سیستم خبره تشخیص میگرن

اختصاصی از فایلکو سیستم خبره تشخیص میگرن دانلود با لینک مستقیم و پر سرعت .

این سیستم خبره به کاربر کمک می کند که تشخیص دهد سرد درد فرد از نوع میگرنی هست یا خیر

 این برنامه با استفاده از نرم افزار کلیپس و در محیط نوت پد نوشته شده است

کامپوننت فرم ساز rs form اراس فرم + تشخیص صحت کد ملی

اختصاصی از فایلکو کامپوننت فرم ساز rs form اراس فرم + تشخیص صحت کد ملی دانلود با لینک مستقیم و پر سرعت .

کامپوننت RSForm Pro ابزاری جهت ایجاد انواع فرم های تک صفحه و چند صفحه ای است. توسط این کامپوننت شما میتوانید فرم هایی مانند ثبت نام دوره، تماس با ما، استخدام، ثبت رزومه را ایجاد نمایید.

کامپوننت فرم ساز ار اس فرم حتی به شما امکان ایجاد فرم هایی را میدهد که پس از تکمیل به درگاه پرداخت متصل شود. این کامپوننت با انعطاف بالایی که دارد امکان ایجاد المان بصورت کاملا ویزارد و قابلیت کد نویسی برای المان ها را برای شما فراهم میکند. از ویژگی ها این کامپوننت میتوان امکان نوشتن کدهای جاوا اسکریپت، css نویسی، php نویسی و ایجاد شرط برای المان ها اشاره کرد.

شایان بذکر است که با استفاده از پلاگین های متنوع و پیشرفته آر اس فرم میتوان نسبت به گسترش و توسعه آن اقدام نمود. از پلاگین های توسعه دهنده آر اس فرم میتوان به پلاگین های پرداخت های آنلاین، تایید کد ملی و ایمیل، اتصال به دیگر افزونه های جوملا و حتی ایجاد یک فروشگاه اشاره نمود.

آخرین ورژن: 1.52.3
تصاویر:

پروژه بررسی و تشخیص خطای سیم بندی استاتور با آنالیز موجک و شبکه عصبی. doc

اختصاصی از فایلکو پروژه بررسی و تشخیص خطای سیم بندی استاتور با آنالیز موجک و شبکه عصبی. doc دانلود با لینک مستقیم و پر سرعت .

نوع فایل: word

قابل ویرایش 119 صفحه

چکیده:

در این پایان نامه ابتدا عیوب الکتریکی و مکانیکی در ماشینهای الکتریکی بررسی گردیده و عوامل به وجود آورنده و روشهای رفع این عیوب بیان شده است . به دنبال آن ، به کمک روش تابع سیم پیچی ماشین شبیه سازی و خطای مورد نظر یعنی خطای سیم بندی استاتور به آن اعمال و نتایج مورد بررسی قرار داده شده است. پارامتر اصلی که برای تشخیص خطا در این پایان نامه استفاده کرده ایم ، جریان سه فاز استاتور در حالت سالم و خطادار  ،تحت بارگذاری های مختلف خواهد بود.

در قسمت بعدی تئوری موجک و همچنین شبکه عصبی مورد بررسی قرار گرفته است . مادر اینجا از  برای استخراج مشخصات سیگنال استفاده کرده ایم ، مهمترین دلیلی که برای استفاده از این موجک داریم خاصیت متعامد بودن و پشتیبانی متمرکز سیگنال در حوزه زمان می باشد. شبکه عصبی که برای تشخیص خطا استفاده کرده ایم  ، شبکه سه لایه تغذیه شونده به سمت جلو با الگوریتم آموزش BP  و تابع فعالیت سیگموئیدی می باشد . در فصل چهارم روش تشخیص خطای سیم بندی استاتور در ماشین القایی بیان شده است که به صورت ترکیبی از آنالیز موجک و شبکه عصبی لست. روند کلی تشخص خطا به این صورت می باشد که ابتدا از جریان استاتور ماشین در حالت سالم و همچنین تحت خطاهای مختلف که در فصل دوم بدست آورده ایم استفاده شده و تبدیل موجک بروی آن اعمال گردیده است.سپس با استفاده از ضرایب موجک مقادیر انرژی در هر مقیاس استخراج و  به عنوان ورودی شبکه عصبی جهت آموزش دادن آن برای تشخیص خطای سیم بندی استاتور مورد استفاده قرار گرفته است. در نهایت به کمک داده های تست، صحت شبکه مذکور مورد بررسی قرار داده شده است. در نهایت نتیجه گیری و پیشنهادات لازم بیان گردیده است.

با توجه به مطالب اشاره شده نتیجه می شود که با تشخیص به موقع هر کدام از عیوب اوّلیه در ماشین القایی می توان از پدید آمدن حوادث ثانویّه که منجر به وارد آمدن خسارات سنگین می گردد ، جلوگیری نمود . در این راستا سعی شده است که با تحلیل ، بررسی و تشخیص یکی از این نمونه خطاها، خطای سیم بندی استاتور یک موتور القایی قفس سنجابی ، گامی موثر در پیاده سازی نظام تعمیراتی پیشگویی کننده برداشته شود و با بکارگیری سیستم های مراقبت وضعیت بروی چنین ماشینهایی از وارد آمدن خسارات سنگین بر صنایع و منابع ملی جلوگیری گردد.

مقدمه:

موتورهای  الکتریکی نقش مهمی را در راه اندازی موثر ماشینها و پروسه های صنعتی ایفا می کنند. بخصوص موتورهای القایی قفس سنجابی را که بعنوان اسب کاری صنعت می شناسند. بنابراین تشخیص خطاهای این موتورها می تواند فواید اقتصادی فراوانی در پی داشته باشد. از جمله مدیریت کارخانه های صنعتی را آسان می کند، سطح اطمینان سیستم را بالا می برد، هزینه تعمیر و نگهداری پایین می آید و نسبت هزینه به سود بطور قابل توجهی کاهش می یابد. Bonnett و Soukup برای خرابیهای استاتور موتورهای القایی سه فاز قفس سنجابی، پنج حالت خرابی مطرح کرده اند که عبارت اند از: حلقه به حلقه، کلاف به کلاف، قطع فاز، فاز به فاز و کلاف به زمین[1]. برای موتورهای قفس سنجابی، خرابیهای سیم پیچی استاتور و یاتاقانها  کل خرابیها به حساب می آیند و همچنین اکثر خرابیهای سیم پیچی استاتور موتور القایی از فروپاشی عایقی حلقه به حلقه ناشی می شود]2[. برخی از محققین خرابیهای موتور را چنین تقسیم بندی کرده اند: خرابی  ساچمه ها ( یاتاقانها) %40-50، خرابی عایق استاتور %30-40 و خرابی قفسه روتور %5- 10 [3] که اگر خرابی حلقه به حلقه جلوگیری نشود، منجر به خطای فاز به زمین یا فاز به فاز می گردد، که خطای فاز به زمین شدید تر است. در مقالات[4] [5] نظریه تابع سیم پیچی و کاربرد آن در آنالیز گذرای موتورهای القایی تحت خطا شرح داده شده است. از این نظریه در مدلسازی خطای حلقه به حلقه استاتور استفاده شده است. علاوه بر روشهای فوق خطای استاتور موتور القایی را می توان به کمک بردارهای فضایی مورد مطالعه قرار داد[6].

فهرست مطالب:

چکیده

مقدمه

فصل اول: بررسی انواع خطا در ماشینهای القایی و علل بروز و روشهای تشخیص آنها

1-1-مقدمه

1-2-بررسی انواع تنشهای وارد شونده بر ماشین القایی

1-2-1-تنشهای موثر در خرابی استاتور

1-2-2- تنشهای موثر در خرابی روتور

1-3- بررسی عیوب اولیه در ماشینهای القایی

1-3-1- عیوب الکتریکی اولیه در ماشینهای القایی

1-3-2- عیوب مکانیکی اولیه در ماشینهای القایی

فصل دوم: مدلسازی ماشین القایی با استفاده از تئوری تابع سیم پیچ

2-1-تئوری تابع سیم پیچ

2-1-1-تعریف تابع سیم پیچ

2-1-2-محاسبه اندوکتانسهای ماشین با استفاده از توابع سیم پیچ

2-2-شبیه سازی ماشین القایی

2-2-1- معادلات یک ماشین الکتریکی باm سیم پیچ استاتور و n سیم پیچ روتور

2-2-1-1-معادلات ولتاژ استاتور

2-2-1-2- معادلات ولتاژ روتور

2-2-1-3- محاسبه گشتاور الکترومغناطیسی

2-2-1-4- معادلات موتور القای سه فاز قفس سنجابی در فضای حالت

2-3- مدلسازی خطای حلقه به حلقه و خطای کلاف به کلاف

فصل سوم: آنالیز موجک و تئوری شبکه های عصبی

3-1-تاریخچه موجک ها

3-2-مقدمه ای بر خانواده موجک ها

3-2-1-موجک هار

3-2-2- موجک دابیشز

3-2-3- موجک کوایفلت

3-2-4- موجک سیملت

3-2-5- موجک مورلت

3-2-6- موجک میر

3-3- کاربردهای موجک

3-4- آنالیز فوریه

3-4-1- آنالیز فوریه زمان-کوتاه

3-5-آنالیز موجک

3-6- تئوری شبکه های عصبی

3-6-1- مقدمه

3-6-2- مزایای شبکه عصبی

3-6-3-اساس شبکه عصبی

3-6-4- انواع شبکه های عصبی

3-6-5-آموزش پرسپترونهای چند لایه

فصل چهارم:روش تشخیص خطای سیم بندی استاتور در ماشین القایی(خطای حلقه به حلقه)

4-1- اعمال تبدیل موجک

4-2- نتایج تحلیل موجک

4-3- ساختار شبکه عصبی

فصل پنجم: نتیجه گیری و پیشنهادات..

نتیجه گیری

پیشنهادات

پیوست ها

منابع و ماخذ

 فارسی

منابع لاتین

چکیده لاتین

فهرست اشکال:

شکل1-1 : موتور القایی با ساختار مجزا شده از هم

شکل1-2: شمای قسمتی از موتور و فرکانس عبور قطب

شکل1-3: (الف) اتصال کوتاه کلاف به کلاف بین نقاط b وa    (ب) خطای فاز به فاز

شکل2-1: برش از وسیله دو استوانه ای با قرارگیری دلخواه سیم پیچ در فاصله هوایی

شکل2-2: تابع دور کلاف متمرکز باN دور هادی مربوط به شکل2-1

شکل2-3: تابع سیم پیچی کلاف متمرکز N دوری مربوط به شکل2-1

شکل 2-4: ساختار دو سیلندری با دور سیم پیچA وB

شکل2-5: تابع دور کلاف 'BB شکل2

شکل2-6:(الف) تابع دور فازa استاتور   (ب) تابع سیم پیچی فازa استاتور

شکل2-7: تابع سیم پیچی حلقه اول روتور

شکل2-8(الف) اندوکتانس متقابل بین فازA استاتور و حلقه اول روتور  (ب) مشتق اندوکتانس متقابل بین فازa استاتور و حلقه اول روتور نسبت به زاویه 

شکل2-9:  شکل مداری در نظر گرفته شده برای روتور قفس سنجابی

شکل 2-10: نمودار جریان (الف) فازa  (ب)فازb   (ج) فازc استاتور در حالت راه اندازی بدون بار

شکل2-11: (الف) نمودار سرعت موتور در حالت راه اندازی بدون بار(ب) نمودار گشتاور الکترومغناطیسی موتور در حالت راه اندازی بدون بار

شکل2-12: نمودار جریان (الف) فازa   (ب) فازb    (ج) فازC استاتور در حالت دائمی بدون بار

شکل2-13: فرم سیم بندی استاتور وقتی که اتصال کوتاه داخلی اتفاق افتاده است      (الف) اتصال ستاره       (ب) اتصال مثلث

شکل2-14: تابع دور، فازD در حالت خطای حلقه به حلقه (الف) 35دور  (ب) 20دور  ج) 10دور

شکل2-15: تابع سیم پیچی فازD در خطای حلقه به حلقه  (الف)35دور    (ب)20دور   (ج) 10دور

شکل2-16: (الف)تابع اندوکتانس متقابل بین فازC و حلقه اول روتور   (ب) تابع مشتق اندوکتانس متقابل بین فاز C و حلقه اول روتور نسبت به زاویه

شکل2-17: (الف)تابع اندوکتانس متقابل بین فازD و حلقه اول روتور   (ب) تابع مشتق اندوکتانس متقابل بین فاز D و حلقه اول روتور نسبت به زاویه

شکل2-18:  نمودار جریان استاتور    (الف) فازa     (ب)فازb      (ج) فازC  در خطای 10 دور در حالت راه اندازی بدون بار

شکل2-19: نمودار جریان استاتور     (الف) فازa      (ب) فازb     (ج) فازC در خطای 35 دور در حالت راه اندازی بدون بار

شکل2-20: (الف) گشتاور الکترو مغناطیسی در خطای 10دور   (ب) خطای 35 دور

شکل2-21: نمودار سرعت موتور در خطای حلقه به حلقه (35دور)

شکل2-22:نمودار جریان استاتور      (الف) فازa       (ب) فازb        ( ج) فازC   درخطای (35دور) در حالت دائمی بدون بار

شکل3-1:(الف) تابع موجک هار Ψ  (ب) تابع مقیاس هار φ

شکل3-2: خانواده تابع موجک دابیشزΨ

شکل3-3: (الف) تابع موجک کوایفلت Ψ  (ب) تابع مقیاس کوایفلت φ

شکل3-4: (الف) تابع موجک سیملت Ψ     (ب) تابع مقیاس سیملت φ

شکل3-5: تابع موجک مورلت Ψ

شکل3-6: (الف) تابع موجک میر Ψ   (ب) تابع مقیاس میر  φ

شکل3-7: تبدیل سیگنال از حوزه زمان-دامنه به حوزه فرکانس-دامنه با آنالیز فوریه

شکل3-8: تبدیل سیگنال از حوزه زمان- دامنه به حوزه زمان –مقیاس با آنالیز موجک

شکل3-9: (الف) ضرایب موجک       (ب) ضرایب فوریه

شکل3-10: اعمال تبدیل فوریه بروی سیگنال و ایجاد سیگنالهای سینوسی در فرکانسهای مختلف

شکل3-11: اعمال تبدیل موجک بروی سیگنال

شکل3-12: (الف) تابع موجک Ψ       ب) تابع شیفت یافته موجک φ

شکل3-13: نمودار ضرایب موجک

شکل3-14: ضرایب موجک هنگامی که از بالا به آن نگاه شود

شکل3-15: مراحل فیلتر کردن سیگنال S 

شکل3-16: درخت آنالیز موجک

شکل 3-17:درخت تجزیه موجک

شکل3-18: باز یابی مجدد سیگنال بوسیله موجک

شکل3-19: فرایند upsampling کردن سیگنال

شکل 3-20: سیستم filters quadrature  mirror

شکل 3-21: تصویر جامعی از مرفولوژی نرون منفرد

شکل3-22: مدل سلول عصبی منفرد

شکل3-23: ANN سه لایه

شکل3-24: منحنی تابع خطی

شکل3-25: منحنی تابع آستانه ای

شکل3-26: منحنی تابع سیگموئیدی

شکل3-27: پرسپترون چند لایه

شکل3-28: شبکه عصبی هاپفیلد گسسته(ونگ و مندل،1991)

شکل 4-1: ساختار کلی تشخیص خطا

شکل4-2: ساختار کلی پردازش سیگنال در موجک

شکل4-3: تحلیل جریان استاتور درحالت خطادار (35دور) با db8   در بی باری

شکل4-4: : تحلیل جریان استاتور درحالت خطادار (20دور) با〖db〗_8  در بی باری

شکل4-5: : تحلیل جریان استاتور درحالت خطادار (10دور) با〖db〗_8  در بی باری

شکل4-6: : تحلیل جریان استاتور درحالت سالم با〖db〗_8  در بی باری

شکل4-7: : تحلیل جریان استاتور درحالت خطادار(35دور)با〖db〗_8  در بارداری

شکل4-8: : تحلیل جریان استاتور درحالت خطادار(20دور)با〖db〗_8  در بارداری

شکل4-9: : تحلیل جریان استاتور درحالت خطادار(10دور)با〖db〗_8  در بارداری

شکل4-10:تحلیل جریان استاتور در حالت سالم با〖db〗_8 در بارداری

شکل4-11: ضرایب موجک برای جریان استاتور ماشین خطادار(با خطای 35دور)در بی باری با〖db〗_8

شکل4-12: ضرایب موجک برای جریان استاتور ماشین خطادار(با خطای 20 دور)در بی باری با

شکل4-13: ضرایب موجک برای جریان استاتور ماشین خطادار(با خطای 10دور)در بی باری باdb8

شکل4-14: ضرایب موجک برای جریان استاتور ماشین سالم در بی باری با db8

شکل4-15: نمای شبکه عصبی

شکل4-16: خطای train کردن شبکه عصبی

فهرست جداول:

جدول4-1 : انرژی ذخیره شده در ماشین سالم

جدول 4-2: انرژی ذخیره شده در ماشین خطا دار (10 دور)

جدول 4-3: انرژی ذخیره شده در ماشین خطا دار (20 دور)

جدول 4-4: انرژی ذخیره شده در ماشین خطا دار (35 دور)

جدول4-5: نمونه های تست شبکه عصبی

منابع و مأخذ:

[ 1] Austin H. Bonnet ; George G . Soukup, “Cause and analysis of stator and rotor failures is 3 phase squirrel cage induction motors” IEEE trans-on Industry application vol 28, no. 7, july 1992.pp 921-237.

 [2]  Thorsen, O.V. and Dalva, M, “Condition monitoring methods, failure identification and analysis for high voltage motors in petroche mical Industry”, electrical machines and Drives, eight International conference.1997.

[3]  R.M. Mccoy, R.M., P.F. Albrecht, J.C. Appiarius, E.L. Owen, “Improved motors for utility applications,” volume 1: Industry  assessment study update and analysis”. EPRIEL – 4286  (RP – 1763 –2), 1985

4[4]  Hamid A.Tolyiat, Thomas A. Lipo, “Transient analysis of cage induction machines under stator, rotor bar and end ring faults”, IEEE trans. On energy conversion, vol 10 no. 2 june 1995.

 [5]  Gojko Joksimovic, Jim Penman, “The detection of interturn short circuits in the stator windings of operating motors.” 1998 IEEE.

[6]  G. Gentile, A. Ometto, N. Rotondale, C. Tassoni, “A.C. Machine performances in faulted operations”, 1994 IEEE.

 [7]  B.Yazici, G.B.Kliman, W.j.Premerelani, R. A. koegl, G.B.robinson and  A.Abdel-malek, “An adaptive, online, statistical method for bearing fault detection using stator current”, proceeding of the IEEE-IAS Annual meeting conference, New Orleans, LA, oct. 5-9, 1997,pp.213-22.

 [8]  Subhasis. Nandi, “Fault analysis for condition monitoring of induction motors”, Jadavpur university, Calcutta, India; (may 2000).

[9]  K. Abbaszadeh, J. Mili monfared, M. Haji, H. A. Toliyat, “Broken bar detection in induction motor via wavelet transformation”, the 27 th Annual conference of the IEEE industrial electronics society, 2001,0 -7803 – 7108 -9/01

 [10]  P.J.Tavner and J.penman, “Condition monitoring of electrical machines,” Research studies press ltd, uk,1987.

 [11] Slemon, “Modelling of  induction machines for electric drives”, IEEE Transaction on industry applications 1989.

[12] Thomson, W.T, “ Industrial application of current signature analysis to diagnose fault in 3-phase squirrel cage induction motors” pulp and paper industry thechnical conference, conference record of 2000, pp 205-211.

[13] G. Stone and j. Kapler, “Stator winding monitoring”, IEEE industry applications magazine, vol.4,no.5,pp.15-20, sept/oct,1998.

[14] G. Jok Simovic and J. Penman, “The detection of interturn short circuits and in the stator winding of operating motors” proceedings of the IEcon” 98 conference, 31 aug -4 sep, A achen, Germany.1998,pp.1974-1979.

 [15] M. E. H  Benbouzid, M. Vieira, C. Theys “Induction motors faults detection and localization using stator current advanced signal processing techniques” IEEE transactions on power electronics, vol.14,no1,pp.14-22, jan,1999.

[16] S. Nandi, H. A. Toliyat, “ Fault diagnosis of electrical machines- a reviw” , proceeding of the IEMD’99 conference, seattle, WA, May 9-12, 1999,pp.219-221.

[17] S. Williamson and  P. Mirzoian, “ Analysis of cage induction motor with stator winding faults”, IEEE transaction on power apparatus and system, vol.104,no 7, pp.1838-1842, july,1985.

[18] Wilson, R“Wavelets? ” on Application of wavelet  transform in Imag processing IEEE colloguium on published 1993.

[19] Yung-Da-wang; Paulik ,M.j“Discrete wavelet for target recognition”circuit and system , 1996,IEEE 39 th Midwest symposium on published 1996,vol 2.

 [20] Liao wei, Han pu, “ Wavelet neural network aided on-line detection and diagnosis of rotating machine fault,”2008 chinese control and decision conference .( CCDC 2008) ,978  -  1-  4244 -1734 -6/08

[[21] Xu Long- yun, Rui Zhi-yuan and Feng Rui-cheng, “Gear faults diagnosis based on wavelet neural networks,” Proceeding  of 2008 IEEE international conference on Mechatronics and Automation, 978- 1 -4244 -2632 -4/08.

 [22] Qing Yang, Lei gu, Dazhi Wang and Dong Sheng  ww, “Fault diagnosis approach on probabilistics neural network and wavelet analysis,” proceedings of the 7th world congress on intelligent control on automation’ June 2008, Chongqing, china,978 -1 -4244 -2114 -5/08.

[23] Bei- Ping Hou, Wen Zhu, Xin-Jian, xing-yao Shang, “Applied study of electromotor fault diagnosis based on wavelet packets and neural network,” Proceedings of the Fifth international conference on machine learning and cybernetics, Dalian, August 2006, 1- 4244- 0060- 0/06.

[24] F. Filippetti, G. Franceschini, C. Tassoni, “ Neural networks aided on-line diagnostics of induction motor faults” , proceeding of IEEE-IAS Annual Meeting conference,pp.316-323, vol 1, Toronto, Canada, oct.2-8,1993.

[25] Kuihe Yang, Ganlin Shan, Lingling Zhao, “Application of wavelet packet analysis and probabilistic neural  networks in fault diagnosis” proceeding of the 6th world congress on intelligent control and Automatiou, June 2006, Dalian, china.

[26] Zhen Liu, Hui Lin and Xin Luo, “Intelligent built in test fault diagnosis based on wavelet analysis and neural  network, “ proceeding of the 6th world congress on intelligent control and automation’ june 2006, Dalian china,1- 4244- 0332- 4/06.

[27] Shie Qian, “Introduction to time-frequency wavelet transform”, china  Machine  press , January 2005.

[28] Sun Fang, Wei Zijie “Rolling bearing fault diagnosis based on wavelet packet an RBF neural network”, proceeding of the 26th chinese control conference’ july 2007, Zhangj iajre, Hunan, china.

[29] Satish Kumar, “Neural network,” publishing  tsinghua  university , August 2006.

[30]  He, Y., Shen , S.,' Ying, H.,' Liu , Z. “Application of wavelet packet decomposition and its energy   spectrum on The fault diagnosis of reciprocation machinery”, zhendong Gongcheng Xuebao/ jurnal of vibration Engineering ,Vol, 14,n1,pp.12-75,March 2001.

[31] Hsin H, Lic. “Adaptive training algorithm for back-propagation neural networks” IEEE transactions on systems ' Man and cybemetics , 1995,25(3) : 512-524.

[32] Y. c. Pati, p. s. Krishna Prasad, “Analysis and synthesis of feedforward neural networks using discrete affine wavelet transformation”, IEEE Trans. Neural network , 1993,4,(1) , pp. 73-85.

 [33] Liu Qipeny, Yu Xiao Ling, Feng Quanke “Fault diagnosis using wavelet neural network” neural processing letters 18: 115 c123,2003.

 [34] Wei Xing, Shu Nat- qiu, OcuI Peng – cheng, “Power transform fault integrated diagnosis based on improved pso- Bp neural network and D-S Evidential Reasoning [j]”, automation of electric power systems , vol 30,pp.46-50,2006.

 [35] Zhen Liu, Huilin, Xin Luo, “Intelligent built-in test fault diagnosis based on wavelet analysis and neural networks”, proceeding of the 6Th world congress on intelligent  control and Automation , june 2006 , Dallion , china

[36] Bao- Jia chen, Lili, Xin-Ze Zhao, “Fault diagnosis method integrated on scale – wavlet power spectrum, rough set and neural network”, international conference on wavelet analysis and pattern  recognition, china , Nov 2007,1- 4244- 1066- 5/07.

]37] جعفر میلی منفرد، فرامرز سامانی و بابک معنوی خامنه " مدلسازی و شبیه سازی موتور القایی دو قفسه به کمک نظریه تابع سیم پیچ"، هفتمین کنفرانس مهندسی برق ایران1387.

]38]  حمید رضا اکبری رکن آبادی، " تعمیم نظریه تابع سیم پیچ به منظور در نظر گرفتن اثر اشباع در مدلسازی ماشین القایی" ، پایان نامه کارشناسی ارشد، خرداد 1384، دانشگاه صنعتی امیر کبیر.

[39]  محمد اسمعیلی فلک ،"آشنایی با ویولت و کاربردهای آن در سیستمهای قدرت" پروژه کارشناسی دانشگاه آزاد واحد اردبیل  ،بهار87.

[40]  آلفرد مرتینز،  ترجمه دکتر محمد حسن مرادی, " ویولت، فیلتر بانک، تبدیل زمان  فرکانس و کاربردهای آنها" انتشارات دانشگاه پلی تکنیک تهران  , زمستان 84.

[41]  مصطفی کیا، "شبکه های عصبی در matlab "انتشارات خدمات نشر کیان رایانه سبز  زمستان 1387.

[42]  پروفسور رابرت جی. شالکف، ترجمه دکتر محمود جورابیان، "شبکه های عصبی مصنوعی" انتشارات دانشگاه شهید چمران اهواز، سال 1382.

دانلود پروژه سیستم های تشخیص وسایل نقلیه

اختصاصی از فایلکو دانلود پروژه سیستم های تشخیص وسایل نقلیه دانلود با لینک مستقیم و پر سرعت .

در سال های اخیر نظارت بر ترافیک و ایمنی وسایل نقلیه اعم از خودروها ، قطارها ، کامیون ها ، .... مورد توجه کمیته های حمل و نقل هوشمند قرار گرفته است .جهت بررسی سیستم های که ما را به اهداف فوق برساند ، نیاز به تشخیص وسیله ی نقلیه است تا بتوان پردازش ها و اقدامات لازم را به عمل آورد . لذا طبق تحقیقات به عمل آمده ، تجهیزات و روش های مختلفی ما را در این مقوله یاری می کنند و عبارتند از :

1-پردازش تصاویر بدست آمده توسط دوربین های تامین شده بدین منظور

2- سیستم های ویدئویی نصب شده بر سکو های هوایی

3- بررسی تصاویر جاده ای مبتنی برپارامترهای سه بعدی

4- سیستم های مبتنی بر مشخصه های محلی وسیله ی نقلیه در یک تصویر  

5- بکار گیری الگوریتم مبتنی بر استخراج ویژگی از طریق تغییر شکل های خاص

6- بکارگیری مدل سه بعدی توسعه داده شده بر پایه ی عناصر لبه ی وسیله نقلیه

7- سیستم های مبتنی بر یادگیری با ناظر (شامل یک سیستم کک راننده و یک سیستم وسیله نقلیه خود گردان)

8- تشخیص مبتنی بر تشخیص سیگنالهای ویژه ی ارسالی

از طریق روش های فوق ، به کمک یک بانک اطلاعاتی شامل چندین وسیله نقلیه نمونه که از تصاویر واقعی جاده استخراج شده اند ، آزمایشات ویژه و متنوعی بر روی وسایل نقلیه انجام می شود و کارایی هر روش جهت تشخیص صحیح در کوتاه ترین زمان ممکن ثبت می شود و مورد استفاده های بعدی قرار خواهد گرفت .

واژه‌های کلیدی

تشخیص ،  استخراج ، ویژگی های محلی ، وسیله ی نقلیه ، ترافیک ، تطبیق ،  تغییر شکل یافتن فوریه ، موج ضربه ای کوچک ،  منحنی ضربه ای ، طرح های بازتابشی

هدف اصلی از تشخیص وسایل نقلیه این است که تعداد وسایل نقلیه ی مشاهده شده در هر نقطه جهت تخمین و پیش بینی جریان خودرو ها را در یک بازه ی ترافیکی، اندازه گیری نمائیم. بدین وسیله می توانیم امنیت و بهره وری ترافیک را بهبود بخشیم. سیستم های متنوعی که هر کدام کارایی ویژه ای دارند ، رسیدن به اهداف فوق را آسان گردانیده اند .

   یکی از این سیستم ها، سیستم تشخیص وسایل نقلیه ی جاده ای در تصاویر دوربینی با نرخ فریمی پایین

می باشد. اجزای پایه ای وسایل نقلیه از تصاویر استخراج می شود و سپس توسط دسته کننده های برداری با نام «اس وی ام» با یکدیگر ترکیب می شوند. این قبیل سیستم ها ، مشکل اصلی تشخیص وسایل نقلیه را در تصاویر ایستا بر طرف نموده اند ، به علاوه از تکنیک های مبتنی بر نمونه های جمع آوری شده استفاده می کنند.

گاهی اوقات اجزایی از وسایل نقلیه در تصاویر قابل دسترسی نیستند و با موانعی مسدود شده اند. با کمک یک الگوریتم تشخیص وسایل نقلیه مبتنی بر مشخصات محلی روی تصاویر بدست آمده از طریق مادون قرمز، این مشکل حل می شوند .

سیستم های ویدئویی نصب شده بر روی سکوهای هوایی بر اساس انعطاف پذیری و تغییر پذیری آنها معرفی می شوند و توانایی دارند نواحی وسیعی را جهت تشخیص از روی تراکم زمانی و فضایی داده ی نمونه پوشش دهند. الگوریتمی بدین منظور طراحی شده است که از تصاویر سه جزئی استفاده می کند و پس از تشخیص وسیله ی نقلیه در اولین تصویر، آن را در دو تصویر بعدی تطبیق می دهد و دید گسترده ای را فراهم می آورد .

همچنین در راستای عملیات ردیابی و مکان یابی وسایل نقلیه ، نیاز به تشخیص آن ها داریم. هدف این است که یک شی (وسیله ی نقلیه )  با یافتن پارامترهای سه بعدی از موانع مشاهده شده در تصاویر جاده ای تشخیص داده شود. نمونه ای دیگر از این قبیل سیستم ها ، سیستم های مبتنی بر یادگیری با ناظر است که از طریق یک سیستم کمک راننده ویک سیستم وسیله نقلیه خودگردان، توسعه یافته است و در این سیستم تابعی برای تشخیص محیط جاده و وسایل نقلیه وجود دارد و تعداد کمی از تصاویر وسایل نقلیه در حال حرکت را به کار می گیرد.

سیستم های دیگری وجود دارند که از طریق الگوریتم مبتنی بر نمونه های ساختاری که از تکنیک های استخراجی و بدست آمده از مشخصات ویژه ی تصویر وسیله ی نقلیه عمل می کند، استخراج ویژگی می نماید. این ویژگی ها توسط تغییر شکل های فوریه ای، تغییرموج ضربه ای و تغییر شکل منحنی ضربه ای به دست    می آید. عملیات روی یک مجموعه داده انجام می شود .

تشخیص وسایل نقلیه از طریق تکنیک هایی که مبتنی بر مدل های ایجاد شده از اشیاء سه بعدی است ، نیز امکان پذیر می باشد و بوسیله ی نقاط ، خطوط و سطوح ویژه ی وسیله نقلیه و مدلسازی آنها با ساختارهای مکان نگر عمل می کند .

آخرین نوع سیستم های بررسی شده ، سیستم هایی هستند که با کمک یک ناظر و تعدادی شرکت کننده ، از طریق یکسری آزمایشات ، در یک محیط شبیه سازی شده از جاده و از طریق سیگنال های ارسالی عملیات تشخیص را انجام می دهند.

فصل یکم- تشخیص وسایل نقلیه ی جاده ای در تصاویر دوربینی

می خواهیم یک سیستم تشخیص وسایل نقلیه را مبتنی بر بینایی دوربین در قالب تکنولوژی سیستم های حمل و نقل هوشمند (آی تی اس[1]) بررسی کنیم . برای رسیدن به این هدف، از یک دوربین واحد به عنوان ورودی استفاده می شود . یک دستگاه تصویربرداری مونوکیولار[2]، یک دوربین دیجیتال بی سیم است که برای اندازه گیری دامنه های غیرمستقیم با استفاده از قوانین بینایی فراهم شده است .

تشخیص یک وسیله ی نقلیه در تصاویر دوربینی ، مشکل تشخیص شی در تصاویر ایستا را حل می کند . همچنین تشخیص خودرو باید بطور قوی در شرایط روشنایی متغیر ، موقعیت های متغیر و در شرایطی که برخی اجزای وسیله نقلیه تغییر کند یا در تصویر دیده نشود، اجرا شود .

تکنیک های تشخیص اشیا (وسایل نقلیه و ...) را می توان در سه دسته طبقه بندی کرد که در ادامه شرح داده می شود . اولین دسته بوسیله سیستم های مبتنی بر مدل نشان داده می شود . این مدل اشیاء موردنظر را مشخص می کند و سپس سیستم برای تطبیق دادن مدل در قسمتهای مختلف تصویر برای پیدا کردن یک حالت مناسب تلاش می کند . متاسفانه ، وسایل نقلیه ی جاده ای به طور کلی در سطحی متغیر مطرح می شود و تعیین یک مدل در مسیر یک راه را غیر ممکن می سازد . در نتیجه سیستم های مبتنی بر این مدل جهت تشخیص وسایل نقلیه کمتر استفاده می شوند. دسته ی دومی روشهای تغییر ناپذیر تصویری هستند که تطبیقی مبتنی بر خصوصیات الگوی یک مجموعه تصویر انجام می دهد و به طور مزمنی شی ای که مورد جستجو قرار گرفته را تعیین می کند . وسایل نقلیه ی جاده ای ،  هر الگوی وابسته به تصویر قطعی را (انواع مختلف از مدلهای وسایل نقلیه وابسته به سازنده) به دلیل تغییرپذیری بالای آن نشان نمی دهد . به همین دلیل روشهای تغییرناپذیر تصویری یک انتخاب مناسب جهت رفع مشکل تشخیص وسایل نقلیه نیست .

دسته ی سوم از تکنیکهای تشخیص شئ بوسیله الگوریتم یادگیری  مبتنی بر نمونه مشخص شده اند . خصوصیات واضح از یک نوع شی توسط سیستم مبتنی بر مجموعه ای از نمونه ها یادگرفته می شود . این نوع تکنیک  می تواند راه حلی را برای رفع مشکل تشخیص و ردیابی وسایل نقلیه  به شرط آنکه شرایط معرفی شده پیروی شود ، فراهم کند . تعداد زیادی ازوسایل نقلیه در بانک اطلاعاتی وجود دارد . ا ین نمونه ها نمایشگر انواع وسایل نقلیه در شرایط متغیری از روشنایی وموقعیت وسایز آن در تصویر است .

تکنیک های مبتنی بر نمونه ، در طبیعت ،  در محیط های متفاوت برای تشخیص عابر استفاده می شده است. به طور کلی این تکنیک ها جهت تشخیص اشیایی که قسمت های قابل تشخیص متمایزی دارند و در یک موقعیت به خوبی تعریف شده اند ، به کار برده می شود  . این حالات برای وسایل نقلیه ی جاده ای ، هنگامی که یک دیدگاه ، یادگیری توزیع شده بر مبتنی بر اجزای اشیا دارد ، برای تشخیص اشیا در محیط های متفاوت و حقیقی کارآمد تر است نسبت به حالاتی که از یک دیدگاه کلی نگر استفاده می کند .

تکنیک های یادگیری توزیع شده با قسمت هایی از تصویر که قابل دسترس نیستند می تواند جهت تشخیص به کار روند و نسبت به چرخش های شی در تصویر کمتر حساس هستند .

برای تشخیص کاراتر در تشخیص اشیا در تصاویر حقیقی ، فضای جستجوی وسایل نقلیه را در یک وضعیت هوشمند بر پایه ی تصاویر جاده ای ، کاهش می دهیم . در نتیجه با خطوط علامت گذاری شده ی جاده ، کار پردازش برای تشخیص وسیله نقلیه آسانتر می شود . نواحی احاطه شده توسط محدودیت هایی از خطوط ، با انتخاب نواحی مورد نظر ، بررسی می شود .این نواحی ، شامل وسایل نقلیه ی مورد نظر هستند که به عنوان مدل تشخیص و ردیابی وسیله نقلیه به کار می رود .

1-1- نواحی کاندید شده مورد نظر

سیستم به دو بخش زیر سیستم تقسیم می شود . اولین زیر سیستم مسئول تشخیص و ردیابی خط هاست ، همچنین خط تقاطع بوسیله اولین زیر سیستم طبق خطوط جاده ای ، مورد نظارت قرار گرفته است .

1-1-1- تشخیص و ردیابی خط

تصاویر به دست آمده از دوربین  پردازش شده است و خطوط منحنی که تصویر را پوشش داده اند برای تشخیص خطوط علامت گذاری شده به منظور بدست آوردن تخمینی از خطوط جاده ای که ناحیه ی مورد جستجو را تعیین می کند مناسب هستند .

الگوریتم حدود 50 خط در ناحیه ی مورد جستجورا در فاصله ی 2 متری از دوربین در جهت خط افقی ، بررسی می کند . همچنین با توسعه الگوریتم ، می توان اجزای یک فضای غیر یکنواخت را جستجو کرد .

بردار در حالت نهایی برای هر خط روی جاده شامل 6 متغیر است .

Coh , clh , cov , clv , x0 , q0

که   coh و clh پارامترهای انحنایی سطح افق را نمایش می دهد . cov و clv کاندیدی برای پوشش پارمترهای انحنایی عمودی اند و x0  و q0 به ترتیب خطای جانبی و خطای جهت یابی وسیله نقلیه می باشد .

شکل 1-1 یک  مرحله از الگوریتم تشخیص و ردیابی وسیل نقلیه را روی تصاویر جاده  نشان می دهد .خطوط سبز نشان دهنده ی خطوط تخمین زده شده ی جاده است ، همچنین الگوریتم خطا را بین چرخ سمت چپ ماشین و سمت چپ راه ، خطا بین چرخ راست ماشین و سمت راست راه ، نشان می دهد . شعاع انحنای جاده هم در یک فاصله 50 متری تخمین زده می شود .

1-1-2- وسایل نقلیه مورد نظر

در این مکانیزم ، پنجره های مورد نظر بنابر کمبود خصوصیات متمایزی از قبیل لبه های افقی و ساختارهای متقارن برای وسایل نقلیه ضروری هستند . و داشتن این پنجره ها اثر مثبتی در کاش زمان محاسبات کلی و درصد تشخیص، به طور قطعی دارد .

هر جاده ، پس از جاده دیگر از انتهای خط افق تصویر ، به دنبال جمع آوری لبه های افقی که می تواند توان وسیله نقلیه را نشان دهد ، بررسی می شود. خطوط بررسی شده در گروه های سه تایی دسته بندی می شوند. برای هر گروه یک ضریب افقیت به عنوان نسبتی از نقاط لبه ی افقی که به وسیله سایز نرمالسازی شده و در ناحیه تجزیه شده قرار دارد ، و محاسبه می شود . ضریب به دست آمده جهت تجزیه ی متقارن برای راه اندازی مکانیزم مورد نظر ، استفاده می شود.

در نتیجه ی این عملیات ، قسمت هایی از راه های جاده تشخیص داده می شود ، به علاوه راه های اصلی به وسیله موقعیت هایی که وسیله نقلیه در آن ، بین دو خط قرار گرفته ، مطرح می شوند.

خطوط مجازی هم پوشانی لازم بین راه ها را برای جلوگیری از تشخیص های نادرست و نیمه قطعی ، فراهم می کند . وسیله ی نقلیه به دو قسمت تقسیم می شود و هر قسمت جداگانه تشخیص داده می شود . همچنین یک راه مجازی در نظر گرفته می شود تا همپوشانی مناسبی بین دو راه همجوار فراهم کتد . شکل 1-2 نواحی کاندید شده ی مورد نظر را بوسیله مکانیزم بدست آمده ، در یک بخش از تصویر نشان می دهد . به طور متوسط ، سیستم 5 پنجره کاندید در هر فریمی که به سمت دسته کننده پیش می رود ، ایجاد می کند . با این حال ، این تصویر محدود به تغییرات وابسته به شرایط ترافیکی است 

فهرست مطالب:

مقدمه

فصل یکم- تشخیص وسایل نقلیه ی جاده ای در تصاویر دوربینی

• نواحی کاندید شده مورد نظر

1-1-1- تشخیص و ردیابی خط

1-1-2- وسایل نقلیه مورد نظر

• تشخیص وسایل نقلیه

 فصل دوم - سیستم تشخیص وسایل نقلیه مبتنی بر ویژگی های محلی با استفاده از برد بینایی موازی

2-1- الگوریتم تشخیص

2-1-1- تکنیک پنجره مشخصه

2-1-2- تکنیک فضای مشخصه

 2-1-3-  انتخاب مشخصه ی ویژگی

2-1-4- عملیات انتخاب

2-2- الگوریتم بردار تدریجی

2-3- آزمایشات تشخیص وسایل نقلیه

2-3-1- وسایل نقلیه همراه با موانع جاده ای

2-3-2- تشخیص وسایل نقلیه

فصل سوم - تشخیص اتوماتیک وسایل نقلیه در توالی از تصاویر هوایی با نرخ فریمی پایین

3-1- نظارت ترافیک

 3-2- خط مشی کلی

3-3- تشخیص وسیله نقلیه

3-3-1- روند تشخیص

3-2-2- پارامترها ی وسیله نقلیه

3-3-3- تطبیق

3-4-  ارزیابی تشخیص

 3-4-1- طرح ارزیابی

3-4-2- اجرای تشخیص و ردیابی

3-4-3-هماهنگی حرکتی

 3-4-4-  مقدار نهایی

3-5- بررسی الگوریتم

فصل چهارم - تشخیص و مکان یابی وسایل نقلیه جاده ای به طور همزمان بوسیله مدلی مبتنی بر بینایی متمرکز

4-1-2- پردازش مراحل تشخیص و ردیابی

4-1-3- شناسایی جهت تشخیص و توابع هزینه ی آن

4-1-4 - ارزیابی الگوریتم

4-2-  کاربرد تشخیص و مکان یابی وسایل نقلیه ی جاده ای

4-2-1-  مدل سازی شی در دنیای سه بعدی

4-2-2- فازهای یادگیری

4-2-3- تشخیص و توابع هزینه

4-2-4- مکان یابی وسایل نقلیه

4-2-5- ردیابی وسایل نقلیه

فصل پنجم - تشخیص وسایل نقلیه با استفاده از یادگیری با ناظر

5-1- طرح کلی مدل پیشنهادی

5-2- بهبود تابع تشخیص نمایی اصلاح شده (ام کیو دی اف)

5-3- آزمایشات انجام شده

فصل ششم- تشخیص وسایل نقلیه مبتنی بر تغییر شکل های فوریه ، موج ضربه ای کوچک و منحنی ضربه ای

6-1- استخراج ویژگی

6-1-1- تغییر شکل یافتن فوریه

6-1-2-تغییر شکل یافتن از طریق موج ضربه ای کوچک

6-1-3- تغییر شکل یافتن از طریق منحنی ضربه ای

6-1-4- طبقه بندی

6-2- نتایج آزمایشات

6-2-1-آنالیز تطبیقی توصیف گر فوریه ای، موج ضربه ای و منحنی ضربه ای

6-2-1-1- تغییر شکل فوریه ای

 6-2-1-2- تغییر شکل موج ضربه ای

6-2-1-3- تغییر شکل منحنی ضربه ای

6-2-2- کاهش ابعاد بردارهای مشخصه(عوامل مشترک فوریه ،موج ضربه ای ومنحنی ضربه ای)

فصل هفتم - مدل تغییر پذیر عمومی برای تشخیص وسایل نقلیه

7-1-  مدل پارامتریزه شده

7-2- جمع آوری اطلاعات

7-3- پایداری ساختار بهبود یافته

7-4- تجزیه و تحلیل اجزای اصلی

فصل هشتم - تشخیص واگن های ریلی در طرح های بازتابشی

8-1- تشخیص سیگنالی

8-1-1- روش کار

8-1-3- توضیح سناریو

8-1-4- روش انجام آزمایش

8-2- تئوری تشخیص سیگنالی

8-3- آزمایش فاصله ی تشخیص

8-3- 1 روش کار

8-3-2- طراحی آزمایش

8-3-3- توضیح سناریو

8-3-4- روش انجام آزمایش

نیتجه گیری

منابع و مآخذ

شامل 80 صفحه فایل word قابل ویرایش

سیستم خبره تشخیص علت زانو درد

اختصاصی از فایلکو سیستم خبره تشخیص علت زانو درد دانلود با لینک مستقیم و پر سرعت .

این سیستم خبره به کاربر کمک می کند که بر اساس علائم و سوابق بیمار علت بروز درد در ناحیه زانو را تشخیص داده و در خصوص درمان توصیه های مناسب را ارایه نماید