بحث عیب یابی ماشین آلات دوار یکی از موضوعات مهم و کاربردی در صنایع می باشد. تحلیل ارتعاشی قسمت های مختلف یک ماشین به عنوان ورودی یکی از روش های غیر مخرب و قابل اجرا در حین کار ماشین، روش مطمئن و ساده ای است که در بسیاری از موارد توصیه می شود. در این تحقیق پس از ساخت مدل ماشین دوّار چهار عیب متداول یعنی 1) نابالانسی 2) ناهمراستایی 3) خرابی یاتاقان 4) لقی مکانیکی را بطور جداگانه برروی دستگاه ایجادشده است. سپس توسط نصب پیکاپ برروی محفظه یاتاقان ها سیگنال های ارتعاشی را در فرکانس های مختلف جمع آوری نموده ایم. جهت استخراج مشخصه ها و داده های آماری، سیگنال ها بوسیله تابع تبدیل فوریه fft مورد پردازش قرار گرفته است. پس از بدست آوردن 11 داده آماری، نتایج بوسیله یک شبکه عصبی پرسپترون چند لایه( mlp ) مورد تجزیه و تحلیل قرار گرفت. کل داده های استخراج شده به صورت یک ماتریس 84×11 می باشند. از 3/2 داده ها جهت آموزش شبکه استفاده شده و از 3/1 آنها برای تست شبکه استفاده شده است. نتایج بدست آمده ازآموزش شبکه پرسپترون سه لایه نشان می دهد که این شبکه با تقریب بیش از 75 درصد، بدرستی تشخیص عیب می دهد. داده ها بوسیله شبکه عصبی rbf نیز مورد تجزیه و تحلیل قرار گرفت که از مقایسه نتایج حاصل از دو شبکه مشخص گردید که شبکه عصبی mlp از شبکه عصبی rbf در این تحقیق قوی تر است

عیب یابی ماشین آلات دوار، ارزیابی وضعیت ماشین، تشخیص علائم شروع و رشد عیب، شناسایی علت و قطعات آسیب دیده و پیشگویی میزان عمرکاری باقیمانده ماشین را ممکن می سازد. به همین دلیل از آسیب دیدگی شدید ماشین و هزینه های بالای تعمیرات جلوگیری می کند. استفاده از ارتعاشات مکانیکی ماشین ها و آنالیز فرکانسی و زمانی آنها، یکی از متداول ترین و کاربردی ترین روش ها در تعیین عیوب ماشین های دوار می باشد. از آنجایی که سیستم های هوشمند در شرایط وجود عدم قطعیت و نادقیقی عملکرد قابل قبولی دارند و با توجه به خاصیت های اصلی شبکه های عصبی، یعنی؛ تخمین قدرتمند توابع غیر خطی و قابلیت یادگیری تطبیقی و نیز خاصیت اصلی سیستم های فازی، یعنی؛ استفاده از دانش خبره در به دست آوردن رابطه بین ورودی و خروجی، از روش های هوشمند برای عیب یابی ماشین های دوار استفاده می گردد. هدف این تحقیق استفاده از ساختار هوشمند شبکه فازی- عصبی (anfis) در تشخیص عیوب اصلی ماشین های دوار از جمله، نابالانسی، ناهمراستایی، خرابی بالبیرینگ و لقی مکانیکی است. بنابراین در این تحقیق علاوه بر ایجاد مکانیزم خودکار برای تشخیص عیب، در جهت افزایش دقت و سرعت این شبکه نیز تلاش شده است. لذا در این راستا سعی شده، با استفاده از تکنیک های آنالیز اجزای اصلی (pca) ابعاد ماتریس ورودی را در حد مطلوب کاهش داده و نیز کارآیی دو شبکه anfis و شبکه عصبی چند لایه mlp در تشخیص عیوب با یکدیگر مقایسه گردید. جهت دست یابی به هدف فوق شبکه های مذکور با استفاده از بردارهای ویژگی و مشخصات استخراج شده از طیف های فرکانسی بدست آمده آموزش دیده شدند. تعداد این بردارهای ویژگی 12 عدد بود، که هر مورد طیف فرکانسی اندازه گیری شده به بازه های 100 تایی تقسیم گردید و در هر بازه ویژگی های مذکور به صورت جداگانه استخراج -شدند. نتایج نشان داد که برای 84 مورد اندازه گیری نهایی، شبکه های anfis و mlp به ترتیب دارای میانگین 91 و 78 درصد موفقیت در تشخیص درست عیوب بودند. همچنین در این تحقیق نشان داده شد که استفاده از روش pca در کاهش ابعاد داده ها، کاهش حجم محاسبات و افزایش سرعت سیستم موثر می باشد. بنابراین با توجه به نتایج بدست آمده، یکی از نکات بسیار مهم و اساسی در صنایع مختلف به خصوص صنایع سنگین را می توان، نیاز به داشتن یک سیستم عیب یاب به صورت اتوماتیک و هوشمند دانست، و از آنجایی که شبکه anfis ارائه شده در مقایسه با شبکه mlp در طبقه بندی عیوب نتایج بهتر و قابل قبول تری را ارائه می دهد، می تواند به عنوان روشی مناسب در جهت تشخیص هوشمند عیوب به کار برده شود.

تجزیه و تحلیل ارتعاشات ماشین آلات دوار می تواند وضعیت عیوب بالقوه مانند نابالانسی، ناهمراستایی، محور خم، ترک محور، لقی بیرینگ ، مالش روتور، لقی، غلغله و شلاق روغن و سایر عیوب را نشان دهد. تشخیص عیوب روتور در سال های اخیر دارای اهمیت شده است. مقالات بسیاری چاپ شده که با عیوب تکی کار کرده اند، اما معمولاً، بیش از یک عیب می تواند در روتور رخ دهد. این پژوهش کاربرد شبکه عصبی مصنوعی و تبدیل موجک برای پیش بینی اثر عیوب ترکیبی نابالانسی و ناهمراستایی بر روی اجزای فرکانسی سیگنال های ارتعاشی ماشین آلات دوار را شرح می دهد. اجزای فرکانسی بدست آمده از تقریب تبدیل موجک سیگنال های ارتعاشی، به عنوان ورودی به شبکه عصبی استفاده می شود. روش تبدیل موجک قادر است لحظه به لحظه ی اجزای فرکانسی مختلف در سراسر طیف را رصد و از سیگنال نویزگیری نماید. روش جدید، تبدیل موجک و شبکه عصبی مصنوعی را برای تشخیص عیوب ترکیب می نماید. شبکه عصبی مصنوعی استفاده شده متشکل از یک لایه ورودی و یک لایه مخفی و یک لایه خروجی است. شبکه با الگوریتم پیش-رو پس انتشار لونبرگ-مارکوارت آموزش دیده است. واضح است که الگوریتم لونبرگ-مارکوارت بسیار کارآمد تر از روش های دیگر است. شبکه ی عصبی مصنوعی برای تشخیص و طبقه بندی 36 حالت از ترکیب این عیوب استفاده شد. میزان موفقیت بر اساس هر 36 حالت از دو عیب گزارش شده است. این روش با موفقیت برای 36 حالت از ترکیب دو عیب با کارآیی 99.9? تست شده است. و تمام 36 حالت تشخیص داده شدند.

بهبود خودروهای موجود از نظر کاهش مصرف سوخت و آلاینده ها به دلیل عواملی چون اتمام پذیری سوخت های فسیلی، افزایش روز افزون مصرف بنزین، گرمایش جهانی و مسایل زیست محیطی برای دولت ها و صاحبان صنایع امری ضروری است. به همین دلیل خودروهای هیبرید الکتریکی به عنوان بهترین طرح جایگزین برای ارائه ی خودرویی با مصرف سوخت و آلایندگی کمتر و هزینه ی قابل رقابت با خودروهای متداول امروزی محسوب می گردند. به دلیل پیچیدگی و هزینه ی بالای دستیابی به طرحی بهینه از یک خودروی هیبریدی که نیازمند استفاده ی همزمان از هر دو نیروی محرکه ی مکانیکی و الکتریکی است، نیاز به مدل سازی و شبیه سازی با نرم افزار های کارآمد می باشد که از بین نرم افزار های موجود، نرم افزار شبیه ساز پیشرفته ی خودرو (advisor) که توسط آزمایشگاه ملی انرژی های تجدید پذیر آمریکا تهیه شده است، جایگاه ویژه ای دارد. در این پایان نامه پس از بررسی خودروهای هیبرید الکتریکی، روش طراحی و مدل سازی آن توسط advisor بیان گردیده است و با تغییر مولفه های طراحی در محیط نرم افزار، خودروی هیبرید الکتریکی پژو 405 بدون اعمال تغییرات در بدنه و بخش های اساسی خودرو، طراحی و شبیه سازی گردیده و در پایان نتایج میزان مصرف سوخت و آلایندگی در سیکل رانندگی مناسب شهر تهران و سیکل رانندگی بزرگراهی ارائه شده است.

محورهای دوار به صورت گسترده در صنایع مختلف استفاده می شوند. یکی از عیوب متداول ترک عرضی محور می باشد. ترک عرضی در اثر ممان خمشی ایجاد شده و رشد می کند و در صورت عدم تشخیص می تواند منجر به شکست هایی پر خسارت شود . به منظور برنامه ریزی و کم کردن هزینه تعمیرات ، تشخیص ترک در محورهای دوار و پیش بینی روند خرابی و زمان شکست ، به شدت مورد نیاز است . تحقیق حاضر به ارائه ی روشی برای تشخیص ترک و پیش بینی عمر باقیمانده محور ، با استفاده از تحلیل موجک و شبکه های عصبی مصنوعی می پردازد. سیگنال های ارتعاشی با سنسور های شتاب روی تکیه گاه های محور به کمک سیستم داده برداری جمع آوری شده و فرآیند حذف نویز توسط تبدیل موجک انجام شد. با موجک بسته ای باندهای فرکانسی مختلف بررسی شدند و در نهایت انرژی باند فرکانسی شامل فرکانس2x برای سیگنال شتاب قائم تکیه گاه نزدیک ترک که توسط موجک دابوچی شش و در سطح دوازدهم استخراج شده بود ، برای تشخیص ترک محور آویزان محاسبه و معرفی شد. از شبکه عصبی مصنوعی پرسپترون چند لایه استفاده شد تا سالم بودن یا عمق ترک ، تشخیص داده شود . همچنین دو محور ترکدار با قطر 12میلی متر با ترکی به عمق 7میلی متر در حالی که یکی تحت خمش خالص و دیگری در حالت آویزان بود ، به دوران درآمدند تا در نهایت شکستند و سیگنال شتاب از دو سنسور قائم و افقی روی تکیه گاه دریافت شد. نشان داده شد، خصوصیت انرژی در فضای موجک و پیک تا پیک دامنه سیگنال بازسازی شده در چه باندهای فرکانسیی برای هر حالت ، سایز ترک و عمر باقیمانده را نشان می دهد. با کمک شبکه عصبی ، عمر باقیمانده ی محور دوار در هر دو حالت بار گذاری، با دقت قابل قبولی تشخیص داده شد. به صورت کاربردی نیز با استفاده از خصوصیت انرژی ضرایب موجک و پیک تا پیک سیگنال باز سازی شده از باند فرکانسی پنجم موجک بسته ای با موجک پایهdb6 ، در سطح دهم تجزیه از سیگنال شتاب قائم ، عمر محور آویزان با آموزش شبکه عصبی به کمک محور تحت خمش خالص تخمین زده شد. از تبدیل موجک بسته ای برای بررسی رشد ترک محور دوار نیز استفاده شد. در این پژوهش، یک مدل توسعه یافته با استفاده از یک مدل المان محدود از رفتار دینامیکی محور دوار و مدل رشد ترک پاریس استفاده شد که خروجی این مدل ، شتاب گره ی نزدیک تکیه گاه بود ، که از لحاظ کیفی ، نتایج تجربی برای تشخیص و پیش بینی عمر محور با نتایج به دست آمده از این مدل مشابهت داشتند.

باتوجه به افزایش روز افزون تردد وسایل نقلیه، معیار ایمنی و کنترل حجم ترافیکی از سوی مجامع علمی و تحقیقاتی بسیار مورد توجه قرار گرفته است. از اینرو برای کاهش تصادفات، خطاهای رانندگی و همچنین بهبود جریان ترافیکی فن آوری وسایل نقلیه رو به هوشمند شدن پیش می رود. برای رسیدن به این اهداف دو رویکرد کلی در نظر گرفته شده است. در رویکرد طولانی مدت در نظر است تا وسایل نقلیه خودوند شوند و کنترل کننده انسانی از میان برداشته شود. اما به دلیل محیا نبودن زیرساختارهای لازم و نبود فن آوری های مورد نیاز، از رویکرد کوتاه مدت مورد استفاده قرار می گیرد. در رویکرد کوتاه مدت؛ با استفاده از شبیه سازی رفتارهای ترافیکی سعی در شناخت و بهبود آنها می شود. همچنین با استفاده از تئوری های کنترلی سعی در طراحی سیستم های کنترل-کننده برای کمک به راننده در وسایل نقلیه می شود. نتیجه استفاده از این رویکرد، کاهش خطاهای انسانی در رانندگی، افزایش ایمنی و بهبود جریان ترافیکی می باشد. در این پژوهش برای کنترل کردن حرکت طولی خودرو، ابتدا به مدل سازی فرآیند تعقیب خودرو بر مبنای مدل فضای حالت پرداخته می شود. سپس با استفاده از تئوری کنترل پیش بین مدل اقدام به طراحی کنترل کننده پیش بین برای مدل ارائه شده می شود. این سیستم کنترلی علاوه بر حفظ فاصله ایمن سعی در فرآهم کردن لذت رانندگی را نیز دارد. در قسمت بعدی با استفاده از مدل-سازی بر مبنای مدل armax سعی در رفع کمبودهای مدل قبلی شده است. سپس اقدام به طراحی کنترل کننده پیش بین برای مدل ارائه شده می شود. مقایسه نتایج شبیه سازی سیستم کنترلی طراحی شده با مقادیر واقعی دقت و عملکرد خوب سیستم کنترلی را نشان می دهد که رسیدن به اهداف مورد نظر یعنی حفظ فاصله ایمن، کاهش خطا و بهبود جریان ترافیکی را نشان می دهد.

در این پایان نامه بررسی عیوب جعبه دنده پژو 405 از دو رویکرد مختلف، به نام موجک و سیستم های فازی عصبی مورد استفاده واقع شده اند. در آنالیز موجک، بردار مشخصه ای با توجه به موجک دوبیچز، حالات ارتعاشی جعبه دنده را در محورهای سه گانه، پردازش و خروجی ها به صورت یک جدول آماری برای عیب های مختلف جعبه دنده جمع آوری شده اند. هر کدام از این مقادیر توسط معیار های آماری مختلف مورد محک قرار گرفتند تا بتوان یک قانون کلی برای طرح پایش وضعیت جعبه دنده ارائه داد. در هر مرحله دیگر، داده های بدست آمده از صنعت، مورد پردازش توسط سیستم فازی عصبی قرار کرتند. هر کدام از عیوب جعبه دنده توسط یک سری قوانین فازی بیان و مورد مطالعه قرار گرفته اند. در پایان برنامه ای نوشته شد تا بتوان با دادن ارتعاش سه محور یک جعبه دنده پی به وضعیت حال آن برد.

موضوع تشخیص مقدار سایش و شکست ابزار در حین عملیات ماشین کاری، یکی از مسائل مهم در کنترل و بهینه سازی فرایند ماشین کاری اتوماتیک در سیستم های تولید انعطاف پذیر است. با پایش سایش و شکست ابزار، این سیستم قادر خواهد بود که از ابزار، ماشین و قطعه کار در برابر خطرات ناگهانی و احتمالی شکست ابزار محافظت کند. در این مطالعه ارتباط بین سایش ابزار با ارتعاش و جریان مصرفی موتور پیشروی ماشین فرز بررسی می شود. برای این منظور یک سری آزمایش ها با ماشین فرز عمودی انجام شد. ابزار ساخت شرکت سندویک و قطعه کار از جنس 45 ckانتخاب شد. برای اندازه گیری مقدار سایش از یک میکروسکوب استفاده گردید. اندازه گیری ارتعاش در دو جهت ماشین کاری و عمود بر جهت ماشین کاری انجام شد. مشاهده شد که با افزایش سایش ابزار دامنه ارتعاش و جریان مصرفی موتور پیشروی افزایش پیدا می کند. سپس با استفاده از تکنیک های پردازش سیگنال، سیگنال های هر سه سنسور در حوزه زمان و فرکانس مورد بررسی و پارامترهای مناسب انتخاب گردیدند؛ که برای سیگنال جریان، واریانس در حوزه زمان و برای سنسورهای ارتعاش دامنه دومین فرکانس دورانی ابزار بهترین اطلاعات را درباره سایش ابزار ارائه دادند. همچنین در این مطالعه یک سیستم هوشمند بر پایه شبکه عصبی و فازی – عصبی ارائه شده است؛ که با اندازه گیری پارامترهای ارتعاش و جریان، می توان سایش ابزار را بلادرنگ پایش کرد. همچنین در این تحقیق کارایی دو شبکه عصبی و فازی- عصبی در تشخیص مقدار سایش و شکست ابزار مقایسه شده است. از آنجایی که شبکه فازی- عصبی در مقایسه با شبکه عصبی در طبقه بندی عیوب نتایج بهتر و قابل قبول تری ارائه می دهد، می تواند به عنوان روشی مناسب در جهت تشخیص هوشمند سایش ابزار بکار برده شود. اهمیت روش پیشنهادی در این تحقیق، سادگی و کم هزینه بودن در مقایسه با سایر روش های ارائه شده می باشد.

در این پروژه، سیستم هوشمندی برای پایش وضعیت بلبرینگ در یک تنظیمات آزمایشگاهی طراحی شده است. با توجه به این که عیوب در اجزای مختلف بلبرینگ می تواند به وجود آید، لذا سیستم بر اساس عیوب در اجزای مختلف بلبرینگ طراحی شده تا سیستم در مواقع وجود عیب در هر جزئی از بلبرینگ وجود عیب را تشخیص دهد. طیف فرکانسی سیگنال های به دست آمده از هر حالت عیب در بلبرینگ به دست پیک های مربوط به هر عیب در طیف فرکانسی آن مشاهده شده است. اما از آن جایی که هدف به دست آوردن سیستم هوشمند برای تشخیص عیب بود از ویژگی های مختلف در حوزه های متفاوت برای آموزش شبکه عصبی استفاده شده است. برای این منظور ویژگی های مختلف سیگنال های بلبرینگ های سالم و معیوب استخراج شده، سپس آنها به عنوان ورودی به شبکه عصبی داده شده تا آموزش ببیند. ویژگی ها از حوزه های زمان، فرکاس و زمان-فرکانس استخراج شده اند. سپس ویژگی هایی که شبکه را بهتر آموزش می دهند انتخاب شده اند. به منظور کاهش محاسبات و افزایش سرعت سیستم، از مداخله ی ویژگی هایی که به خوبی عیوب را دسته بندی نمی کنند خودداری شده است. نتایج نشان داد که بهترین ویژگی های به دست آمده برای تشخیص عیب بلبرینگ تنظیمات حاضر، ویژگی های حوزه ی زمان-فرکانس بوده است. درمجموع 44 ویژگی در حوزه های مختلف بررسی شده اند و برای هر کدام یک شبکه عصبی طراحی شده است. بعد از مقایسه ی نتایج این ویژگی ها 6 ویژگی برتربه عنوان شبکه عصبی نهایی انتخاب شده اند. در آخر نیز شبکه با ورودی های جدید که در امر آموزش شبکه مداخله نداشته اند تست شده است. نتایج این تست ها کمک می کند تا بهترین ساختار شبکه عصبی برای این پروژه انتخاب شود. بهترین تعداد نرون لایه ی میانی برای شبکه ی عصبی در این پروژه 43 نرون بوده است. شبکه عصبی مورد نظر با این تعداد نرون لایه ی میانی و با 6 تا از بهترین ورودی ها که از حوزه ی زمان-فرکانس بودند 98 % حالات مختلف بلبرینگ را درست تشخیص داده است.

رشد ترک یکی از عمومی¬ترین عیوبی است که در شفت به وجود می¬آید. همچنین در میان انواع ترک، ترک عرضی رایج¬تر می¬باشد. برای تشخیص ترک روش¬های مختلفی وجود دارد که تست¬های دینامیکی و ارتعاشی از جمله آن¬هاست. در این پروژه شفت دواری را در اندازه¬های مختلف بطور دستی ترک¬دار کرده و در هر مرحله سیگنال ارتعاشی (شتاب) آن با استفاده از چهار شتاب¬سنج که بر روی هوزینگ یاتاقان¬ها قرار دارند اندازه¬گیری و استخراج می¬گردد. سپس با استفاده از تحلیل در حوزه زمان، حوزه فرکانس و حوزه موجک، به وجود ترک و رشد آن در شفت پی برده شده است. برای تحلیل در حوزه زمان- جابجایی به بررسی مقادیر انرژی و درجه اوج(کشیدگی) نمودار، تحلیل در حوزه فرکانس با بررسی دامنه فرکانس¬های 1x و 2x (یک برابر و دو برابر دور موتور) و تحلیل در حوزه تبدیل موجک با استفاده از تابع موجک گسسته پرداخته شده¬است.

با توجه به افزایش سطح مصرف انرژی و آلاینده ها، نیاز به سیستمهای جدیدی جهت کاهش مصرف سوخت می باشد. با در نظر گرفتن اینکه خودروها یکی از عوامل اصلی افزایش آلاینده ها می باشند، راه حلهایی جهت کاهش مصرف آنها ارائه گردیده است. از جمله این راه حلها خودروهای هیبریدی می باشند که از دو و یا چند منبع تامین انرژی استفاده می نمایند. در خودروهای هیبریدی که در حال حاضر استفاده می گردند، معمولاً از دو منبع انرژی شیمیایی و الکتریکی استفاده می گردد. با توجه به دو منبع انرژی نیاز به طراحی یک کنترلر دقیق جهت مدیریت مصرف می باشد. طراحی و بهینه سازی کنترلر با توجه به اینکه نیاز به تغییرات اساسی در ساختار خودرو تولیدی ندارد، جزو پارامترهایی دارای اولویت در بهینه سازی سیستم می باشد. در این پایان نامه با استفاده از روش منطق فازی یک کنترلر جدید برای خودرو هیبریدی موازی طراحی گردیده است. جهت شبیه سازی مشخصات فیزکی خودرو از نرم آفزار شبیه سازی پیشرفته خودرو استفاده و یکی از نمونه های پیش فرض موجود در نرم افزار استفاده گردیده است. جهت طراحی کنترلر دو پیش فرض رعایت استاندارد خودروهای نسل جدید و حفظ 60 درصد شارژ باتری در انتهای سیکل رانندگی لحاظ گردیده است. کنترلر فازی طراحی شده دارای دو ورودی میزان شارژ باتری و گشتاور مورد نیاز خودرو و یک خروجی تعیین گشتاور تولیدی موتور احتراقی می باشد. جهت شبیه سازی از سه سیکل رانندگی درون شهری رایج ژاپن، آمریکا و اروپا استفاده گردیده و با استفاده از این سه سیکل میزان گشتاور مورد نیاز سیستم در طی حرکت پیش بینی و نمودار تابع عضویت ورودی گشتاور با استفاده از این اطلاعات طراحی می گردد. تابع عضویت شارژ باتری با در نظر گرفتن پیش فرض مسئله و نمودار شارژ و دشارژ باتری طراحی می گردد. جهت طراحی تابع عضویت خروجی از نمودار بازده مصرف و جدول میزان مصرف سوخت موتور احتراقی استفاده گردیده است. در نهایت با استفاده از نمودار خروجی بخش فازی نسبت به تعیین میزان گشتاور تولیدی موتور احتراقی اقدام می گردد. این میزان گشتاور با استفاده از مشخصات موتور احتراقی به صورت چهار معادله تعیین گردید. جهت به دست آوردن معادلات این خطوط از روشهای عددی و سعی و خطا استفاده گردیده است. در نهایت خروجی کنترلر جدید، با سه کنترلر پیش فرض فازی نرم افزار مقایسه می گردد. کنترلر جدید با رعایت پیش فرضهای مساله، کاهش مصرف سوخت نسبت به کنترلرهای پیش فرض نرم افزار را نشان می دهد که این مقدار نسبت به کنترلری که براساس بیشترین بازده موتور تا 50 درصد کاهش مصرف سوخت را بدست آورده است.

چکیده در این پایان نامه یک سیستم تشخیص و طبقه بندی عیوب ژنراتور خودروی پراید بر اساس سیگنالهای ارتعاشی و سیستم استنتاج تطبیقی عصبی- فازی(انفیس) طراحی شده است. شرایط مختلف ژنراتور خودرو شامل حالتهای سالم، قطع یک فاز، قطع شدن مثبت رگولاتور، سوختن یک و دو دیود مثبت یکسوکننده، با میز تست ساخته شده، شبیه سازی شد. سیگنالهای ارتعاشی با دو سنسور ارتعاش سنج نصب شده بر روی بدنه¬ی آلترناتور به کمک سیستم داده برداری برای هر یک از حالت های ذکر شده به مدت 30ثانیه دردورهای 1500،1000و2000 دور در دقیقه توسط دستگاه داده برداری آداش ضبط شد. برای افزایش تعداد داده ها هر یک از سیگنالها توسط دستگاه آنالایزر آداش به 20 قسمت تقسیم شد که در مجموع100سیگنال ارتعاشی برای هرکدام از دورها بدست آمد. سپس برای تجزیه¬ی سیگنال با ویولت بسته¬ا¬ی در سطح1، موجک پایه ای که دارای بیش ترین میانگین انرژی به انتروپی شانون می باشد به عنوان مناسب ترین موجک پایه انتخاب شد. در این تحقیق پس از محاسبه¬ی انرژی و انتروپی شانون سیگنالها، موجک پایه¬ی بیورتوگونال 2.8 دارای بیشترین میانگین انرژی به انتروپی شانون می¬ باشد. انرژی باندهای فرکانسی اول و دوم محاسبه و به عنوان بردار ورودی به شبکه انفیس اعمال شد. استفاده از شبکه های عصبی فازی، ابزاری رایج در حوزه های مختلف مهندسی از جمله مهندسی مکانیک می باشد. شبکه های عصبی فازی در پیاده سازی توابع پیچیده در زمینه های مختلف، از جمله پیش بینی، تشخیص الگو، طبقه بندی و سیستم های کنترلی کاربرد دارند. در نهایت شبکه انفیس با کارایی 99درصد برای عیب یابی ژنراتور ارایه گردید.

محورهای دوار کاربرد زیادی در صنایع مختلف دارند. ترک عرضی از متداول ترین عیوب محور می باشد. ترک عرضی در اثر ممان خمشی ایجاد شده و رشد می کند. تشخیص ترک در محورهای دوار، به منظور برنامه ریزی و کم کردن هزینه تعمیرات، اهمیت زیادی دارد. در صورتی که ترک عرضی به موقع تشخیص داده نشود، می تواند منجر به شکست های فاجعه باری شود. تحقیق حاضر به صورت تجربی به ارائه ی روشی برای تشخیص ترک، با استفاده از تحلیل موجک گسسته و شبکه عصبی مصنوعی می پردازد. سیگنال های ارتعاشی جابه جایی با سنسور مجاورتی از دستگاه ساخته شده جهت داده برداری ارتعاشی که تحت بار خمشی نیز قرار داشت جمع آوری شده و فرآیند حذف نویز توسط تبدیل موجک انجام شد. با تبدیل موجک گسسته توسط موجک مادر sym2 سیگنال تا 9 سطح تجزیه شد و انرژی نسبی اجزا محاسبه شد. بردار ویژگی شامل مقادیر انرژی نسبی اجزای a_9 ، d_9 ، d_8 ،d_7 ،d_6 وd_5 ساخته شد تا به عنوان ورودی شبکه عصبی مورد استفاده قرار گیرد. شبکه عصبی مصنوعی استفاده شده از نوع پرسپترون چند لایه بود که برای تشخیص سالم بودن یا عمق ترک، به کار گرفته شد. در نهایت شبکه پرسپترون سه لایه با ساختار 6:12:4 طراحی شد که در لایه میانی و خروجی آن از تابع تبدیل تانژانت هیپربولیک سیگمویید استفاده شده بود. شبکه عصبی کارایی قابل قبولی داشت به صورتی که توانست سایز ترک محور دوار را با دقت خوبی تشخیص دهد.

در این پژوهش تشخیص نوع سوخت مصرفی موتور به وسیله هوشمند شبکه فازی عصبی(شبکه انفیس)با استفاده از سیگنال های ارتعاشی موتور وهمچنین آلاینده گیهای خروجی موتور بررسی شده است.این روش خیلی سریع بوده و نیاز به آزمایش های شیمیایی زمانبر وپیچیده نمی باشد.

در خودروها یک لامپ شارژ تعبیه شده است که وقتی سیستم شارژ معیوب شده باشد در حین حرکت خودرو روشن می ماند. متاسفانه لامپ شارژ فقط میتواند نشان دهد که آلترناتور به طور طبیعی کار میکند یا اینکه در یک وضعیت خطا ست و نمی تواند نوع عیب آلترناتور را برای راننده یا تعمیر کار مشخص کند ، لذا تعمیرکار باید آلترناتور را باز کند تا به عیب آن پی ببرد. تحقیق حاضر به بررسی یک سیستم تشخیص و طبقه بندی عیوب آلترناتور، با استفاده از شبکه های عصبی مصنوعی می پردازد. سیگنال های ارتعاشی به دست آمده پس از فرآیند حذف نویز توسط تبدیل موجک روی داده ها پردازش شدند. انرژی سیگنال های معیوب , و سالم برای ایجاد بردار ویژگی انتخاب شده و به عنوان ورودی به شبکه عصبی در نظر گرفته شد. در این تحقیق حالت های مختلف آلترناتور که شامل حالت سالم، حالت قطع شدن یک فاز سیم پیچ استاتور، حالت سوختن یک دیود، حالت قطع شدن آفتامات و حالت معیوب زغال روتور می باشد، در نظر گرفته شد.