تشخیص عیب جعبه دنده با استفاده از تحلیل داده های صوتی به روش کپستروم

Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 113

This Paper With 10 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_IRANJME-9-10_001

تاریخ نمایه سازی: 17 مرداد 1402

Abstract:

تشخیص عیب ماشین های دوار نقشی اساسی در قابلیت اطمینان و ایمنی سیستم های صنعتی جدید ایفا می کند. دنده ها به عنوان بخش حیاتی از اجزاء ماشین های صنعتی به شمار می آیند، به نحوی که عیوب این اجزاء موجب بروز آسیب های جبران ناپذیری در فرایندهای صنعتی می گردد. امروزه بسیاری از محققان در خصوص تشخیص عیب دنده ها با استفاده از تحلیل داده های آکوستیکی مطالعاتی انجام می دهند. در این پژوهش به منظور اخذ داده های آکوستیکی از یک جعبه دنده نمونه، سیستمی ساخته و توسعه داده شد؛ سپس برخی از عیوب شایع در دندانه جعبه دنده به صورت مصنوعی ایجاد گردید. در این پژوهش جهت تشخیص هارمونیک های فرکانس درگیری چرخ دنده و خانواده ساید باندهای ایجاد شده از روش تحلیل کپستروم استفاده شد. در بررسی اولیه انجام شده با روش تحلیل کپستروم و در بازه ۰ تا ۲۵/۰ ثانیه راهمونیک های مربوط به محور جعبه دنده مشخص گردید؛ سپس به منظور تشخیص عیب چرخ دنده، با تحلیل بازه ۰ تا ۰۰۰۲/۰ ثانیه عیوب مربوط به دندانه به وضوح قابل مشاهده و پیگیری گردید. بر اساس نتایج به دست آمده در این پژوهش با مشاهده افزایش دامنه در راهمونیک های اول و پنجم می توان عیوبی مانند شکستگی و سائیدگی دندانه یک چرخ دنده را تشخیص داد. نتایج به دست آمده، موثر بودن روش ارائه شده جهت تشخیص عیب در جعبه دنده و جلوگیری از هزینه های غیرمنتظره را نشان می دهد.

Authors

مهدی زمانی

دانشجوی دکتری، گروه فنی کشاورزی، دانشکدگان ابوریحان، دانشگاه تهران، تهران، ایران

محمد ابونجمی

دانشیار، گروه فنی کشاورزی، دانشکدگان ابوریحان، دانشگاه تهران، تهران، ایران

سیدرضا حسن بیگی

استاد، گروه فنی کشاورزی، دانشکدگان ابوریحان، دانشگاه تهران، تهران، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :