SERVO MOTOR novo industrial 0,318 m 3000/min SGM-02A3G26 de servo motor YASKAWA
SPECIFITIONS
Atual: 0.89A
Volatge: 200V
Poder: 100W
Torque avaliado: 0,318 m
Velocidade máxima: 3000rpm
Codificador: codificador 17bit absoluto
¡ M2¢ 10−4 da inércia JL quilograma da carga: 0,026
Eixo: em linha reta sem chave
OUTROS PRODUTOS SUPERIORES
Motor de Yasakawa, motor HC- do SG Mitsubishi do motorista, HA
Módulos 1C- de Westinghouse, 5X- Emerson VE, KJ
Honeywell TC, motor A0- do TK Fanuc
Transmissor 3051 de Rosemount - transmissor EJA- de Yokogawa
Pessoa de contato: Anna
E-mail: wisdomlongkeji@163.com
Telefone celular: +0086-13534205279
Produtos similares
| 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 |
Outras técnicas incluem a análise da vibração, a medida de ruído acústica, a análise do perfil do torque, a análise da temperatura, e a análise do campo magnético [28, 30]. Estas técnicas exigem sensores sofisticados e caros, as instalações elétricas e mecânicas adicionais, e a manutenção frequente. Além disso, o uso de um sensor físico em resultados de um sistema de identificação da falha do motor na mais baixa confiança de sistema comparada
a outros sistemas de identificação da falha que não exigem a instrumentação extra. Isto é devido à susceptibilidade do sensor falhar adicionou à susceptibilidade inerente do motor de indução para falhar.
Recentemente, as técnicas novas baseadas em aproximações da inteligência artificial (AI) foram introduzidas, usando conceitos tais como a lógica distorcido [32], os algoritmos genéticos [28], e os classificadores Bayesian [18, 34]. As técnicas AI-baseadas não podem somente classificar as falhas, mas igualmente identificar a severidade da falha. Estes métodos constroem assinaturas autônomas para cada condição operacional do motor e uma assinatura em linha para o estado de um motor que está sendo monitorado.
o classificador compara as assinaturas previamente instruídas com a assinatura gerada em linha a fim classificar a condição operacional do motor e identificar a severidade da falha.
Contudo, a maioria destas técnicas AI-baseadas exigem grandes conjunto de dados. Este o conjunto de dados é usado para aprender uma assinatura para cada condição operacional do motor que está sendo considerada para a classificação. Assim, uma grande quantidade de dados é necessário treinar tais algoritmos a fim cobrir as condições operacionais as mais comuns do motor, e obtém a boa precisão da classificação da falha do motor. Além disso, as técnicas AI-baseadas para a classificação da falha do motor não podem ser suficientemente robustas classificar falhas dos motores diferentes daquelas usadas no processo de formação. Adicionalmente, estes conjunto de dados não estão geralmente disponíveis, não envolvem testes destrutivos, e a hora considerável gerar.
