Nouveau YASKAWA MOTEUR SERVO industriel 0,318 m 3000/min SGM-02A3G26 du moteur servo
SPECIFITIONS
Actuel : 0.89A
Volatge : 200V
Puissance : 100W
Couple évalué : 0,318 m
Vitesse maximum : 3000rpm
Encodeur : encodeur 17bit absolu
¡ M2¢ 10−4 de l'inertie JL kilogramme de charge : 0,026
Axe : directement sans clé
D'AUTRES PRODUITS SUPÉRIEURS
Moteur de Yasakawa, moteur HC-, ha de SG Mitsubishi de conducteur
Modules 1C-, 5X- Emerson VE, kJ de Westinghouse
Comité technique de Honeywell, moteur A0- de TK Fanuc
Émetteur 3051 de Rosemount - émetteur EJA- de Yokogawa
Personne de contact : Anna
Email : wisdomlongkeji@163.com
Téléphone portable : +0086-13534205279
Produits semblables
| SGM-01A312 |
| SGM-01A312C |
| SGM-01A314 |
| SGM-01A314B |
| SGM-01A314C |
| SGM-01A314P |
| SGM-01A3FJ91 |
| SGM-01A3G26 |
| SGM-01A3G36 |
| SGM-01A3G46 SGM-A5A314-Y1 |
| 1H DU MATIN 12 DE MBS |
| SGM-01A3NT14 |
| SGM-01A3NT23 |
| SGM-01A3SO11 |
| SGM-01A3SU11 |
| SGM-01A3SU31 |
| SGM-01A3T012 |
| SGM-01A3TE21 |
| SGM-01ASO11 |
| SGM-01B312 |
| SGM-01B3FJ11 |
| SGM-01B3FJ12 |
| SGM-01L314 |
| SGM-01L314P |
| SGM-01U312 |
| SGM-01U3AP01 |
| SGM-01U3B4L |
| SGM-01V314 |
| SGM-02A312 |
| SGM-02A312B |
| SGM-02A312C |
| SGM-02A312-Y1 |
| SGM-02A314 |
| SGM-02A314B |
| SGM-02A314C |
| SGM-02A3B4SPL |
| SGM-02A3F J73 |
| SGM-02A3G16 |
| SGM-02A3G16B |
| SGM-02A3G24 |
| SGM-02A3G26 |
| SGM-02A3G46 |
| SGM-02A3G46 |
| 2H DU MATIN 31 DE MBS |
| SGM-02A3NT11 |
| SGM-02A3NT12 |
| SGM-02A3SB12 |
| SGM-02A3SN11 |
| SGM-02A3SU12 |
| SGM-02A3TQ11 |
D'autres techniques incluent l'analyse de vibration, la mesure de bruit acoustique, l'analyse de profil de couple, l'analyse de la température, et l'analyse de champ magnétique [28, 30]. Ces techniques exigent les capteurs sophistiqués et chers, les installations électriques et mécaniques supplémentaires, et l'entretien fréquent. D'ailleurs, l'utilisation d'un capteur physique dans des résultats d'un système d'identification de défaut de moteur dans la fiabilité du système inférieure comparée
à d'autres systèmes d'identification de défaut qui n'exigent pas l'instrumentation supplémentaire. Ce doit de la susceptibilité du capteur échouer s'est ajouté à la susceptibilité inhérente du moteur à induction pour échouer.
Récemment, de nouvelles techniques basées sur des approches de l'intelligence artificielle (AI) ont été présentées, utilisant des concepts tels que la logique floue [32], les algorithmes génétiques [28], et les classificateurs bayésiens [18, 34]. Les techniques basées sur AI peuvent non seulement classifier les défauts, mais également identifier la sévérité de défaut. Ces méthodes construisent des signatures en différé pour chaque condition de fonctionnement de moteur et une signature en ligne pour le statut d'un moteur étant surveillé.
le classificateur compare les signatures précédemment instruites à la signature produite en ligne afin de classifier la condition de fonctionnement de moteur et identifier la sévérité de défaut.
Cependant, la plupart de ces techniques basées sur AI exigent de grands ensembles de données. Ces l'ensemble de données sont employés pour apprendre une signature pour chaque condition de fonctionnement de moteur qui est considérée pour la classification. Ainsi, un grand nombre de données sont nécessaires pour former de tels algorithmes afin de couvrir les conditions de fonctionnement du moteur le plus commun, et obtiennent la bonne exactitude de classification de défaut de moteur. D'ailleurs, les techniques basées sur AI pour la classification de défaut de moteur peuvent ne pas être suffisamment robustes pour classifier des défauts des moteurs différents de ceux utilisés dans le processus s'exerçant. En plus, ces ensembles de données ne sont habituellement pas disponibles, n'impliquent pas l'essai destructif, et l'heure considérable de se produire.