی عیب مزبور راه کاری مفید و موثر ارایه دهد. براین اساس ابتدا موتور القایی که در یکی از یاتاقان های خود دچار عیب گردش روغن است، با تعریف تابع فاصله هوایی مناسب و با استفاده از تیوری تابع سیم پیچ اصلاح شده مدل سازی و شبیه سازی می گردد. سپس جریان استاتور در حالت های سالم و معیوب به منظور کشف روشی موثر و غیرتهاجمی برای تشخیص عیب اخذ و ذخیره می شود. سیگنال جریان استاتور با استفاده از ترکیبی از روش تجزیه مود تجربی و تبدیل هیلبرت پردازش شده و سپس شاخصی مناسب جهت آشکارسازی عیب گردش روغن ارایه می گردد. درنهایت کارایی شاخص پیشنهادی با اعمال آن برروی سیگنال جریان استاتور بدست آمده از چند موتور القایی واقعی، مورد ارزیابی قرار گرفته و در عمل به اثبات می رسد.

    کلید واژگان: پایش وضعیت, تئوری تابع سیم پیچ, تبدیل هیلبرت-هانگ, عیب گردش روغن, موتور القایی, یاتاقان لغزشی}
    R. Akhondi, M. Ojaghi *

    Induction motors play an indispensable role in setting up the industry’s wheel and production cycle. Therefore, much research is being done to improve their construction and production and to monitor their condition. This paper aims to study and investigate a common fault related to these motors, i.e. the oil whirl fault within their sleeve bearing, and try to provide a useful and effective solution in order to diagnose this fault. For this purpose, firstly, an induction motor that has one of its bearings with oil whirl fault, is modeled and simulated by appropriate definition of the air gap function and using the modified winding function approach. Then, the stator current is obtained under both the healthy and faulty conditions to detect an effective and non-invasive method for the fault diagnosis. The stator current signal is processed using a combination of the empirical mode decomposition and Hilbert transform, called Hilbert-Huang transform and a suitable index for detecting oil whirl fault is proposed. Then, the efficiency of the proposed index is evaluated by applying it to the stator current signal obtained from the practical induction motor and its efficiency is proved in practice.

    Keywords: Condition monitoring, winding function approach, hilbert-huang transform, oil whirl fault, induction motor, sleeve bearing}
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال