fa ارایه رویکردی نوین برای تشخیص آنلاین ایراد یاتاقان موتور القایی بر اساس تبدیل موجک سیگنال لرزش تخصصي Special پژوهشي Research <div style="text-align: justify;"><span style="font-size:13pt"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span style="font-weight:bold"><span lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">با توجه به کاربرد گسترده موتور‌های الکتریکی در صنایع گوناگون، بررسی شرایط و تشخیص ایراد احتمالی آن در مراحل اولیه یکی از مهمترین اهداف تجهیزات هوشمند پایش موتورهای صنعتی در کارخانه‌‌های مدرن می‌باشد. بلبرینگ‌‌ها از جمله قطعات مکانیکی هستند که رخداد ایراد در آن‌ها حین کار متداول است. ایرادات مکانیکی موتور الکتریکی به صورت لرزش در موتور خود را نشان می‌دهند که این امر می‌تواند به تشخیص ایراد رخ داده خصوصا در مراحل اولیه کمک کند. علاوه بر آن نویز موجود در محیط‌‌های صنعتی نسبت به سایر سیگنال‌‌ها معمولاً تاثیر کمتری بر لرزش می‌گذارد، زیرا لرزش مستقیما از بدنه موتور ویا پایه آن استخراج می‌گردد. با توجه به این توضیح در این تحقیق یک روش تشخیص ایراد یاتاقان با استفاده از تبدیل موجک سیگنال لرزش در موتور‌های القایی پیشنهاد شده که می‌تواند با دقت بسیار بالا، ایراد را شناسایی کند. روش پیشنهادی در نرم‌افزار </span></span><span dir="LTR" style="font-size:11.0pt"><span style="font-weight:normal">Matlab</span></span><span lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:"> پیاده سازی شد و نتیجه به دست آمده از آن روی داده‌های لرزش در دو پایگاه داده مختلف، با آخرین مقالات این حوزه مقایسه و بر اساس معیارهایی مانند دقت و صحت کارایی روش پیشنهادی اثبات و مزایای آن مانند سرعت بالا، محاسبات کم و مقاوم بودن آن در برابر نویز محیط نیز نشان داده شد.</span></span></span></span></span></span></span></div> <div style="text-align: justify;"><span style="font-size:12pt"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span style="font-size:11.0pt">Due to the widespread use of electric motors in various industries, checking the conditions and diagnosing its possible faults in the early stages is one of the most important goals of intelligent industrial monitoring equipment in modern factories. Bearings are one of the mechanical parts that often fail during operation. The mechanical faults of the electric motor show themselves as vibration in the motor, which can be used to diagnose the fault, especially in the early stages. In addition, noise in industrial environments usually has less impact on vibration because vibration is extracted directly from the motor body or its base. According to this explanation, in this research, a bearing fault detection method is proposed using wavelet transform of the vibration signal in induction motors, which can detect the defect with very high accuracy. The proposed method was implemented on two different databases using Matlab 2021. The obtained results, compared with the latest articles in this field, confirmed the effectiveness of proposed method based on criteria such as accuracy and correctness. In the meantime, the advantages of proposed method, such as high speed, low calculations and its robustness to noise, were also shown.</span></span></span></span></div> تشخیص ایراد, موتور القایی, تبدیل موجک, یادگیری ماشین, سیگنال لرزش Fault detection, Induction motor, Wavelet transform, Machine learning, Vibration signal. 61 71 http://jeps.dezful.iau.ir/browse.php?a_code=A-10-303-2&slc_lang=fa&sid=1 Shahryar Shirdel شهریار شیردل shahryar.shirdel@yahoo.com 10031947532846002930 10031947532846002930 No Department of Electrical Engineering, Bojnourd Branch, Islamic Azad University, Bojnourd, Iran گروه برق، مرکز تحقیقات توسعه فناوری در صنایع برق، واحد بجنورد، دانشگاه ازاد اسلامی، بجنورد، ایران Mazdak Teimoortashloo مزدک تیمورتاشلو mazdak1978@bojnourdiau.ac.ir 10031947532846002931 10031947532846002931 Yes Department of Electrical Engineering, Bojnourd Branch, Islamic Azad University, Bojnourd, Iran گروه برق، مرکز تحقیقات توسعه فناوری در صنایع برق، واحد بجنورد، دانشگاه ازاد اسلامی، بجنورد، ایران Mohammad Mohammadiun محمد محمدیون mmohammadiun@yahoo.com 10031947532846002932 10031947532846002932 No Department of Mechanical Engineering, Shahrood Branch, Islamic Azad University, Shahrood, Iran گروه مهندسی مکانیک، دانشکده فنی و مهندسی، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران Abdorreza Alavi Gharahbagh عبدالرضا علوی قره باغ abalavi.gh@gmail.com 10031947532846002933 10031947532846002933 No Department of Mechanical Engineering, Shahrood Branch, Islamic Azad University, Shahrood, Iran گروه مهندسی برق، دانشکده فنی و مهندسی، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران