فایل ورد کامل یک راه حل مبتنی بر SVM عیب یابی در توربین های بادی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل یک راه حل مبتنی بر SVM عیب یابی در توربین های بادی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۸ صفحه

۶ نتیجه گیری ها و خطوط کاری آینده
معماری نوید بخش برای کشف نقصهای یاطاقان در گیربکسهای توربین های بادی ارائه شده است که از ترکیبی از نمونه بردرای مجدد زاویه ای برای تحلیل ارتعاش، نظارت توان خروجی توربین بادی و تکنیک های داده کاوی برای وظیفه دسته بندی، تشکیل میشود. برای غلبه بر کمبود مجموعه داده ها با طیف وسیعی از شرایط بارها و سرعتها، آزمایشات مختلفی روی یک صفحه آزمایش برای دو مکانیسم نقص رایج انجام شده اند: عدم تراز (دو سطح نقص) و عدم تعادل (پنج سطح نقص)، علاوه بر مورد غیر نقص فنی. کل مجموعه داده شامل ۶۵۵۱ نمونه با ۵۴۴ متغیر بود، به گونه ای که میتواند یک مشکل در اندازه بزرگ قلمداد شود. مجموعه داده در اصل در هفت مورد نقص فنی و مورد غیر نقص فنی، متعادل شد، هم بخشی هر یک در داده های نهایی بالاتر از ۸۴% و پایین تر از ۱۳۵% میباشد.

عنوان انگلیسی:An SVM-Based Solution for Fault Detection in Wind Turbines~~en~~

۶ Conclusions and Futures Lines of Work

A promising architecture to detect bearing failures in wind-turbine gearboxes has been presented that comprises a combination of angular resampling for vibration analysis, monitoring of the wind-turbine power output and data-mining techniques for the classification task. To overcome the lack of datasets with a wide range of conditions of loads and speeds, different experiments have been performed on a test-bed for two common failure mechanisms: misalignment (two levels of failure) and imbalance (five levels of failure), in addition to the non-fault case. The whole dataset included 6551 instances with 544 variables, such that it can be considered a high dimensional problem. The dataset was mainly balanced within the seven fault cases and the non-fault case, the contribution of each one to the final data set being higher than 8.4% and lower than 13.5%.

$$en!!