Промышленный МОТОР СЕРВОПРИВОДА 0,318 m мотора сервопривода новый YASKAWA 3000/min SGM-02A3G26
SPECIFITIONS
Настоящий: 0.89A
Volatge: 200V
Сила: 100W
Расклассифицированный вращающий момент: 0,318 m
Максимальная скорость: 3000rpm
Кодировщик: абсолютный кодировщик 17bit
¡ M2¢ 10−4 инерции JL kg нагрузки: 0,026
Вал: прямо без ключа
ДРУГИЕ ГЛАВНЫЕ ПРОДУКТЫ
Мотор Yasakawa, мотор HC- SG Мицубиси водителя, HA
Модули 1C- Вестингауз, 5X- Emerson VE, KJ
Хониуэлл TC, мотор A0- TK Fanuc
Передатчик 3051 Роземаунт - передатчик EJA- Yokogawa
Агента: Анна
Электронная почта: wisdomlongkeji@163.com
Мобильный телефон: +0086-13534205279
Подобные продукты
| SGM-01A312 |
| SGM-01A312C |
| SGM-01A314 |
| SGM-01A314B |
| SGM-01A314C |
| SGM-01A314P |
| SGM-01A3FJ91 |
| SGM-01A3G26 |
| SGM-01A3G36 |
| SGM-01A3G46 SGM-A5A314-Y1 |
| SGM-01A3MA12 |
| 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 |
| SGM-02A3MA31 |
| SGM-02A3NT11 |
| SGM-02A3NT12 |
| SGM-02A3SB12 |
| SGM-02A3SN11 |
| SGM-02A3SU12 |
| SGM-02A3TQ11 |
Другие методы включают анализ вибрации, акустическое измерение шума, анализ профиля вращающего момента, анализ температуры, и анализ магнитного поля [28, 30]. Эти методы требуют изощренных и дорогих датчиков, дополнительных электрических и механических установок, и частого обслуживания. Кроме того, польза физического датчика в результатах системы опознавания недостатка мотора в более низкой сравненной надежности системы
к другим системам опознавания недостатка которые не требуют дополнительного инструментирования. Это благодаря подверженности датчика потерпеть неудачу добавило к своиственной подверженности мотора индукции для того чтобы потерпеть неудачу.
Недавно, новые методы основанные на подходах к искусственного интеллекта (AI) были введены, используя концепции как нечеткая логика [32], генетические алгоритмы [28], и Bayesian классификаторы [18, 34]. AI основанные на методы не могут только расклассифицировать недостатки, но также определить суровость недостатка. Эти методы строят автономные подписи для каждого эксплуатационного режима мотора и онлайн подпись для состояния будучи проконтролированными мотора.
классификатор сравнивает ранее выученные подписи с подписью произвел онлайн для того чтобы расклассифицировать эксплуатационный режим мотора и определить суровость недостатка.
Однако, больший часть из этих AI основанных на методов требует больших наборов данных. Этот набор данных использован для того чтобы выучить подпись для каждого эксплуатационного режима мотора который рассматривается для классификации. Таким образом, большое количество данных необходимы для тренировки таких алгоритмов покрыть самые общие эксплуатационные режимы мотора, и получают хорошую точность классификации недостатка мотора. Кроме того, AI основанные на методы для классификации недостатка мотора не могут быть достаточно крепки расклассифицировать недостатки от различных моторов от тех используемых в тренируя процессе. Дополнительно, эти наборы данных обычно не доступны, не включают испытание разрушением, и значительное время произвести.