شماره ركورد
14913
عنوان
مروري بر كاربرد تكنيك انتشار امواج صوتي (آكوستيك اميشن) در تشخيص خرابي قطعات و مجموعههاي خودرو
سال تحصيل
1403
استاد راهنما
دكتر مرتضي ملاجعفري
استاد مشاور
دكتر جواد مرزبان راد
چکيده
امروزه تشخيص بهموقع خرابي در قطعات و مجموعههاي خودرو به منظور افزايش ايمني، كاهش هزينههاي نگهداري و بهبود قابليت اطمينان سيستمهاي خودرويي از اهميت بالايي برخوردار است. در اين راستا، تكنيك انتشار امواج صوتي (آكوستيك اميشن) به عنوان يكي از روشهاي مؤثر و غيرمخرب آزمون، توجه زيادي را در صنعت خودروسازي به خود جلب كرده است. اين روش با استفاده از امواج صوتي توليدشده در اثر تغييرات مكانيكي در مواد، امكان شناسايي و پايش آسيبهاي داخلي را بدون نياز به تخريب يا جداسازي قطعات فراهم ميكند.
اين مقاله به روش مروري، به بررسي اصول بنيادين، سير تكاملي و كاربردهاي عملي فناوري آكوستيك اميشن در صنعت خودرو ميپردازد. يافتههاي كليدي نشان ميدهند كه اين تكنيك در پايش وضعيت موتورهاي احتراق داخلي، تشخيص عيوب در گيربكسها، پايش سلامت سازههاي كامپوزيتي و شناسايي ترك در پانلهاي پرس شده كاربرد مؤثري دارد. همچنين، ادغام اين فناوري با روشهاي پيشرفته پردازش سيگنال، يادگيري ماشين و هوش مصنوعي، دقت و قابليت اطمينان سيستمهاي تشخيص عيب را به ميزان قابل توجهي افزايش داده است.
در نتيجهگيري نهايي ميتوان اشاره كرد كه آكوستيك اميشن با وجود چالشهايي نظير حساسيت به نويز محيطي و پيچيدگي پردازش دادهها، به عنوان يك ابزار قدرتمند در تحقق نگهداري پيشبينانه و بهينهسازي عملكرد خودروها عمل ميكند. چشمانداز آينده اين فناوري، توسعه سيستمهاي يكپارچه مبتني بر اينترنت اشيا و حسگرهاي هوشمند براي پايش مستمر و خودكار سلامت خودروها خواهد بود.
نام دانشجو
ايدين حاجي هاشم زاده
تاريخ ارائه
9/7/2025 12:00:00 AM
متن كامل
87146
پديد آورنده
ايدين حاجي هاشم زاده
تاريخ ورود اطلاعات
1404/06/12
عنوان به انگليسي
A review of the application of acoustic emission techniques in fault diagnosing of automotive components and assemblies
كليدواژه هاي فارسي
آكوستيك اميشن , آزمون غيرمخرب , پايش وضعيت , نگهداري پيشبينانه , مهندسي خودرو , تشخيص عيب , پردازش سيگنال , يادگيري ماشين
كليدواژه هاي لاتين
Acoustic Emission , Non-Destructive Testing , Condition Monitoring , Predictive Maintenance , Automotive Engineering , Fault Diagnosing , Signal Processing , Machine Learning