40 صفحه
ISO 13374:2007-Condition monitoring and diagnostics of machines — Data processing, communication and presentation
Part 2: Data processing
Structural Health Monitoring Technologies for Civil Engineering Structures
Author:
[ Ahmet Turer ] - Middle East Technical University, Civil Engr. Dept., 06800 Ankara, Turkey
Abstract:
This paper discusses basic principles of Structural Health Monitoring (SHM), how it has evolved and current state-of-the-art. The need for monitoring is categorized under main titles of necessity for SHM. The toolbox of monitoring projects share similar sensors. Most commonly used sensors and their working principles are briefly discussed. The duration of measurement and outcomes obtained from short and long term monitoring are elaborated. Dynamic and static measurements sometimes need to be combined for the maximum gain from monitoring studies. Advanced tools like modal analysis, acoustic emission, ultrasonic pulse velocity, eddy current, NDT techniques are covered in principle. The variety of structure types that are suitable for monitoring are listed and discussed. The conclusions summarizes the past, present, and future of SHM and its applications
Keywords:
structural health monitoring, structures, sensors
ژورنال:Big Data Research
سال:November 2015
قیمت اصلی:27.95$
Critical infrastructure systems perform functions and missions that are essential for our national economy, health, and security. These functions are vital to commerce, government, and society and are closely interrelated with people's lives. To provide highly secured critical infrastructure systems, a scalable, reliable and robust threat monitoring and detection system should be developed to efficiently mitigate cyber threats. In addition, big data from threat monitoring systems pose serious challenges for cyber operations because an ever growing number of devices in the system and the amount of complex monitoring data collected from critical infrastructure systems require scalable methods to capture, store, manage, and process the big data. To address these challenges, in this paper, we propose a cloud computing based network monitoring and threat detection system to make critical infrastructure systems secure. Our proposed system consists of three main components: monitoring agents, cloud infrastructure, and an operation center. To build our proposed system, we use both Hadoop MapReduce and Spark to speed up data processing by separating and processing data streams concurrently. With a real-world data set, we conducted real-world experiments to evaluate the effectiveness of our developed network monitoring and threat detection system in terms of network monitoring, threat detection, and system performance. Our empirical data indicates that the proposed system can efficiently monitor network activities, find abnormal behaviors, and detect network threats to protect critical infrastructure systems.
چکیده:
کاندیشن مانیتورینگ با توسعه تکنولوژی های نو برای تشخیص و برنامه ریزی پیشگیرانه در صنعت به خصوص ماشین های الکتریکی گسترش یافته است. موتورهای القایی در نیروگاه ها و صنایع مختلف از جمله صنعت برق کاربرد زیادی داشته و معمولا وظیفه مهم و حساسی را به عهده دارند.
روش های مختلفی برای تشخیص خطا و کشف فالت های احتمالی در ماشین های الکتریکی در سریع ترین زمان ممکن با استفاده از کمیت های مختلف مثل جریان، ولتاژ، سرعت، بازدهی، دما و ارتعاش صورت می گیرد. در حال حاضر از روش های مکانیکی و الکتریکی مختلفی برای مانیتورینگ استفاده می شود. یکی از روش های مکانیکی مهم استفاده از سیگنال های ارتعاشی در ماشین است. در حال حاضر از روش های نوینی برای مانیتورینگ در ماشین ها استفاده می گردد که می توان به سیستم های خبره، منطق فازی، شبکه های عصبی و تحلیل موجک و… نام برد. در این سمینار با جزییات به ارایه کلیه روش های مانیتورینگ در ماشین های الکتریکی پرداخته می شود.
مقدمه:
با توجه به اینکه یکی از مهمترین هزینه در صنعت هزینه های تعمیر و نگهداری و توقفات روند تولید ناشی از خطاها می باشد، بحث تشخیص به موقع خطا به منظور پیشگیری از گسترش آن از اهمیت بالایی در صنعت برخوردار است. بسیاری از محققان و مهندسان در سال های اخیر توجه خود را به تشخیص خطا و نگهداری پیشگیرانه که هدف آن جلوگیری از خطاهای بزرگ در موتورهاست، معطوف کرده اند. تاکنون روش های مخرب و غیرمخرب زیادی پیشنهاد شده اند. روش های غیرمخرب روش هایی هستند که بر پایه اندازه گیری های ساده و ارزان بنا شده اند و نیازی به تغییر ساختار موتور ندارند.
اخیرا تشخیص خطا در ماشین های الکتریکی از روش های متداول قدیمی به سمت روش های مبتنی بر هوش مصنوعی می رود. متغیرهای زیادی در ماشین می توانند به عنوان سیگنال تشخیص خطا به کار گرفته شوند. به دلیل ساده بودن نمونه برداری از ولتاژها و جریان های استاتور و در دسترس بودن حسگرهای لازم برای اندازه گیری، استفاده از این سیگنال ها مناسب به نظر می رسد.
در این سمینار سعی می شود روش های هوشمند بر پایه تحلیل سیگنال برای تشخیص بعضی خطاها در موتور القایی مورد بررسی قرار گیرد، و سپس با انتخاب متد مناسب روشی برای تشخیص خطاهای مهم ارائه خواهد شد.
ابتدا در فصل اول به معرفی راهکارهای مختلف به کار رفته برای تشخیص خطا در ماشین های القایی، مزایا و معایب آنها پرداخته می شود. سپس در فصل دوم در مورد استفاده از هوش مصنوعی در تشخیص خطا بحث می شود. در فصل سوم نحوه طراحی و پیاده سازی دو طبقه بندی کننده از نوع بیزی و نیز شبکه عصبی به عنوان ابزار تفکیک موتورهای سالم از موتورهای خطادار شرح داده و ملاحظات مربوط به آن بیان خواهد شد. فصل چهارم به تحلیل موجک به عنوان یکی از ابزار مهم سیستم های هوشمند برای مانیتورینگ سیگنال های خطا و مقایسه با سیگنال های ماشین در حالت سالم و حتی به صورت آنلاین مورد بررسی قرار گرفته است. در فصل پنجم به بررسی روش های مدلسازی دینامیکی موتور القایی معیوب می پردازیم به بررسی دیگر روش ها مانند روش اجزاء محدود، روش تفاضلات متناهی و روش تابع سیم پیچی پرداخته می شود و در نهایت در فصل ششم نیز نتیجه گیری را از سمینار ارائه می دهیم.
فصل اول
1- مروری بر روش های تشخیص خطا در موتورهای القایی
سیستم های تشخیص خطا به عنوان ابزاری جهت نگهداری و حفاظت سیستم های گران قیمت در برابر خطا به کار گرفته می شوند. این سیستم ها با دریافت اطلاعات لازم از سیستم یا فرایند، وضعیت عملکرد آن را تعیین می کنند و در صورتی که این وضعیت مطابق با شرایط خطاهای تعریف شده باشد، خطای مربوطه را اعلام می کنند.
سیستم های تشخیص خطا را از دو جهت راهکار و روش می توان طبقه بندی کرد. منظور از راهکار شیوه ها و ترفندهایی است که داده های حاصل از روش تشخیص خطا را به منظور تشخیص خطا پردازش دهند. روش های تشخیص خطا از پدیده های فیزیکی که منجر به تأثیر خطا بر روی مشخصه های مختلف موتور می شود، استفاده می کنند. از این رو تنوع این روش ها در دامنه وسیعی از علوم مهندسی قرار دارد.
پیچیدگی مدل های ریاضی دقیق موتورهای القایی همواره به عنوان بزرگترین مشکل تشخیص خطا است. مدل های ساده این موتور مانند مدار معادل و مدل d-q-o قادر به در نظر گرفتن تمامی فرض های خطا نمی باشند.
کاردسو در 1988 تئوری تشخیص خطا را با توجه به مسیر بردارهای جریان پارک مطرح کرد. وی در سال 1993 اثر شرایط خطای ناهم محوری روتور و استاتور را بر روی بردارهای جریان پارک بررسی کرد و تغییر مسیر اندازه بردار جریان پارک را در شرایط خطا نتیجه گرفت. این روش ساده قادر به تشخیص کلیه خطاهای الکتریکی و مکانیکی موتور نیست. در سال های اخیر این روش در کنار شبکه های عصبی جهت تشخیص کلیه خطاهای الکتریکی موتور القایی اعم از خطاهای سیم پیچی استاتور، قفس روتور و ناهم محوری روتور و استاتور به کار رفته است. این روش در عمل به دلیل وجود هارمونیک های اضافی زیاد بر روی جریان خط مشکلاتی به وجود می آورد. روش دیگری که در تحلیل و تشخیص شرایط خطا کاربرد زیادی دارد استفاده از نظریه تابع سیم پیچی است.
نظریه تابع سیم پیچی نخستین بار در سال 1991 برای تحلیل موتورهای القایی با سیم پیچی متمرکز به کار گرفته شد. این روش علاوه بر اینکه قادر به محاسبه کلیه هارمونیک های فضایی و زمانی موتور است، می تواند اتصال کوتاه یا قطع سیم پیچ های استاتور، شکستگی یا ترک خوردگی میله های روتور، شکستگی یا ترک خوردگی حلقه انتهایی قفس روتور و ناهم محوری روتور و استاتور را مدلسازی و تحلیل کند. سپس با استفاده از این نظریه در حالت گذرای موتور القایی قفس سنجابی در شرایط عیب استاتور و روتور بررسی شد. در سال 1996 به کمک این نظریه تحلیل دینامیکی موتور القایی در شرایط ناهم محوری ایستای روتور و استاتور انجام گرفت.
یکی دیگر از روش های متداول تحلیل شرایط خطا استفاده از مدل اجزاء محدود موتور است. استفاده از این روش به دقت محاسبات و در نظر گرفتن پارامترهای هندسی مختلف موتور می افزاید. این نکته قابل ذکر است که در بسیاری از شرایط خطا مانند ناهم محوری پویا، تحلیل مدل اجزاء محدود موتور بسیار پیچیده تر از حالت سالم آن است. با توجه به آنچه گفته شد استنباط می شود که روش های تحلیل موتور القایی در شرایط خطا بسیار پیچیده و حل آنها مدت زمان طولانی می طلبد. بنابراین پس از تحلیل موتور و به دست آوردن داده های متعددی از وضعیت سیگنال های الکتریکی و مکانیکی موتور در شرایط خطا بایستی با روش مناسبی خطا تشخیص داده شود. این روش ها عموما مبتنی بر هوش مصنوعی هستند. نتایج و اطلاعات به دست آمده از روش های مختلف تحلیل که در بالا ذکر شد پایگاه دانش سیستم های تشخیص خطای هوشمند به حساب می آیند. در مورد استفاده از روش های هوشمند در تشخیص خطا در فصل دوم به بحث خواهیم پرداخت.
تعداد صفحه : 92
چکیده:
کاندیشن مانیتورینگ با توسعه تکنولوژی های نو برای تشخیص و برنامه ریزی پیشگیرانه در صنعت به خصوص ماشین های الکتریکی گسترش یافته است. موتورهای القایی در نیروگاه ها و صنایع مختلف از جمله صنعت برق کاربرد زیادی داشته و معمولا وظیفه مهم و حساسی را به عهده دارند.
روش های مختلفی برای تشخیص خطا و کشف فالت های احتمالی در ماشین های الکتریکی در سریع ترین زمان ممکن با استفاده از کمیت های مختلف مثل جریان، ولتاژ، سرعت، بازدهی، دما و ارتعاش صورت می گیرد. در حال حاضر از روش های مکانیکی و الکتریکی مختلفی برای مانیتورینگ استفاده می شود. یکی از روش های مکانیکی مهم استفاده از سیگنال های ارتعاشی در ماشین است. در حال حاضر از روش های نوینی برای مانیتورینگ در ماشین ها استفاده می گردد که می توان به سیستم های خبره، منطق فازی، شبکه های عصبی و تحلیل موجک و… نام برد. در این سمینار با جزییات به ارایه کلیه روش های مانیتورینگ در ماشین های الکتریکی پرداخته می شود.
مقدمه:
با توجه به اینکه یکی از مهمترین هزینه در صنعت هزینه های تعمیر و نگهداری و توقفات روند تولید ناشی از خطاها می باشد، بحث تشخیص به موقع خطا به منظور پیشگیری از گسترش آن از اهمیت بالایی در صنعت برخوردار است. بسیاری از محققان و مهندسان در سال های اخیر توجه خود را به تشخیص خطا و نگهداری پیشگیرانه که هدف آن جلوگیری از خطاهای بزرگ در موتورهاست، معطوف کرده اند. تاکنون روش های مخرب و غیرمخرب زیادی پیشنهاد شده اند. روش های غیرمخرب روش هایی هستند که بر پایه اندازه گیری های ساده و ارزان بنا شده اند و نیازی به تغییر ساختار موتور ندارند.
اخیرا تشخیص خطا در ماشین های الکتریکی از روش های متداول قدیمی به سمت روش های مبتنی بر هوش مصنوعی می رود. متغیرهای زیادی در ماشین می توانند به عنوان سیگنال تشخیص خطا به کار گرفته شوند. به دلیل ساده بودن نمونه برداری از ولتاژها و جریان های استاتور و در دسترس بودن حسگرهای لازم برای اندازه گیری، استفاده از این سیگنال ها مناسب به نظر می رسد.
در این سمینار سعی می شود روش های هوشمند بر پایه تحلیل سیگنال برای تشخیص بعضی خطاها در موتور القایی مورد بررسی قرار گیرد، و سپس با انتخاب متد مناسب روشی برای تشخیص خطاهای مهم ارائه خواهد شد.
ابتدا در فصل اول به معرفی راهکارهای مختلف به کار رفته برای تشخیص خطا در ماشین های القایی، مزایا و معایب آنها پرداخته می شود. سپس در فصل دوم در مورد استفاده از هوش مصنوعی در تشخیص خطا بحث می شود. در فصل سوم نحوه طراحی و پیاده سازی دو طبقه بندی کننده از نوع بیزی و نیز شبکه عصبی به عنوان ابزار تفکیک موتورهای سالم از موتورهای خطادار شرح داده و ملاحظات مربوط به آن بیان خواهد شد. فصل چهارم به تحلیل موجک به عنوان یکی از ابزار مهم سیستم های هوشمند برای مانیتورینگ سیگنال های خطا و مقایسه با سیگنال های ماشین در حالت سالم و حتی به صورت آنلاین مورد بررسی قرار گرفته است. در فصل پنجم به بررسی روش های مدلسازی دینامیکی موتور القایی معیوب می پردازیم به بررسی دیگر روش ها مانند روش اجزاء محدود، روش تفاضلات متناهی و روش تابع سیم پیچی پرداخته می شود و در نهایت در فصل ششم نیز نتیجه گیری را از سمینار ارائه می دهیم.
فصل اول
1- مروری بر روش های تشخیص خطا در موتورهای القایی
سیستم های تشخیص خطا به عنوان ابزاری جهت نگهداری و حفاظت سیستم های گران قیمت در برابر خطا به کار گرفته می شوند. این سیستم ها با دریافت اطلاعات لازم از سیستم یا فرایند، وضعیت عملکرد آن را تعیین می کنند و در صورتی که این وضعیت مطابق با شرایط خطاهای تعریف شده باشد، خطای مربوطه را اعلام می کنند.
سیستم های تشخیص خطا را از دو جهت راهکار و روش می توان طبقه بندی کرد. منظور از راهکار شیوه ها و ترفندهایی است که داده های حاصل از روش تشخیص خطا را به منظور تشخیص خطا پردازش دهند. روش های تشخیص خطا از پدیده های فیزیکی که منجر به تأثیر خطا بر روی مشخصه های مختلف موتور می شود، استفاده می کنند. از این رو تنوع این روش ها در دامنه وسیعی از علوم مهندسی قرار دارد.
پیچیدگی مدل های ریاضی دقیق موتورهای القایی همواره به عنوان بزرگترین مشکل تشخیص خطا است. مدل های ساده این موتور مانند مدار معادل و مدل d-q-o قادر به در نظر گرفتن تمامی فرض های خطا نمی باشند.
کاردسو در 1988 تئوری تشخیص خطا را با توجه به مسیر بردارهای جریان پارک مطرح کرد. وی در سال 1993 اثر شرایط خطای ناهم محوری روتور و استاتور را بر روی بردارهای جریان پارک بررسی کرد و تغییر مسیر اندازه بردار جریان پارک را در شرایط خطا نتیجه گرفت. این روش ساده قادر به تشخیص کلیه خطاهای الکتریکی و مکانیکی موتور نیست. در سال های اخیر این روش در کنار شبکه های عصبی جهت تشخیص کلیه خطاهای الکتریکی موتور القایی اعم از خطاهای سیم پیچی استاتور، قفس روتور و ناهم محوری روتور و استاتور به کار رفته است. این روش در عمل به دلیل وجود هارمونیک های اضافی زیاد بر روی جریان خط مشکلاتی به وجود می آورد. روش دیگری که در تحلیل و تشخیص شرایط خطا کاربرد زیادی دارد استفاده از نظریه تابع سیم پیچی است.
نظریه تابع سیم پیچی نخستین بار در سال 1991 برای تحلیل موتورهای القایی با سیم پیچی متمرکز به کار گرفته شد. این روش علاوه بر اینکه قادر به محاسبه کلیه هارمونیک های فضایی و زمانی موتور است، می تواند اتصال کوتاه یا قطع سیم پیچ های استاتور، شکستگی یا ترک خوردگی میله های روتور، شکستگی یا ترک خوردگی حلقه انتهایی قفس روتور و ناهم محوری روتور و استاتور را مدلسازی و تحلیل کند. سپس با استفاده از این نظریه در حالت گذرای موتور القایی قفس سنجابی در شرایط عیب استاتور و روتور بررسی شد. در سال 1996 به کمک این نظریه تحلیل دینامیکی موتور القایی در شرایط ناهم محوری ایستای روتور و استاتور انجام گرفت.
یکی دیگر از روش های متداول تحلیل شرایط خطا استفاده از مدل اجزاء محدود موتور است. استفاده از این روش به دقت محاسبات و در نظر گرفتن پارامترهای هندسی مختلف موتور می افزاید. این نکته قابل ذکر است که در بسیاری از شرایط خطا مانند ناهم محوری پویا، تحلیل مدل اجزاء محدود موتور بسیار پیچیده تر از حالت سالم آن است. با توجه به آنچه گفته شد استنباط می شود که روش های تحلیل موتور القایی در شرایط خطا بسیار پیچیده و حل آنها مدت زمان طولانی می طلبد. بنابراین پس از تحلیل موتور و به دست آوردن داده های متعددی از وضعیت سیگنال های الکتریکی و مکانیکی موتور در شرایط خطا بایستی با روش مناسبی خطا تشخیص داده شود. این روش ها عموما مبتنی بر هوش مصنوعی هستند. نتایج و اطلاعات به دست آمده از روش های مختلف تحلیل که در بالا ذکر شد پایگاه دانش سیستم های تشخیص خطای هوشمند به حساب می آیند. در مورد استفاده از روش های هوشمند در تشخیص خطا در فصل دوم به بحث خواهیم پرداخت.
تعداد صفحه : 92