مهدی مطاعی - دانشجوی کارشناسی ارشد، مهندسی مکانیک، دانشکده فنی و مهندسی، واحد کرمانشاه، دانشگاه آزاد اسلامی

آنالیز تصاویر حرارتی یکی از روشهای پرکاربرد در پایش وضعیت تجهیزات صنعتی است که در این تحقیق از اینروش برای پایش وضعیت الکتروموتور استفادهشده است. در این تحقیق سه عیب رایج در الکتروموتورها بررسیشد (خرابی در روتور، خرابی در یاتاقان و ناهمراستایی در پولی روتور و ژنراتور) بنابراین به مدت یک ساعت از هرحالت الکتروموتور تصویربرداری شد. هر تصویر به سه ناحیه S۲, S۱ و S۳ تقسیم شد که به ترتیب هر ناحیه معرف سطح استاتور و روتور، سطح یاتاقان و سطح پولی است. سپس از هر تصویر ویژگی های رنگ و بافت استخراج شد. ۴۸ ویژگی آماری مرتبه اول و ۹۶ ویژگی آماری مرتبه دوم استخراج شد که در مجموع ۱۴۴ ویژگی از هر تصویر استخراج گردید. به منظور تشخیص هوشمند وضعیت عیوب از شبکه های عصبی مصنوعیپرسپترون چند لایه استفاده شد. با تغییر تعداد نرون های لایه پنهان ابتدا دقت شبکه عصبی افزایش و سپسکاهش یافت و در حالت استفاده از ۱۱ نرون بیشترین دقت شبکه عصبی به ازای داده های آموزش و آزمونمشاهده شد که بهینهترین حالت و ساختار شبکه عصبی مصنوعی برای تشخیص عیوب الکتروموتور شبکه ای باتوپولوژی ۴-۱۱-۱۴۴ است. بررسی ماتریس اغتشاش نشان داد که دقت کلی شبکه عصبی مصنوعی برای داده های آموزش، آزمون و ارزیابی به ترتیب ۱۰۰%، ۱۰۰% و ۹۶/۳% بود.

الکتروموتور، ترموگرافی، عیب، شبکه عصبی مصنوعی