دوره 17، شماره 2 - ( 1396 )                   جلد 17 شماره 2 صفحات 240-250 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Taheri-Garavand A, Omid M, Ahmadi H, Mohtasebi S S, Carlomagno G M. Intelligent fault diagnosis of cooling radiator based on thermal image processing and artificial intelligence techniques. Modares Mechanical Engineering. 2017; 17 (2) :240-250
URL: http://journals.modares.ac.ir/article-15-1817-fa.html
طاهری گراوند امین، امید محمود، احمدی حجت، محتسبی سید سعید، کارلومگنو جیوانی ماریا. تشخیص هوشمند عیوب رادیاتور خنک کاری مبتنی بر تکنیکهای هوش مصنوعی و پردازش تصاویر گرمایی. مهندسی مکانیک مدرس. 1396; 17 (2) :240-250

URL: http://journals.modares.ac.ir/article-15-1817-fa.html


1- دانشگاه لرستان
2- دانشگاه تهران
3- دانشگاه ناپل فدریکو II
چکیده:   (1599 مشاهده)
در این تحقیق یک سامانه مبتنی بر تلفیق فناوری‌های گرمانگاری و پردازش تصویر برای تشخیص و طبقه‌بندی عیوب مختلف رادیاتور توسعه داده می شود. 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 بصورت مصنوعی ایجاد گردید. به منظور تشخیص عیوب مختلف رادیاتور، از شرایط مختلف رادیاتور معیوب و سالم در سه سطح دمایی، سه سطح دبی جریان سیال خنک کاری در حال گردش و دو سطح سرعت هوای عبوری از شبکه رادیاتور تصاویر گرمایی توسط یک دوربین فروسرخ تهیه شد. پس از پیش پردازش تصاویر گرمایی تهیه شده جهت تجزیه و پردازش چند دقتی از تصاویر مذکور تبدیل موجک در یک سطح تجزیه اعمال گردید. از هر کدام از تصاویر گرمایی مقیاس خاکستری، تصاویر تقریب ، جزئیات افقی، عمودی و قطری تبدیل موجک آن تصویر، ویژگی‌های آماری بافت استخراج گردید. سپس با تلفیق تکنیک‌های هوشمند الگوریتم ژنتیک و شبکه‌های عصبی-فازی تطبیقی (انفیس)، از آن جهت انتخاب ویژگی و ورودی‌های موثر به طبقه‌بند استفاده شد. در نهایت، از انفیس برای طبقه‌بندی تصاویر گرمایی با استفاده از بردار ویژگی‌های مستخرج و منتخب استفاده گردید. برای ارزیابی طبقه‌بند از شاخص‌های آماری صحت، حساسیت و اختصاصی بودن محاسبه شدند. پس از ارزیابی، سامانه‌ پیشنهادی توانست با دقت کلی طبقه‌بندی 94.11 درصد عیوب مختلف رادیاتور سیستم خنک کاری را تشخیص و طبقه‌بندی نماید. بنابراین استفاده از تکنیک پردازش تصاویر گرمایی مبتنی بر هوش مصنوعی برای پایش وضعیت و تشخیص هوشمند عیوب رادیاتور امیدوار کننده است.
متن کامل [PDF 1276 kb]   (1911 دریافت)    
نوع مقاله: مقاله پژوهشی کامل | موضوع مقاله: آزمون غیرمخرب
دریافت: ۱۳۹۵/۸/۲۳ | پذیرش: ۱۳۹۵/۱۰/۲۶ | انتشار: ۱۳۹۵/۱۱/۲۵

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA code