الفهرس 
IntroductionOnly 14 pages are availabe for public view
 |  | from | 107 |  |  |
| | | from | 107 | | |
Abstract
تعد مراقبة حالة الماكينات الدوارة إحدى طرق الصيانة األاكثر اعتبا ًرا الاكتشاف األاعطال مبكًرا لتوفير تكلفة الصيانة والوقت وزيادة اإلانتاجية. في الوقت الحاضر ، يتم إنشاء العديد من التقنيات الفعالة بنا ًء على افتراض نظام التشغيل الثابت )أي الحمل و / أو السرعة(. ومع ذلك ، فإن معظم
الماكينات الدوارة في الصناعة تعمل في ظل أنظمة غير ثابتة لتحقيق المهام التي تم تصنيعها من أجلها. هذه التقنيات ، التي تستند إلى التحليل التقليدي إلاشارات االاهتزاز ، تفشل في التنبؤ ببعض أنواع األاعطال التي بدأت في الماكينة. الهدف الرئيسي من هذا البحث هو تحسين طرق مراقبة
الحالة الكتشاف األلاعطال في الماكينات الدوارة التي تعمل بأنظمة غير ثابتة )أي سرعة التشغيل المتغيرة والحمل الثابت(. تم إجراء التحسين المقترح بطريقتين. أوالً ييم ، تم استخدام عنصر تق االاهتزاز التقليدي وهو جذر مربع المتوسط )RMS )إلشارة االهتزاز متغيرة مع الزمن كعنصر
ادخال لنظام )OAAMCSVM )وذلك لتصنيف وتحديد األعطال الميكانيكية المختارة.ثم تم استخدام دوال kernel المختلفة ، مثل الدالة الخطية ، RBF ، و Polynomial في عملية
التصنيف للحصول على أداء تصنيف أعلى. لقد وُ جد أن OAAMCSVM يمكنه إنشاء فئة لكل نوع من أنواع األخطاء )حتى ثمانية فئات( ويمكن الحصول على أعلى أداء تصنيف باستخدام دالة Polynomial من الدرجة 7 والتي حققت كفاءة تصنيف بقيمة %5.63 .تعتمد طريقة التحسين
الثانية على ادماج اشارات االهتزازات والكهرباء والحصول على بيانات جديدة مدمجة للحالة السليمة للماكينة والحاالت المعيبة المختلفة. بعد ذلك ، تم تطبيق )PCA )لتقليل عدد عناصر تقييم االاهتزازت والحفاظ على أكبر قدر ممكن من تباين البيانات في عدد قليل من المكونات الرئيسية
)PCs .)بعدها تم تدريب الشبكة العصبية االصطناعية )BPNN )على أساس المكون الرئيسي
األاول والثاني اللذان يحتويان على اغلب تباين البيانات. وُ جد أن BPNN يحقق األاداء التدريبي 9 −األمثل بقيمة متوسط مربع الخطأ )MSE )الذي يساوي 10 × 4748.2 والقدرة على التعرف على جميع حاالت الماكينة سواء كانت سليمة او معيبة وهذا يبين تفوق استحدام حلول دمج البيانات
في مراقبة حالة الماكينات الدوارة.