@article { author = {حسنیان, مهدی and صالحی, مهدی}, title = {}, journal = {Journal of Vibration and Sound}, volume = {6}, number = {12}, pages = {121-133}, year = {2018}, publisher = {Iranian Society of Acoustics and Vibration}, issn = {2383-1839}, eissn = {2345-623X}, doi = {}, abstract = {}, keywords = {}, title_fa = {تشخیص عیب یاتاقان های غلتشی با استفاده از سیگنال های ارتعاشی بر اساس تحلیل طیف تکین و شبکه عصبی مصنوعی}, abstract_fa = {در کاربردهای صنعتی، پایش وضعیت و عیب‌یابی بیرینگ­ها از اهمیت زیادی برخوردار است. تحلیل ارتعاشی، انتشار صدا، دمانگاری و تحلیل روانکار از جمله روش­های تشخیصی جهت شناسایی عیوب بیرینگ­ها می­باشند. یکی از قابل اطمینان­ترین روش‌ها جهت عیب­یابی تجهیزات دوار، مطالعه بر روی سیگنال ارتعاشی می­باشد. تاکنون روش­های مختلفی جهت عیب­یابی بیرینگ­های غلتشی توسط سیگنال­های ارتعاشی در حوزه زمان ارائه شده است. بیشتر روش­های سری زمانی، پیچیده و سیگنال­های استخراجی تحت تأثیر نویز می­باشند. تحلیل طیف تکین[i]  که به عنوان یک تکنیک جدید و کارآمد در زمینه تحلیل سری­های زمانی مطرح می­باشد به لحاظ اجرا آسان و مصون از نویز می­باشد. در این روش سیگنال ارتعاشی اصلی هر یک از عیوب بیرینگ غلتشی به مؤلفه­های اساسی تجزیه می­شوند، که پس از انتخاب تعدادی از مؤلفه­ها و بازسازی سیگنال ارتعاشی، مشخصه­های آماری در حوزه زمان از سیگنال بازسازی شده استخراج می­شوند. این مشخصه­ها به عنوان ورودی‌های شبکه عصبی مصنوعی[ii] جهت تشخیص و طبقه­بندی عیوب بیرینگ­ها اعمال می­گردد. خروجی­های شبکه عصبی، عیوب بیرینگ­ها هستند که با انتخاب تعداد مناسب نرون­های لایه پنهان (لایه میانی)، حداکثر دقت در تشخیص عیوب حاصل می­شود. نتایج، پیاده­سازی موفق و کارآمد تحلیل طیف تکین در عیب‌یابی بیرینگ­های غلتشی با کمترین خطا را نشان می­دهد. [i]. Singular Spectrum Analysis (SSA) [ii]. Artificial Neural Networks (ANN)}, keywords_fa = {تحلیل طیف تکین,شبکه عصبی مصنوعی,عیب‌یابی,بیرینگ غلتشی,سیگنال ارتعاشی}, url = {https://jvs.isav.ir/article_30755.html}, eprint = {https://jvs.isav.ir/article_30755_a6e89bcdd9a76f3189898a3264f1ad94.pdf} }