.
خانه ژورنال دانشجویان ایران (Iranian Students Article House)
.
عنوان فارسی مقاله : تصاویر Spin برجسته: نرم افزار archeozoology برای تشخیص استخوان
.
English Article Title: Salient Spin Images: an application to archaeozoology for bones recognition
Year: 2019
Publisher: ELSEVIER
Journal: Procedia Computer Science
DOI: doi.org/10.1016/j.procs.2019.01.032

Keywords:
#3D_object
recognition
#archaeozoology
#spin
occlusions
#clutters
performance
#complexity
#recognition_rate
health
#Life_Sciences
#Physical_Sciences_and_Engineering
#Social_Sciences_and_Humanities
#Agricultural_and_Biological_Sciences
#Veterinary_Medicine
#Computer_Science
#Social_Sciences
#علوم_پزشکی_و_بهداشت
#علوم_زیستی_و_کشاورزی
#علوم_پایه_و_فنی_مهندسی
#علوم_انسانی_و_اجتماعی
#مقاله_دامپزشکی
#مقاله_کشاورزی
#مقاله_علوم_زیستی
#مقاله_کامپیوتر
#مقاله_علوم_اجتماعی
#جسم_سه_بعدی
#تشخیص
#اسپین
#انعطاف_پذیری
#پارازیت
#کارایی
#پیچیدگی
#نرخ_تشخیص

چکیده مقاله:
باستان شناسی یا باغ وحش شناسی، زمینه علمی با هدف بازسازی روابط طبیعی و فرهنگی بین انسان و حیوانات است. برای دستیابی به این هدف، باستان شناسان به بررسی بقایای فون، مانند استخوان ها می پردازند. بدین منظور، بیان 3 بعدی جسم در موقعیت انجام می شود که این کار، امکان درک بهتر از موقعیت های فضایی اولیه حیوانات در چاله ها و امکان بررسی دقیق تر فرضیه های توضیحی را با تغییر دید 3 بعدی از گودال و استخوان ها فراهم می سازد. این تغییر دید به استفاده از تکنیک های بینایی کامپیوتری، از جمله روش های تشخیص چهره سه بعدی اشاره دارد. در این کار ، یک رویکرد جدید برای تشخیص استخوان های 3 بعدی در صحنه های انعطاف پذیری و پارازیت حاصل از پیشرفت علمی به نام تصاویر اسپین استفاده شد. به منظور بهبود نیروی انعطاف پذیری و پارازیت و همچنین کاهش پیچیدگی الگوریتم، این روش را با مفهوم برتری ترکیب کردیم.
کليدواژه ها: جسم 3 بعدی ، تشخیص ، archeozoology ، اسپین ، انعطاف پذیری(جفت شدن دندانها) ، پارازیت(صدای ناهنجار) ، کارایی، پیچیدگی ، نرخ تشخیص

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2P9Dsh6

.
خانه ژورنال دانشجویان ایران (Iranian Students Article House)
.
عنوان فارسی مقاله : تشخیص چهره عمیق با استفاده از داده های ناقص صورت
.
English Article Title: Deep face recognition using imperfect facial data
Year: 2019
Publisher: ELSEVIER
Journal: Future Generation Computer Systems
DOI: doi.org/10.1016/j.future.2019.04.025

Keywords:
#Face_recognition
#Physical_Sciences_and_Engineering
#Convolutional_neural_networks
#Deep_learning
#Cosine_similarity
#Computer_Science
#علوم_پایه_و_فنی_مهندسی
#مقاله_کامپیوتر
#تشخیص_چهره
#شبکه_عصبی_پیچشی
#یادگیری_عمیق
#شباهت_کسینوسی

چکیده مقاله: امروزه تشخیص چهره مبتنی بر کامپیوتر یک مکانیسم بالغ و قابل اطمینان است که به طور عمده برای بسیاری از سناریوهای کنترل دسترسی مورد استفاده قرار می گیرد. به این ترتیب که تشخیص چهره یا احراز هویت عمدتا با استفاده از داده های کامل از تصاویر جلوی صورت انجام می شود. اگرچه ممکن است در عمل این مورد پیش بیاید، اما موقعیت های متعددی وجود دارد که ممکن است تصاویر کامل جلوی صورت در دسترس نباشد - تصاویر چهره ناقص که اغلب از دوربین های مدار بسته می آیند، شامل این موارد هستند. از این رو، مسئله تشخیص چهره مبتنی بر رایانه با استفاده از اطلاعات جزئی به عنوان شاخص هنوز هم تا حد زیادی یک حوزه تحقیق ناشناخته است. با توجه به این که به طور ذاتی انسانها و رایانه ها در تشخیص چهره و احراز هویت متفاوت هستند، باید جالب و جذاب باشد که بدانند یک رایانه زمانی که با یک چالش تشخیص چهره روبرو می شود چگونه به اجرای مختلف صورت توجه می کند. در این کار، ما این پرسش را بررسی میکنیم که ایده تشخیص چهره با استفاده از اطلاعات جزئی صورت را در بر می گیرد. ما این مسئله را با استفاده از آزمایش های جدید برای تست عملکرد یادگیری ماشین با استفاده از تصاویر جزئی چهره و دستکاری های دیگر در تصاویر چهره مانند چرخش و زوم، که به عنوان سرنخهای آموزش و تشخیص استفاده شده است، مورد بررسی قرار دادیم. به طور ویژه، ما میزان تشخیص را با توجه به قسمت های مختلف صورت مانند چشم ها، دهان، بینی و گونه مطالعه می کنیم. ما همچنین به بررسی تشخیص چهره با چرخش صورت و بزرگنمایی تصویر صورت پرداختیم. آزمایشات ما بر اساس استفاده از معماری مبتنی بر شبکه عصبی پیچشی پیشرفته با مدل VGG-Face آموزش دیده از قبل است که از طریق آن ویژگی ها را برای یادگیری ماشین استخراج می کنیم. سپس از دو طبقه بند، يعني شباهت کوسینوسی و ماشین های بردار برای بررسی نرخهای تشخیص استفاده مي شود. ما آزمایش های ما را روی دو مجموعه داده عمومی که شامل FEI کنترل شده برزیل و مجموعه داده کنترل نشده LFW هستند انجام دادیم. نتایج ما نشان می دهد که بخش های منحصر به فرد چهره مانند چشم ها، بینی ها و گونه ها دارای نرخ تشخیص کم هستند، اما زمانی که بخش های فردی صورت ترکیب شده به عنوان شاخص معرفی می شوند، میزان تشخیص به سرعت در حال افزایش است.
کلمات کلیدی: تشخیص چهره ، شبکه عصبی پیچشی ، یادگیری عمیق ، شباهت کسینوسی

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2rweIXe

.
خانه ژورنال دانشجویان ایران (Iranian Students Article House)
.
عنوان فارسی مقاله : مشتقات ثابت دو بعدی تفکیک پذیر صریح برای تشخیص جسم
.
English Article Title: Explicit Separable two dimensional Moment Invariants for object recognition
Year: 2019
Publisher: ELSEVIER
Journal: Procedia Computer Science
DOI: doi.org/10.1016/j.procs.2019.01.049

Keywords:
#Physical_Sciences_and_Engineering
#Moment_Invariants
#Explicite_Method
#Separable_Moments
#Krawtchouk_Polynomials
#Tchebichef_Polynomials
#Pattern_Recognition
#Computer_Science
#علوم_پایه_و_فنی_مهندسی
#مقاله_کامپیوتر
#مشتقات_غیرمستقیم
#روش_صریح
#ثابت_تفکیک_پذیر
#چند_جمله_ای_Krawtchouk
#چندجمله_ای_Tchebichef
#تشخیص_الگو

چکیده مقاله: مشتقات ثابت تصویر به طور گسترده ای در زمینه های تشخیص الگو و دید رایانه مورد استفاده قرار گرفته اند، زیرا آنها قادر به ارائه الگوی ویژگی های مستقل تبدیل هندسی هستند. در حال حاضر، ثابت های تفکیک پذیر و مشتقات آنها به دلیل توانایی در ترکیب ویژگی های اساسی ثابت های متعامد مختلف، بیشتر مورد توجه قرار گرفته است. با این حال، بسیاری از مشتق های ثابت تفکیک پذیر موجود، به طور غیرمستقیم از مشتق های هندسی و بر اساس رابطه چندجمله ای متعامد و هندسی، به دست می آیند. بنابراین، در این مقاله، رویکرد مستقیمی برای ساخت مجموعه ای از مشتق های ثابت تفکیک پذیر گسسته Chebichef-Krawtchouk پیشنهاد شد که در آن به طور همزمان مشتق برای چرخش، مقیاس پذیری و تبدیل انتقال فراهم می شود و مبتنی بر فرم صریح چند جمله ای Tchebichef و Krawtchouk است. در نتیجه، نتایج تجربی و نظری اثربخشی روش پیشنهادی اثبات شد و ارجحیت آنها در طبقه بندی تصویر و شناخت الگو در مقایسه با روش های موجود نشان داده شد.
کليدواژه: مشتقات غیرمستقیم ، روش صریح ، ثابت تفکیک پذیر ، چندجمله ای Krawtchouk ، چندجمله ای Tchebichef ، تشخیص الگو

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2ryHYNd

خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : تشخیص و کاهش حملات DDoS با استفاده از چارچوب اینترنت اشیاء تعریف شده توسط نرم افزار
.
English Article Title: A DDoS Attack Detection and Mitigation With Software-Defined Internet of Things Framework
Year: 2018
Publisher: IEEE
Journal: Security and Trusted Computing for Industrial Internet of Things
DOI: https://doi.org/10.1109/ACCESS.2018.2831284

Keywords:
#Software_defined_Internet_of_Things (#SD_IoT)
#distributed_denial_of_service (#DDoS)
#attack_detection
#attack_mitigation
#cosine_similarity
#DDoS_Attack
#Internet_of_Things (#IoT)
#تشخیص_حمله
#کاهش_حمله
#حملات_DDoS
#اینترنت_اشیاء
#اینترنت_اشیا
#تشابه_نمودار_کسینوسی
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)

چکیده مقاله:
با گسترش نرم افزارهای اینترنت اشیاء (IoT)، امنیت امری بسیار مهم شده است. در حمله DDOS اخیر تمامی بخش های اینترنت اشیاء آسیب پذیر نشان دادند و بسیاری از دستگاه های IoT ناخواسته به حمله DDoS کمک کردند. با پدیدار شدن الگو هایی از هر چیز تعریف شده توسط نرم افزار راه برای ایمن سازی دستگاه های IoT فراهم شده است. در این مقاله ابتدا چارچوب اینترنت اشیاء تعریف شده توسط نرم افزار براساس الگو SDX را ارائه می کنیم. چارچوب پیشنهادی شامل یک کنترل کننده تشکیل شده از کنترل کننده های SD-IoT می باشد، سوئیچ های SD-IoT با یک دروازه ، با دستگاه های IoT یکپارچه شده اند. سپس یک الگوریتم برای شناسایی و کاهش حملات DDoS با استفاده از چارچوب پیشنهادی SD-IoT و الگوریتم پیشنهادی طرح کرده ایم.تشابه نمودار کسینوسی بردارهای سرعت هر بسته از پیام در پورتهای سوئیچ SD-IoT جهت مشخص کردن اینکه آیا حملات DDoS در IoT رخ می دهد استفاده می شود. در نهایت، نتایج آزمایش ها نشان می دهد که الگوریتم پیشنهادی عملکرد خوبی دارد، و چارچوب پیشنهادی برای تقویت امنیت IoT با دستگاه های ناهمگن و آسیب پذیر سازگار است
کلمات کلیدی: SD-IoT، DDOS، تشخیص حمله، کاهش حمله، تشابه نمودار کسینوسی

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2MryR8e

خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : روش‌های پردازش سیگنال در تشخیص خطا در سیستم‌های تولیدی
.
English Article Title: Signal processing methods in fault detection in manufacturing systems
Year: 2018
Publisher: ELSEVIER
Journal: Procedia Manufacturing
DOI: https://doi.org/10.1016/j.promfg.2018.03.089

Keywords:
#discrete_wavelet_transform
#wavelet_packet_transform
#fault_detection
#signal_processing
#موجک
#سیستم_تولید
#تبدیل_موجک_گسسته
#تبدیل_بسته_موجک
#تشخیص_خطا
#پردازش_سیگنال
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#مقاله_مهندسی (#Engineering)

چکیده مقاله:
این مقاله مقدمه کوتاهی در خصوص مسئله تشخیص خطا در سیستم‌های تولیدی با استفاده از روش‌های پردازش سیگنال دیجیتال ارائه می‌دهد. معمولاً، در سیستم‌های تولیدی خطا‌ها می‌توانند در درایوهای الکتریکی (تبدیل‌کننده ولتاژ سینوسی شبکه با دامنه و فرکانس ثابت به یک ولتاژ سینوسی کنترل‌شده)، خطوط انتقال، سیستم‌های مدیریت قدرت رخ دهد و می‌تواند از طریق گرفتن داده‌های سنسور‌ها تشخیص داده شود. مهم‌ترین وظیفه عیب‌شناسی، تمایز قائل شدن بین شرایط عادی عملکرد از شرایط معیوب می‌باشد. تشخیص خطای صورت‌گرفته در سیستم‌های تولیدی بستگی به این دارد که چگونه ویژگی‌های خطا‌ها به صورت مؤثر از سیگنال‌های دریافت‌شده استخراج می‌گردد. این مقاله بر روی پردازش سیگنال بر پایه روش‌های استفاده از تبدیلات موجک گسسته (DWT) و بسته موجک (WPT) برای تشخیص و طبقه‌‌بندی خطا‌های ایجادشده تمرکز دارد. خطاها با استفاده از تست سیگنال‌ها با زمان‌های متفاوت و ویژگی‌های فرکانس شبیه‌سازی شده‌است و نتایج حاصل از رویکردهای مختلف ارزیابی و مقایسه شده‌اند. نتایج شبیه‌سازی نشان می‌دهد که تکنیک‌های پیشنهادی مسئله تشخیص خطا را کنترل کرده و حتی می‌توانند ناهنجاری‌هایی که در روند بلندمدت سیگنال‌های تشخیص داده شده کشف می‌شود، را پیش‌بینی کند.

کلمات کلیدی: تبدیل موجک گسسته، تبدیل بسته موجک، تشخیص خطا، پردازش سیگنال

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2SIWrRM

خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : تشخیص ناهنجاری در شبکه های چندگانه
.
English Article Title: Anomaly Detection in Multiplex Networks
Year: 2018
Publisher: ELSEVIER
Journal: Procedia Computer Science
DOI: https://doi.org/10.1016/j.procs.2017.12.078

Keywords:
#Multiplex_Network
#Anomaly_Detection
#multiple_Layers
#Edges
#Nodes
#شبکه_چندگانه
#تشخیص_ناهنجاری
#لایه‌های_چندگانه
#لبه‌ها
#گره‌ها
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#مقاله_مهندسی (#Engineering)

چکیده مقاله:
با وجود شبکه های اجتماعی تاثیرگذار متعددی مانند شبکه جهانی وب، فیس بوک، توییتر و غیره، تشخیص ناهنجاری های اجتماعی، امری حیاتی است. تکنیک های مختلفی برای شناسایی نقاط دورافتاده و ناهنجاری ها در داده های گرافیکی توسعه یافته است. اخیرا، حوزه شبکه های چندگانه به علت نتایج عینی تر، توجه زیادی را در میان محققان برانگیخته است. یک شبکه چندگانه، شبکه ای است متشکل از چندین سیستم با مجموعه ای از گره های یکسان و انواع مختلفی از ارتباط بین گره ها وجود دارد. در این مقاله، به کشف و شناسایی ناهنجاری ها در شبکه های چندگانه متعددی می پردازیم. ناهنجاری یا نقاط دورافتاده به معنای گره هایی است که در سیستم به صورت غیر عادی یا مشکوک رفتار می کنند. در مقایسه با شبکه های تک لایه، گره های نقاط دورافتاده را ممکن است بتوان در بسیاری از لایه های شبکه چندگانه یافت و پیدا کردن ناهنجاری در شبکه های چندگانه هنوز مبحثی کاملا جدید است. ما در این مطالعه، معیار جدیدی را به نام تشخیص ناهنجاری لایه متقاطع (CAD) است. CAD معیاری است که ناهنجاری های موجود در شبکه چندگانه را تشخیص می دهد. ما برای انجام آزمایشات خود از دو شبکه چندگانه در دنیای واقعی استفاده کرده و نتایج معیار پیشنهادی خود را با سایر روش های مشابه مقایسه و نتایج دلگرم کننده و مشابهی دریافت می کنیم.

کلمات کلیدی: شبکه چندگانه؛ تشخیص ناهنجاری؛ لایه های چندگانه؛ لبه ها؛ گره ها

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2MVvBSZ

عنوان فارسی مقاله : تغییر حجم سنجی نوری پیشرفته با الهام از زیست بوم (PPG) وکاربرد سیستم تشخیص پترن ECG در ارزیابی پزشکی
.
English Article Title: An Advanced Bio-Inspired PhotoPlethysmoGraphy (PPG) and ECG Pattern Recognition System for Medical Assessment
Year: 2018
Publisher: MDPI
Journal: Sensors
DOI: https://doi.org/10.3390/s18020405

Keywords:
#PPG
#ECG
#pattern_recognition
#physiological_signal
#علوم_پزشکی_و_بهداشت (#health)
#مقاله_پزشکی (#Medical)
#مقاله_پرستاری (#Nursing)
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#مقاله_مهندسی (#Engineering)
#تشخیص_پترن
#سیگنال_فیزیولوژیکی

چکیده مقاله:
سیگنال‌های فیزیولوژیکی کاربرد وسیعی در اجرای ارزیابی پزشکی دارند تا دامنه وسیع پاتولوژی‌های مرتبط به بیماریها ،معمولا بیماری‌های قلبی- عروقی را مانیتورینگ نماید. در این میان، هم سیگنال‌های تغییر حجم سنجی نوری (PPE) و هم الکتروکاردیوگرافی (ECG) کاربرد بسیاری دارند. سیگنال‌های PPG، روش اندازه‌گیری غیر تهاجمی هستند که از طریق شناسایی و تحلیل تابش نوری به عقب پراکنده شده از پوست ، برای مطالعه ضربان‌های حجم خون استفاده می‌شوند. ECG، فرایند ثبت فعالیت الکتریکی قلب طی یک دوره زمان می باشد که از الکترودهای واقع بر روی پوست استفاده می‌کند. در مقاله حاضر، ترکیب فیزیولوژیکی ECG/PPG با استفاده از سیستم غیر خطی الهام گرفته از زیست بوم بر مبنای مدل ریاضیاتی واکنش- دیفوژن مطرح می‌گردد که از طریق متدلوژی شبکه عصبی سلولی (CNN) پیاده سازی می‌شود تا سیگنال PPG را از طریق تعیین امتیاز تشخیص به شکل موجهایی مجموعه‌های زمانی فیلتر نماید. سیگنال PPG "پاک" بدست آمده، مستثنی از انحراف و مصنوعات بکار برده‌شده جهت ارزیابی هدف تشخیص یک سیگنال ECG می‌باشد که بطور همزمان برای همان بیمار آشکار می‌شود. سیستم ترکیب PPG-ECG چند محلی که در این تحقیق پیشنهاد می‌شود، از محدودیت‌های پیشرفته‌ترین تکنولوژی در این زمینه گذر نموده است و سیستمی معتبر برای ارزیابی پارامترهای فیزیولوژیکی فوق الذکر و مانیتورینگ آنها در طول زمان را جهت ارزیابی پزشکی استوار ارائه می‌نماید. سیستم پیشنهادی ارزیابی شده است و نتایج حاصل بر قدرتمندی روش پیشنهادی تایید دارد.
کلمات کلیدی: PPG، ECG، تشخیص پترن، سیگنال فیزیولوژیکی

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2YNEzs4

عنوان فارسی مقاله : GA CC-: الگوریتم ژنتیک براساس ضریب خوشه‌بندی برای تشخیص جوامع در شبکه‌های اجتماعی
.
English Article Title: CC-GA: A clustering coefficient based genetic algorithm for detecting communities in social networks
Year: 2018
Publisher: ELSEVIER
Journal: Applied Soft Computing
DOI: https://doi.org/10.1016/j.asoc.2017.11.014

Keywords:
#Community_detection
#Graph_clustering
#Genetic_algorithm
#Artificial_intelligence
#Social_network_analysis
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#تشخیص_جامعه
#خوشه_بندی_نمودار
#الگوریتم_ژنتیک
#هوش_مصنوعی
#تجزیه_و_تحلیل_شبکه_های_اجتماعی

چکیده مقاله: ساختار اجتماع، بخش لاینفک شبکه اجتماعی می‌باشد. تشخیص این اجتماعات، نقش مهمی در دامنه وسیعی از برنامه‌های کاربردی که شامل تحلیل خوشه، سیستم‌های توصیه و شناخت رفتار سیستم‌های پیچیده می‌باشد اما به آنها محدود نمی‌شود. محققان، الگوریتم‌های بسیاری را برای کشف ساختارهای اجتماعی شبکه‌ها بیان نموده‌اند. کشف جوامع، کاری چالش برانگیز است و هیچ الگوریتم منفردی وجود ندارد که بهترین نتایج را برای کلیه شبکه‌ها ارائه دهد. بنابراین علاوه بر راه‌حل‌های ظریف، کشف جوامع، حوزه تحقیق فعالی می‌باشد. در این مقاله، الگوریتم جدیدی به نام الگوریتم ژنتیک براساس ضریب خوشه‌بندی (CC – GA) برای تشخیص آنها در شبکه‌های اجتماعی و پیچیده مطرح می‌شود. محققان از چند الگوریتم ژنتیک برای تشخیص اجتماعات استفاده نموده‌اند اما الگوریتم پیشنهاد برحسب گسترش جمعیت اولیه و روش جهش، جدید می‌باشد و این موارد سبب بهبود کارایی و صحت آن می‌شود.
آزمایشات مربوط به مجموعه داده‌های جهان واقعی و مقایسه الگوریتم‌های پیشرفته مبنی بر ژنتیک و غیر ژنتیک، نتایج بهبود یافته‌ای را نشان می‌دهد.
کلمات کلیدی : تشخیص جامعه، خوشه بندی نمودار، الگوریتم ژنتیک، هوش مصنوعی، تجزیه و تحلیل شبکه های اجتماعی

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/3fx2TEu

عنوان فارسی مقاله : میانگین‌گیری دامنه فرکانس براساس ارزیابی تجربی خرابی دنده بدون دورسنج برای شرایط سرعت در حال نوسان
.
English Article Title: Frequency domain averaging based experimental evaluation of gear fault without tachometer for fluctuating speed conditions
Year: 2017
Publisher: ELSEVIER
Journal: Mechanical Systems and Signal Processing
DOI: https://doi.org/10.1016/j.ymssp.2016.08.015

Keywords:
#Fault_detection
#Gear_crack
#Fluctuating_speeds
#Dynamic_time_warping
#Kurtosis
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#مقاله_انرژی (#Energy)
#مقاله_مهندسی (#Engineering)
#قوس_زمانی_پویا
#تشخیص_عیب
#ترک_دنده
#سرعت_نوسان
#کورتوز

چکیده مقاله:
در دامنه سرعتهای در حال نوسان، تشخیص خرابی دنده به علت رفتار دینامیک نیروها چالش‌آور است. در کاربردهای متنوع صنعتی از گیرلکس استفاده می‌شود که تحت شرایط سرعت در حال نوسان کار می‌کند. به منظور عیب‌شناسی گیربکس، نوسانات متنوعی براساس روشهای پردازش سیگنال بطور مختصر FFT، میانگین‌گیری همزمان و تبدیل ویولت براساس فرکانس زمانی و غیره بطور اصولی بکار برده می‌شود. اکثر اوقات، نظریه‌هایی در مورد داده‌ها یا پیچیدگی محاسباتی محدود به کاربرد این روشها می‌شود. به منظور اجرای عیب‌یابی خرابی گیربکس برای سرعتهای در حال نوسان، میانگین‌گیری دامنه فرکانس (FDA) توابع مد ذاتی IMF)ها( بعد از کش و قوس زمانی پویا (DTW) در این مقاله اجرا شده است. این مورد نه تنها تاثیر سرعتهای در حال نوسان را تقویت نمی‌کند بلکه مشخصه خرابی ضعیفی را استخراج می‌کند که در سیگنال ارتعاشی پنهان می‌شود. بطور تجربی سیگنالها از شبیه‌ساز عیب‌یابی در ایوترن در شرایط متفاوت سلامتی نده کسب شدند یعنی چرخ‌دنده پینیون سالم، پینیون با شکاف دندانه‌ای، دندانه‌های لب پریده و دندانه‌های افتاده و برای مشخصات سرعت متفاوت در حال نوسان تحلیل می‌شود. کشیدگی برای IMFهای کش و قوس‌دار قبل از DTW و بعد از DTW سیگنالهای نوسان دریافتی محاسبه می‌شود. سپس، کاربرد FDA بطور برجسته فرکانس‌های خرابی موجود در FFT نده‌های خراب را نشان می‌دهد. این نتیجه بیان می‌کند که رویکرد پیشنهادی در راستای عیب یابی خطا با سرعت در حال نوسان موثرتر است.
کلمات کلیدی : قوس زمانی پویا (DTW) ، تشخیص عیب، ترک (خرابی) دنده، سرعت نوسان، کورتوز

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2WQzFI1