کتاب صوتی عیب‌یابی انقلابی موتورهای القایی: پایش ارتعاشات با آنتن تک‌واحدی و هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره عیب‌یابی انقلابی موتورهای القایی: پایش ارتعاشات با آنتن تک‌واحدی و هوش مصنوعی

موضوع کلی: پایش وضعیت و نگهداری پیش‌بینانه هوشمند ماشین‌آلات صنعتی

موضوع میانی: تشخیص عیوب ماشین‌آلات با حسگرهای بدون تماس و فناوری RF

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر نگهداری و تعمیرات پیش‌بینانه (PdM)
• 2. اهمیت پایش وضعیت (Condition Monitoring) در صنعت
• 3. آشنایی با انواع ماشین‌آلات دوار و موتورهای صنعتی
• 4. اصول کارکرد موتورهای القایی سه فاز
• 5. اجزای اصلی موتور القایی: استاتور، روتور و بیرینگ‌ها
• 6. شایع‌ترین انواع عیوب در موتورهای القایی
• 7. مقدمه‌ای بر آنالیز ارتعاشات به عنوان ابزار عیب‌یابی
• 8. محدودیت‌های حسگرهای تماسی (شتاب‌سنج‌ها)
• 9. معرفی روش‌های پایش بدون تماس: حرارتی، صوتی و الکترومغناطیسی
• 10. ایده انقلابی: استفاده از میدان الکترومغناطیسی برای سنجش ارتعاش
• 11. آشنایی با مقاله الهام‌بخش و نوآوری‌های آن
• 12. مروری بر مبانی امواج الکترومغناطیس
• 13. معرفی آنتن‌ها و پارامترهای کلیدی آن‌ها
• 14. مفهوم میدان نزدیک (Near Field) و میدان دور (Far Field)
• 15. تمرکز بر میدان نزدیک راکتیو (Reactive Near Field)
• 16. چگونگی تاثیر حرکات مکانیکی میکرو بر میدان نزدیک راکتیو
• 17. فیزیک تعامل بین سطح مرتعش موتور و آنتن
• 18. پارامترهای پراکندگی (S-Parameters) و اهمیت S11 (ضریب بازگشت)
• 19. ارتباط بین تغییرات S11 و ارتعاش سطح موتور
• 20. چرا یک آنتن تنها (Single Antenna) کافی است؟
• 21. معرفی سیستم اندازه‌گیری: تحلیلگر شبکه برداری (VNA)
• 22. جایگزین‌های VNA: طراحی مدارهای RF سفارشی
• 23. انتخاب نوع آنتن مناسب (مثلاً آنتن پچ مایکرواستریپ)
• 24. اصول طراحی آنتن برای سنجش ارتعاش
• 25. فرکانس کاری بهینه برای اندازه‌گیری در میدان نزدیک
• 26. چیدمان آزمایشگاهی: نصب آنتن و فاصله بهینه از موتور
• 27. کالیبراسیون سیستم و حذف اثرات محیطی
• 28. فرآیند جمع‌آوری داده‌های خام از آنتن (داده‌های S11)
• 29. تبدیل داده‌های حوزه فرکانس (S11) به سیگنال حوزه زمان
• 30. دمودولاسیون فاز و دامنه برای استخراج سیگنال ارتعاش
• 31. مقایسه سیگنال استخراج‌شده از آنتن با سیگنال شتاب‌سنج مرجع
• 32. مقدمه‌ای بر پردازش سیگنال دیجیتال (DSP) برای عیب‌یابی
• 33. فیلترینگ و حذف نویز از سیگنال ارتعاشی RF
• 34. تبدیل فوریه سریع (FFT) و تحلیل طیف فرکانسی
• 35. شناسایی فرکانس‌های مشخصه در سیگنال ارتعاش
• 36. مفهوم سرعت سنکرون و لغزش در موتورهای القایی
• 37. ارتعاشات در موتور سالم: طیف فرکانسی پایه
• 38. عیب نابالانسی (Unbalance): تعریف و دلایل وقوع
• 39. تشخیص نابالانسی در طیف فرکانسی (مولفه 1X)
• 40. عیب ناهم‌راستایی (Misalignment): انواع و اثرات آن
• 41. تشخیص ناهم‌راستایی در طیف فرکانسی (مولفه‌های 2X و هارمونیک‌ها)
• 42. عیب لقی مکانیکی (Mechanical Looseness) و امضای ارتعاشی آن
• 43. مقدمه‌ای بر عیوب بیرینگ‌ها (یاتاقان‌ها)
• 44. فرکانس‌های مشخصه عیوب بیرینگ: BPFO, BPFI, BSF, FTF
• 45. تشخیص عیب در رینگ خارجی بیرینگ (Outer Race Fault)
• 46. تشخیص عیب در رینگ داخلی بیرینگ (Inner Race Fault)
• 47. تشخیص عیب در ساچمه‌ها (Ball/Roller Fault)
• 48. تشخیص عیب در قفسه بیرینگ (Cage Fault)
• 49. مقدمه‌ای بر عیوب الکتریکی موتور
• 50. عیب شکستگی میله‌های روتور (Broken Rotor Bar)
• 51. تشخیص شکستگی میله روتور از طریق سایدبندهای فرکانس خط
• 52. عیب خروج از مرکزی (Eccentricity): استاتیکی و دینامیکی
• 53. امضای فرکانسی عیب خروج از مرکزی
• 54. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین برای عیب‌یابی
• 55. چرا به یادگیری ماشین برای طبقه‌بندی عیوب نیاز داریم؟
• 56. فرآیند کلی یک پروژه یادگیری ماشین: از داده تا مدل
• 57. استخراج ویژگی (Feature Extraction) از سیگنال‌های ارتعاشی
• 58. ویژگی‌های حوزه زمان: RMS, Kurtosis, Skewness, Crest Factor
• 59. ویژگی‌های حوزه فرکانس: دامنه پیک‌ها، فرکانس‌های غالب، انرژی باند
• 60. ویژگی‌های حوزه زمان-فرکانس: تبدیل ویولت و STFT
• 61. کاهش ابعاد ویژگی‌ها: تحلیل مولفه اصلی (PCA)
• 62. انتخاب ویژگی‌های موثر (Feature Selection)
• 63. آماده‌سازی مجموعه داده: برچسب‌گذاری کلاس‌های مختلف عیب
• 64. تقسیم داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و آزمون
• 65. معرفی الگوریتم‌های طبقه‌بندی (Classification)
• 66. الگوریتم نزدیک‌ترین همسایه (K-Nearest Neighbors - KNN)
• 67. الگوریتم ماشین بردار پشتیبان (Support Vector Machine - SVM)
• 68. الگوریتم درخت تصمیم (Decision Tree) و جنگل تصادفی (Random Forest)
• 69. مقدمه‌ای بر شبکه‌های عصبی مصنوعی (Artificial Neural Networks)
• 70. ساخت یک مدل شبکه عصبی پرسپترون چندلایه (MLP)
• 71. آموزش مدل: توابع هزینه و الگوریتم‌های بهینه‌سازی
• 72. ارزیابی عملکرد مدل: ماتریس درهم‌ریختگی (Confusion Matrix)
• 73. معیارهای ارزیابی: دقت، صحت، یادآوری و امتیاز F1
• 74. تنظیم هایپرپارامترها برای بهبود عملکرد مدل
• 75. پیاده‌سازی عملی: جمع‌آوری داده از موتور در شرایط مختلف
• 76. کلاس‌بندی داده‌های موتور سالم
• 77. کلاس‌بندی داده‌های موتور با عیب نابالانسی
• 78. کلاس‌بندی داده‌های موتور با عیب بیرینگ
• 79. مطالعه موردی ۱: تفکیک بین دو عیب مختلف با مدل SVM
• 80. مطالعه موردی ۲: استفاده از جنگل تصادفی برای طبقه‌بندی چندکلاسه عیوب
• 81. چالش‌های پیاده‌سازی در محیط صنعتی واقعی
• 82. تاثیر تغییر بار و سرعت موتور بر سیگنال ارتعاشی
• 83. اثرات نویز الکترومغناطیسی محیطی و روش‌های مقابله
• 84. پایش آنلاین در مقابل پایش آفلاین
• 85. ادغام سیستم پایش مبتنی بر RF با پلتفرم‌های اینترنت اشیا (IoT)
• 86. ساخت یک داشبورد پایش وضعیت زنده
• 87. موضوعات پیشرفته: استفاده از یادگیری عمیق (Deep Learning)
• 88. کاربرد شبکه‌های عصبی کانولوشنی (CNN) روی طیف‌نگاره‌ها
• 89. کاربرد شبکه‌های عصبی بازگشتی (RNN) برای داده‌های سری زمانی
• 90. مدل‌سازی انتقال یادگیری (Transfer Learning) برای عیوب جدید
• 91. همجوشی داده‌ها (Data Fusion): ترکیب سنسور RF با سنسورهای دیگر
• 92. آینده پایش وضعیت بدون تماس
• 93. مزایای اقتصادی و بازگشت سرمایه (ROI) در نگهداری پیش‌بینانه
• 94. استانداردهای صنعتی مرتبط با آنالیز ارتعاشات
• 95. خلاصه دوره و مرور گام‌های کلیدی
• 96. پروژه نهایی: طراحی و شبیه‌سازی یک سیستم کامل عیب‌یابی از ابتدا تا انتها