ترجمه مقاله یک راه حل مبتنی بر عیب یابی در توربینهای بادی

ترجمه مقاله یک راه حل مبتنی بر عیب یابی در توربینهای بادی در 23 صفحه فارسی ورد قابل ویرایش با فرمت doc به همراه اصل مقاله انگلیسی

عنوان فارسی :

یک راه حل مبتنی بر عیب یابی در توربینهای بادی

عنوان انگلیسی :

AnSVM-BasedSolutionforFaultDetectioninWindTurbines

تعداد صفحات فارسی : 23 صفحه ورد قابل ویرایش

سطح ترجمه : متوسط

شناسه کالا : y2024

دانلود رایگان مقاله انگلیسی : http://ofmas.ir/dlpaper/y2024.pdf

دانلود ترجمه فارسی مقاله : بلافاصله پس از پرداخت آنلاین 27 هزار تومان قادر به دانلود خواهید بود .

بخشی از ترجمه :

چکیده
تحقیقات در تشخیص نقص فنی در ماشین آلات دارای طیف وسیعی از بارها و سرعتهای متغیر، مثل توربین های بادی، از بسیار مورد توجه صنعتی قرار دارد. تحلیل سیگنالهای توان ساتع شده توسط توربینهای بادی برای تشخیص نقصهای مکانیکی در زنجیره ارسال آنها، ناکافی است. یک تشخیص موفقیت آمیز به شمول شتاب سنج ها برای ارزیابی ارتعاش ها نیاز دارد. این اثر، سیستم چند حسی برای تشخیص نقص فنی در توربینهای بادی را ارائه میدهد، که با راه حل داده کاوی برای کار دسته بندی انتخاب میشود، از جمله دو هسته ی قدیمی و دو هسته ی جدید. این سیستم چند حسی، بر روی یک صفحه ی آزمایش ارزیابی شده است که شرایط حقیقی توربینهای بادی را با دو سنخ شناسی نقص فنی، شبیه سازی میکند: عدم تراز و عدم تعادل. مقایسه عملکرد SVM و ANNها بر حسب دقت، زمانهای آموزش و میزان سازی، از هسته های دیگر بهتر عمل میکند. مناسب بودن و عملکرد بهتر SVM خطی، هم به طور آزمایشی تحلیل میشود، تا نتیجه گیری کند این تکنیک کسب داده، مجموعه داده های قابل تفکیک خطی را ایجاد میکند.

Abstract

 Research into fault diagnosis in machines with a wide range of variable loads and speeds, such as wind turbines, is of great industrial interest. Analysis of the power signals emitted by wind turbines for the diagnosis of mechanical faults in their mechanical transmission chain is insufficient. A successful diagnosis requires the inclusion of accelerometers to evaluate vibrations. This work presents a multi-sensory system for fault diagnosis in wind turbines, combined with a data-mining solution for the classification of the operational state of the turbine. The selected sensors are accelerometers, in which vibration signals are processed using angular resampling techniques and electrical, torque andspeedmeasurements. Supportvectormachines(SVMs)areselectedfortheclassification task, including two traditional and two promising new kernels. This multi-sensory system has been validated on a test-bed that simulates the real conditions of wind turbines with two fault typologies: misalignment and imbalance. Comparison of SVM performance with the results of artificial neural networks (ANNs) shows that linear kernel SVM outperforms other kernels and ANNs in terms of accuracy, training and tuning times. The suitability and superior performance of linear SVM is also experimentally analyzed, to conclude that this data acquisition technique generates linearly separable datasets.