Machines Fault Detection 2.0

Lisensi: Gratis ‎Ukuran file: 2.20 MB
‎Peringkat Pengguna: 0.0/5 - ‎0 ‎Suara

Teknologi diagnostik digunakan untuk meningkatkan efisiensi mesin berputar dalam sistem energi dengan mendeteksi kesalahan yang akan datang. Mesin berputar kecil biasanya tidak memiliki unit diagnostik di pesawat. Unit diagnostik portabel mahal dan membutuhkan informasi yang sangat rinci tentang mesin yang dipantau, dari diameter elemen bergulir di bantalan, hingga jumlah batang rotor. Oleh karena itu, ada area kesempatan untuk mengembangkan unit diagnostik berbiaya rendah yang tidak memerlukan informasi mesin terperinci. Smartphone modern tampaknya cocok untuk tugas ini karena mereka memiliki akuisisi data akustik dan getaran bawaan dan kapasitas komputasi yang cukup besar. Namun, mereka memiliki keterbatasan perangkat keras dibandingkan dengan unit diagnostik mutakhir seperti laju pengambilan sampel data dan sensitivitas sensor.

Satu set motor induksi diuji dalam kondisi baik, sehat dan rusak (rotor tidak seimbang, bantalan rusak dan rotor bar rusak) untuk menganalisis getaran dan sinyal akustik yang direkam dengan smartphone. Kemudian, data yang direkam dianalisis untuk mengidentifikasi tanda tangan emisi yang sehat dan rusak. Sebanyak sekitar 85 menit emisi akustik dan sekitar 125 menit data getaran dicatat di sepanjang semua kondisi operasi yang berbeda. Hasil penelitian menunjukkan bahwa dimungkinkan untuk memperkirakan kecepatan rotasi alat berat dan mendeteksi kesalahan dengan rekaman smartphone. Tanda tangan rusak emisi akustik terletak antara 4 KHz & ndash; 8 KHz dalam bentuk kluster frekuensi dan kecepatan bermagnitudo tinggi dapat diperkirakan menggunakan harmoni frekuensi rotasi mekanis yang ada antara 100 Hz- 1 KHz. Demikian pula getaran tanda tangan rusak terletak di sepanjang spektrum frekuensi dalam bentuk puncak bermagnitudo tinggi dan kecepatan rotasi dapat diperkirakan dengan menggunakan frekuensi getaran puncak. Akhirnya aplikasi Android yang berfungsi penuh dikembangkan berdasarkan hasil pengujian untuk secara otomatis mendeteksi kecepatan motorik dan status kesehatan. Pengujian validasi menunjukkan akurasi 90% dalam deteksi kesalahan.

Riwayat versi

  • Versi 2.0 diposting di 2014-09-08
    Bug tetap, Algoritma yang disempurnakan, Antarmuka baru

Detil Program