دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1 نویسندگان: Elias G. Strangas, Guy Clerc, Hubert Razik, Abdenour Soualhi سری: ISBN (شابک) : 1119722756, 9781119722755 ناشر: Wiley-IEEE Press سال نشر: 2021 تعداد صفحات: 445 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 51 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Fault Diagnosis, Prognosis, and Reliability for Electrical Machines and Drives (IEEE Press) به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب عیبیابی، پیشآگهی و قابلیت اطمینان برای ماشینهای الکتریکی و درایوها (IEEE Press) نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
یک درمان روشنگر از فناوریهای موجود و در حال ظهور در تشخیص عیب و پیشآگهی خرابی
در عیبیابی، پیشآگهی و قابلیت اطمینان برای ماشینهای الکتریکی و درایوها، تیمی از محققان برجسته کاوشی جامع از رویکردهای فعلی و نوظهور برای تشخیص عیب و پیشآگهی خرابی ماشینها و درایوهای الکتریکی ارائه میدهند. نویسندگان با پیشینه اساسی شروع میکنند و فیزیک خرابی، طراحی موتور و درایو و اجزایی را که بر خرابی و سیگنالها، پردازش سیگنال و تجزیه و تحلیل تأثیر میگذارند، شروع میکنند.
سپس این کتاب به توصیف ویژگیهای این سیگنالها و روشهایی که معمولاً برای استخراج این ویژگیها برای تشخیص سلامت موتور یا درایو استفاده میشود و همچنین روشهای مورد استفاده برای شناسایی وضعیت سلامتی میپردازد. و بین خطاهای احتمالی یا شدت آنها تفاوت قائل شوید.
تشخیص خطا، پیشآگهی و قابلیت اطمینان برای ماشینهای الکتریکی و درایوها درباره ابزارهای مورد استفاده برای تشخیص روند خرابی و تخمین عمر مفید باقیمانده بحث میکند. این به روابط بین تشخیص خطا، پیش آگهی شکست و کاهش خطا می پردازد.
این کتاب همچنین ارائه میدهد:
مناسب برای محققان و دانشجویانی که مایل به مطالعه یا تمرین در زمینه ماشینهای الکتریکی و درایوها هستند، عیبیابی، پیشآگهی و قابلیت اطمینان برای ماشینهای الکتریکی و درایوهاهمچنین یک منبع ضروری برای محققانی است که سابقه پردازش سیگنال یا آمار دارند.
An insightful treatment of present and emerging technologies in fault diagnosis and failure prognosis
In Fault Diagnosis, Prognosis, and Reliability for Electrical Machines and Drives, a team of distinguished researchers delivers a comprehensive exploration of current and emerging approaches to fault diagnosis and failure prognosis of electrical machines and drives. The authors begin with foundational background, describing the physics of failure, the motor and drive designs and components that affect failure and signals, signal processing, and analysis.
The book then moves on to describe the features of these signals and the methods commonly used to extract these features to diagnose the health of a motor or drive, as well as the methods used to identify the state of health and differentiate between possible faults or their severity.
Fault Diagnosis, Prognosis, and Reliability for Electrical Machines and Drives discusses the tools used to recognize trends towards failure and the estimation of remaining useful life. It addresses the relationships between fault diagnosis, failure prognosis, and fault mitigation.
The book also provides:
Perfect for researchers and students who wish to study or practice in the rea of electrical machines and drives, Fault Diagnosis, Prognosis, and Reliability for Electrical Machines and Drives is also an indispensable resource for researchers with a background in signal processing or statistics.
Fault Diagnosis, Prognosis, and Reliability for Electrical Machines and Drives Contents Contributors Acknowledgments Acronyms Introduction 1 Basic Methods and Tools 1.1 General Approach 1.2 Feature Extraction: Signal and Preconditioning 1.2.1 Raw Signals: What Kind of Signals and Sensors? 1.2.1.1 Current Sensors 1.2.1.2 Vibration Measurement and Accelerometers 1.2.1.3 Temperature Sensors 1.2.1.4 Field Sensors 1.2.1.5 Acoustic Sensors 1.2.1.6 Other Sensors 1.2.2 Preconditioning 1.2.2.1 Signal Features in the Time Domain 1.2.2.2 Symmetric Component, Park Component 1.2.2.3 Symmetric Component, Park Component 1.2.2.4 Signal Features in the Frequency Domain 1.2.2.5 Wavelet Analysis 1.2.2.6 Instantaneous Amplitude and Frequency 1.2.2.7 Bilinear Time–frequency Distributions or Quadratic Time–frequency Distributions: Cohen’s Class 1.2.2.7.a Uncertainty Principle of Heisenberg 1.2.2.7.b General Representation 1.2.2.7.c Properties 1.2.2.7.d Different Representations 1.2.2.8 Statistic Features 1.2.2.9 Cyclostationarity 1.2.3 Model Approach 1.2.3.1 Kalman Observer 1.2.3.2 Extended Observer 1.2.3.3 Unscented Kalman Filter 1.2.4 Parity Space 1.3 Feature Reduction, Principal Component Analysis 1.3.1 Principal Component Analysis: A Space Reduction and an Unsupervised Classification 1.3.2 Intercorrelation 1.3.2.1 Pearson Coefficient “r\" 1.3.2.2 Spearman Coefficient “