عنوان پایان‌نامه
ساخت و ارزیابی خشک کن تحقیقاتی لایه نازک با قابلیت کنترل پارامترهای عملیاتی خشک کردن
- رشته تحصیلی
- مهندسی کشاورزی - مکانیک ماشینهای کشاورزی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6468;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 69865
- تاریخ دفاع
- ۰۳ بهمن ۱۳۸۹
- دانشجو
- امین طاهری گراوند
- استاد راهنما
- شاهین رفیعی
- چکیده
- رادیاتور یکی از اجزای کلیدی سیستم خنک کاری موتور می‌باشد که نقش به سزایی در تامین دمای مطلوب موتور در شرایط کاری مختلف را دارا می‌باشد. با توجه به اهمیت سیستم خنک‌کاری در بهبود عملکرد و بازدهی بهتر موتور، عمر قطعات موتور و از کارافتادگی ناگهانی موتور، پایش وضعیت رادیاتور جهت استفاده از سطح بهینه انتقال حرارت از جمله مباحث مهم در زمینه پایش وضعیت موتور محسوب می‌گردد. در این تحقیق یک سامانه مبتنی بر فناوری‌های گرمانگاری و پردازش تصویر برای تشخیص و طبقه-بندی عیوب مختلف رادیاتور توسعه داده شد. ابتدا عیوب متداول در رادیاتور‌های سیستم خنک کاری شامل؛ گرفتگی لوله‌های رادیاتور، گرفتگی شبکه رادیاتور، اتصالات شل بین لوله‌ها و شبکه رادیاتور، نشتی مایع خنک کاری، خرابی درب رادیاتور ایجاد گردید. سپس به منظور تشخیص عیوب مختلف رادیاتور، از شرایط مختلف رادیاتور معیوب و سالم در سه سطح دمایی سیال خنک کاری (70، 80 و 90 درجه سلسیوس)، سه سطح دبی جریان سیال خنک کاری در حال گردش (40، 55 و 70 لیتر بر دقیقه) و دو سطح سرعت هوای عبوری از شبکه رادیاتور (2 و 3 متر بر ثانیه) تصاویر گرمایی توسط یک سامانه گرمانگاری فروسرخ تهیه شد. در ابتدا ضریب گسیلندگی رادیاتور مسی-برنجی برابر 97/0 تعیین گردید. پس از پیش پردازش تصاویر گرمایی تهیه شده جهت تجزیه و پردازش چند دقتی از تصاویر مذکور تبدیل موجک در یک سطح تجزیه استفاده گردید. از هر کدام از تصاویر گرمایی مقیاس خاکستری، تصاویر تقریب ، جزئیات افقی، عمودی و قطری تبدیل موجک آن تصویر، ویژگی‌های بافت شامل؛ میانگین، انحراف معیار، همواری، چولگی، انرژی و آنتروپی استخراج گردید. سپس با تلفیق تکنیک‌های هوشمند نظیر ترکیب‌های؛ الگوریتم ژنتیک و شبکه‌های عصبی مصنوعی، الگوریتم ژنتیک و ماشین بردار پشتیبان، الگوریتم ازدحام ذرات و شبکه‌های عصبی مصنوعی، الگوریتم ازدحام ذرات و ماشین بردار پشتیبان به عنوان سامانه‌های پیشنهادی جهت انتخاب ویژگی و ورودی‌های موثر به طبقه‌بند استفاده شد. از تحلیل مولفه‌های اصلی برای کاهش ویژگی‌های مستخرج شده و یا ویژگی‌های منتخب استفاده شد. در نهایت، از شبکه‌های عصبی پرسپترون چند لایه، ماشین بردار پشتیبان و سامانه استنتاج فازی-عصبی به عنوان طبقه‌بند برای طبقه‌بندی تصاویر گرمایی با استفاده از بردار ویژگی‌های مستخرج و ویژگی‌های منتخب استفاده گردید.
- Abstract
- Abstract The radiator is a key component of an engine’s cooling system, playing an important role in maintaining the operating temperature of the engine. Most engine component materials are not be able to endure this temperature and would rapidly fail if they are not properly cooled. Overheating of the engine can cause oil to thin, engine parts to expand, lubrication to break down, and engine moving parts to be damaged. Therefore removing heat from an engine is indispensable for the appropriate operation of engine. A radiator that is defective will cause the engine to be stopped or it will reduce engine performance. Thus fault diagnosis and condition. Monitoring of a radiator is very important. The intelligent diagnosis systems have been developed and applied to the classification of six types of cooling radiator conditions via using of infrared thermal images; namely, radiator tube blockage, radiator fin blockage, loose connections between fins and tubes, radiator door failure, coolant leakage and normal. The proposed systems consisted of several subsequent procedures including thermal image acquisition, preprocessing, image processing via two dimensional discrete wavelet transform (2D-DWT), feature extraction, feature selection, and classification. The 2D-DWT was implemented to decompose the thermal images. Subsequently, statistical texture features were extracted from the original and decomposed thermal images. Consequently, statistical texture features are extracted from the original and decomposed thermal images. In the next step, the significant features are selected based on genetic algorithm (GA) and particle swarm optimization (PSO) to enhance the performance of the artificial neural networks (ANN), support vector machine (SVM) and ANFIS classifiers. For evaluation of classification performances and select best classifier, the classification performances were measured based on the values of the confusion matrix, such as percentage of specificity, sensitivity, precision, accuracy and area under the curve (AUC). The best performance of classification was obtained combination of ANN and GA with a 16-6-6 topology. According to the above-mentioned confusion matrix, including classification accuracy, precision, sensitivity, specificity and AUC for radiator tube blockage (TB), radiator fin blockage (FB), loose connection between fins &tubes پیاده سازی و توسنه ی سامانه پایش و ت خی باخ عیوب رادیاتور... امین طاهای اااوند 156 (LC), radiator door failure (DF), coolant leakage (CL) and normal (N) classes. The classification accuracy of the ANN classifier for FB, LC, CL, DF, TB and N classes were 97.78%, 92.35, 92.57, 98.75 and 95.66%, respectively. The overall accuracy of the ANN classifier obtained was 93.83 %. The classification results demonstrated that this system can be employed satisfactorily as an intelligent condition monitoring and fault diagnosis for a class of cooling radiator. Keywords: Thermography, Cooling Radiator, Fault Diagnose, Images Processing, Artificial Neural Network, Genetic Algorithm, Support Vector Machine and ANFIS.
