شماره ركورد
13152
عنوان
بررسي كاربرد روش هاي هوشمند فازي و شبكه هاي عصبي در تخمين و شناسايي عيب در سيستم هاي ريلي
سال تحصيل
1399
استاد راهنما
دكتر بهمن قرباني واقعي
چکيده
امروزه بحث ايمني و قابليت اعتماد در تمام سيستمهاي صنعتي از اهميت ويژهاي برخوردار است. سيست م-
هاي ريلي نيز بهعنوان مجموعهاي كه به طور مستقيم خدمات حمل و نقل را انجام ميدهند، از اين قاعده مستثني
نيس تند. چهبسا كه موضوع ايمني و قابليت اعتماد در سيستمهاي ريلي مه متر از ساير سيستمها و صنايع ميباشد؛
زيرا كه كوچكترين خرابي در اين سيستم ميتواند باعث ايجاد صدمات هنگفت جاني و مالي شود. از اين رو،
تشخيص و شناسايي هر نوع عيب و خطا در اين سيستمها بسيار حائز اهميت بوده و ميتواند از وقوع فجايع كوچك
و بزرگ جلوگيري بهعملآورد. نقش اساسي در تشخيص و شناسايي عيب در سيستمهاي صنعتي بهدست آوردن
يك شاخصه تأثيرگذار است كه بتواند حالتهاي داراي خطا در يك فرآيند را تشخيص دهد و سپس اقدام مناسبي
در برابر خرابي يا حوادث نامطلوب آينده انجام دهد. بهمنظور ارتقاي بسياري از عملكردهاي فرآيند )بهعنوان مثال،
كيفيت و توان عملياتي(، سيستمهاي تشخيص و شناسايي عيب، توجه زيادي را از بخشهاي مختلف صنعتي
بهخود جلب كرده است. بسياري از تكنيكهاي سنتي تشخيص و شناسايي عيب، براي بررسي وجود يك روند يا
الگو در فرآيند يا اينكه آيا يك متغير خاص در فرآيند رفتار عادي دارد يا خير، توسعه يافتهاند. با اين حال، اين
روشهاي سنتي ممكن است نتوانند چندين مشخصه پنهان فرآيند را توليد كنند يا بهدليل پويا بودن سيستم در
كشف عيوب شكست بخورند. در اين سمينار، تحقيقات و پيشرف تهاي فعلي رويكردهاي تشخيص و شناسايي عيب
براي نظارت بر سيستمهاي ريلي و همچنين مرور ادبيات گسترده بسياري از رويكردهاي مفيد در زمينه تشخيص
و شناسايي عيب ارائه شدهاست.
نام دانشجو
سيداحمد ميرابوطالبي
تاريخ ارائه
4/12/2022 12:00:00 AM
متن كامل
82050
پديد آورنده
سيد احمد ميرابوطالبي
تاريخ ورود اطلاعات
1402/12/14
عنوان به انگليسي
Investigationg the application of Fuzzu and Neural Networks Intelligent Methods in Estimating and diagnosis faults in railway systems
كليدواژه هاي فارسي
تشخيص و شناسايي عيب , منطق فازي و شبكه هاي عصبي , روش هاي داده محور , روش هاي مبتني بر مدل , روش هاي دوگانه , زيرسيستم هاي ريلي
كليدواژه هاي لاتين
fault detection anad diagnosis , fuzzy logic and neural networks , data driven methods , model-based methods , hybrid methods , railway subsystems