فایل ورد کامل توسعه مانیتورینگ توزیع شده سلامت بردگاه (یاطاقان) و سیستم ارزیاب

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 توسعه مانیتورینگ توزیع شده سلامت بردگاه (یاطاقان) و سیستم ارزیاب،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۲ صفحه

۵ نکات کاربردی
برای آزمودن شبکه عصبی، داده های بردگاه خوب و داده های بردگاه با برخی از نقص های ویژه باید جمع آوری شود. داده های بردگاه خوب را متیوان از دوره اولیه آزمایش بدست آورد. برای کسب داده های بردگاه هایی با نقص خاص، بردگاه های نمونه با نقص خاص انتخاب شده از تست قبلی، مجددا برای ابزار آزمایش نصب شدند و سپس داده ها در این صورت با شروع کردن دوباره و از اول تست گرفته شدند. این داده ها برای آزمودن شبکه عصبی موج ضربه ای کوچک تشخیص دهنده استفاده شدند. داده ها برای پیش بینی کننده را می توان از بردگاه هایی با ترک سابقه دار اندازه متفاوت بدست آورد. این بردگاه ها روی ابزار آزمایش به ترتیب نزولی و تکرار آزمایش نصب می شوند، داده های ارتعاش اندازه ترک متفاوت در به ترتیب ن زولی ، برای آموزش DWNN جمع آوری و استفاده می شود.
سیستم از قبل در مرکز تست و سرکشی کارخانه بردگاه در چین پیاده شد و الگوریتم های تشخیص و پیش بینی خطا آزمایش و بهبود یافتند زمانی که این مقاله نوشته شد.

عنوان انگلیسی:Development of a Distributed Bearing Health Monitoring and Assessing System~~en~~

۵ Application Notes

For training the neural network, both data of good bearings and data of bearings with some specific defects need to be collected. Good bearing data can be got from the early period of a testing. To get data of bearings with specific defect, sample bearings with specific defect selected from past test were reinstalled to the testing rig and then data can be got by restarting a test. These data were used for training the waveLet neural network of the diagnostician. Data for training the prognosticator can be got from bearings with seeded crack of different size. Install these bearings on the testing rig in an ascending order and repcat the test, vibration data of different crack size in an ascending order will be collected and used to train the DWNN[13].

$$en!!