مشخصات پژوهش

عنوان	پیاده سازی و توسعه یک سامانه پایش و تشخیص برخی عیوب رادیاتور سیستم خنک کاری با تلفیق تکنیک های گرمانگاری و هوش مصنوعی
نوع پژوهش	پایان نامه
کلیدواژه‌ها	گرمانگاری؛ رادیاتور؛ تشخیص عیوب؛ طبقه بندی؛ پردازش تصویر؛ الگوریتم ژنتیک؛ الگوریتم ازدحام ذرات؛ شبکه عصبی مصنوعی؛ ماشین بردار پشتیبان؛ انفیس
چکیده	رادیاتوریکی از اجزای کلیدی سیستم خنک کاری موتور می باشد که نقش به سزایی در تامین دمایمطلوب موتور در شرایط کاریمختلف را دارا می باشد. با توجه به اهمیت سیستم خنک کاری در بهبود عملکرد و بازدهی بهتر موتور، عمر قطعات موتور و از کارافتادگی ناگهانی موتور، پایش وضعیترادیاتور جهت استفاده از سطح بهینه انتقال حرارت از جمله مباحث مهم در زمینه پایش وضعیت موتور محسوب می گردد. در این تحقیق یک سامانه مبتنی بر فناوری های گرمانگاری و پردازش تصویر برای تشخیص و طبقه بندی عیوب مختلف رادیاتور توسعه داده شد. ابتدا عیوب متداول در رادیاتور های سیستم خنک کاری شامل؛ گرفتگی لوله های رادیاتور، گرفتگی شبکه رادیاتور، اتصالات شل بین لوله ها و شبکه رادیاتور، نشتی مایع خنک کاری، خرابی درب رادیاتور ایجاد گردید. سپس به منظور تشخیص عیوب مختلف رادیاتور، از شرایط مختلف رادیاتور معیوب و سالم در سه سطح دمایی سیال خنک کاری (70، 80 و 90 درجه سلسیوس)، سه سطح دبی جریان سیال خنک کاری در حال گردش (40، 55 و 70 لیتر بر دقیقه) و دو سطح سرعت هوای عبوری از شبکه رادیاتور (2 و 3 متر بر ثانیه) تصاویر گرمایی توسط یک سامانه گرمانگاری فروسرخ تهیه شد. در ابتدا ضریب گسیلندگی رادیاتور مسی-برنجی برابر 97/0 تعیین گردید. پس از پیش پردازش تصاویر گرمایی تهیه شده جهت تجزیه و پردازش چند دقتی از تصاویر مذکور تبدیل موجک در یک سطح تجزیه استفاده گردید. از هر کدام از تصاویر گرمایی مقیاس خاکستری، تصاویر تقریب ، جزییات افقی، عمودی و قطری تبدیل موجک آن تصویر، ویژگی های بافت شامل؛ میانگین، انحراف معیار، همواری، چولگی، انرژی و آنتروپی استخراج گردید. سپس با تلفیق تکنیک های هوشمند نظیر ترکیب های؛ الگوریتم ژنتیک و شبکه های عصبی مصنوعی، الگوریتم ژنتیک و ماشین بردار پشتیبان، الگوریتم ازدحام ذرات و شبکه های عصبی مصنوعی، الگوریتم ازدحام ذرات و ماشین بردار پشتیبان به عنوان سامانه های پیشنهادی جهت انتخاب ویژگی و ورودی های موثر به طبقه بند استفاده شد. از تحلیل مولفه های اصلی برای کاهش ویژگی های مستخرج شده و یا ویژگی های منتخب استفاده شد. در نهایت، از شبکه های عصبی پرسپترون چند لایه، ماشین بردار پشتیبان و سامانه استنتاج فازی-عصبی به عنوان طبقه بند برای طبقه بندی تصاویر گرمایی با استفاده از بردار ویژگی های مستخرج و ویژگی های منتخب استفاده گردید. برای ارز
پژوهشگران	کاوه ملازاده (استاد مشاور)، سید سعید محتسبی (استاد مشاور)، محمود امید (استاد راهنما)، حجت احمدی (استاد راهنما)، امین طاهری گراوند (دانشجو)