-
汽车变速箱及其在线故障诊断技术研究
来源:造纸装备及材料 发布日期:2022-04-15
汽车变速箱是影响汽车使用性能的汽车关键组成部分。具体来讲，汽车变速箱作为扩大汽车驱动轮转速、实现倒退自如、改变汽车传动比的重要装置，若发生故障会影响汽车整体性能，因而针对汽车变速箱经常出现的故障进行分析并提出合适的维修方案是非常必要的。基于此，文章主要论述了汽车变速箱的工作原理及功能，以汽车手动变速箱为例，研究了其常见的故障类型、故障诊断技术及诊断技术提升策略，强调变速箱故障处理的重要性，旨在强化
-
基于EDMD与改进KPCA算法的机械设备故障诊断方法
来源:起重运输机械 发布日期:2022-04-15
机械设备故障诊断本质上是一种故障模式识别的问题，选择合适的诊断方法对诊断结果的准确性至关重要。文中提出了一种将扩展的动模式分解（EDMD）和改进的核主成分分析（improvedKPCA）相结合的机械设备故障诊断的算法。首先通过EDMD将振动信号分解为固有模态函数分量（IMFs），并获得包含特征信息的IMFs，然后对这些有效分量计算如平均值、极值等多个特征参数，从而形成高维数据结构，最后再利用改进的
-
振动在线监测系统在陡河泵站的应用
来源:机电信息 发布日期:2022-04-10
主要介绍了在泵站设备上应用状态监测、故障诊断技术的必要性，并对振动在线监测系统在泵站设备管理中的具体应用和产生的实际效果进行了分析和总结。
-
新能源汽车电气系统故障诊断
来源:时代汽车 发布日期:2022-04-05
新形势下，随着大众生活水平的不断提升，汽车已经落户到了千家万户，并且每年的汽车保有量还在逐渐的增加。传统汽车的内燃机的使用的历程中，需要排放大量的废气。汽车电气系统作为汽车主要系统之一，一旦出现故障，那么就会导致汽车功能的异常出现，甚至还会影响汽车的安全运行。为了能保证新能源汽车的实用性价值，相关的人员就需要结合现实的需要，合理的做好气系统故障处理工作，提高判断的精确性，找到合适的故障判断方法。
-
旋转机械故障诊断与预测方法及其应用研究
来源:现代工业经济和信息化 发布日期:2022-03-30
以典型旋转机械为研究对象，通过研究局部平均分解、形态学滤波、噪声辅助多重经验模式分解和多重经验模式分解等时，频率方法和旋转机械的微弱、复合故障诊断的应用，研究机械故障的诊断、为性能劣化状态识别和趋势预测提供了新的有效手段，并且调高其应用方面的价值和实用性。
-
电动汽车故障诊断多功能系统的研究
来源:汽车零部件 发布日期:2022-03-28
文中设计了一种具备工程应用、培训、评价3种功能的故障诊断系统。系统可在互联网环境下应用，采用案例推理和规则推理机制生成诊断参考方案。案例采用多元式表示，通过最近邻算法进行案例检索；规则库采用多知识表示方法，通过故障树分析形成规则。该系统通过二叉数据结构进行人机交互，引导用户诊断故障；提供案例信息进行培训和生成考题，并对照生成的诊断参考方案进行评价，有效提高电动汽车故障诊断效率。
-
基于四线性平行因子的机械故障盲分离方法
来源:兵器装备工程学报 发布日期:2022-03-25
针对传统的机械故障诊断盲分离方法需要添加工程应用中较难满足的约束和限制条件的不足，在三线性分解理论的基础上，提出了一种基于四线性平行因子的机械故障盲分离方法。该方法充分利用了平行因子在宽松条件下分解具有唯一性的特点，在三维平行因子的基础上增加了第4个维度，使得所建模型数据包容度更大，包含信息量更加丰富。并且该方法利用四线性交替最小二乘法迭代，相比于传统的三线性交替最小二乘法迭代，该方法迭代更加平稳
-
基于BP神经网络的键盘击弦机械故障诊断分析
来源:自动化与仪器仪表 发布日期:2022-03-25
在键盘击弦机械故障诊断过程中，由于诊断模型的影响，使得故障诊断结果的准确率较低。因此，提出基于BP神经网络的键盘击弦机械故障诊断分析。通过声敏传感器获取键盘击弦机械数据，并利用小波包分解法提取数据特征。基于BP神经网络，构建机械故障诊断模型，并对模型内的各项参数进行计算。最后，以表格的形式呈现出故障诊断分析结果。实验结果表明：在单弦故障诊断时，设计方法与两种常规方法相比，将诊断准确率分别提升了2.
-
基于模糊神经网络电动汽车电池故障诊断研究
来源:中国新技术新产品 发布日期:2022-03-25
该文以汽车锂离子电池为研究对象，根据锂离子电池的工作原理分析了影响其电压及容量的主要因素，并在该基础上建立了以电池电压为主要故障特征的模糊神经网络故障诊断模型，进而运用该模型进行网络训练与预测，并在MATLAB中对该模型进行仿真验证。通过将仿真验证结果与实际输出结果进行比较分析，证明了模糊神经网络在电动汽车电池故障诊断中有一定应用价值。
-
基于VMD-SVD和SVM的旋转机械故障诊断研究
来源:机电工程 发布日期:2022-03-20
旋转机械的振动信号具有非线性、非平稳特点，同时其早期的微弱故障信号易受噪声的干扰，因此在故障诊断中难以提取其故障特征，识别其故障类型，针对这一问题，提出了一种基于变分模态分解(VMD)-奇异值分解(SVD)和支持向量机(SVM)的旋转机械故障诊断方法。首先，对原始振动信号进行了VMD分解，并得到了其若干个分量信号；然后，对各分量信号进行了信号重构，应用SVD提取了其重构信号的奇异值特征向量；最后，
027-87841330