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 vibraço, 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 mecnicas
adicionais, e a manutenço frequente. Além disso, o uso de um sensor
físico em resultados de um sistema de identificaço da falha do
motor na mais baixa confiança de sistema comparada
a outros sistemas de identificaço da falha que no exigem a
instrumentaço extra. Isto é devido susceptibilidade do sensor
falhar adicionou susceptibilidade inerente do motor de induço 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 no
podem somente classificar as falhas, mas igualmente identificar a
severidade da falha. Estes métodos constroem assinaturas autônomas
para cada condiço 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 condiço
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 condiço operacional do motor que está
sendo considerada para a classificaço. 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
preciso da classificaço da falha do motor. Além disso, as técnicas
AI-baseadas para a classificaço da falha do motor no podem ser
suficientemente robustas classificar falhas dos motores diferentes
daquelas usadas no processo de formaço. Adicionalmente, estes
conjunto de dados no esto geralmente disponíveis, no envolvem
testes destrutivos, e a hora considerável gerar.