-
基于深度学习的旋转机械故障诊断研究综述
来源:计算机测量与控制 发布日期:2020-09-25
在现代化生产中,旋转机械的精密性和重要性越来越高,朝着大型、高速和自动化方向发展,以至传统故障诊断方法不足以处理海量、多源、高维的测量数据,不能满足安全性和可靠性的要求;因此,首先简要介绍几种典型的深度学习模型,并结合深度学习强大的特征提取能力和聚类分析的优势,对其近些年来在转子系统、齿轮箱和滚动轴承故障诊断的应用情况进行了对比分析;最后总结深度学习模型的优缺点,并从工程实际出发对旋转机械的故障诊
-
大数据背景下舰船电子设备故障智能诊断和检测
来源:舰船科学技术 发布日期:2020-09-23
传统CATS故障识别技术难以在复杂海洋环境下对海量数据进行处理,无法实现对噪声干扰的有效清除,影响舰船电子设备故障识别率。基于此提出基于大数据背景的舰船电子设备故障智能诊断和检测方法。对船舶电子设备运行特征数值进行提取分析,并计算设备运行安全系数,进一步结合小波算法对故障检测过程中的噪声干扰数值进行消除处理,以实现对电子设备故障的进行有效检测的目标。通过实验证实,大数据背景下舰船电子设备故障智能诊
-
基于工程机械液压装置故障诊断的仿真研究
来源:微型电脑应用 发布日期:2020-09-20
针对工程机械液压系统,在分析了机械液压装置故障诊断现状的基础上,提出了一种基于多网络模型的故障诊断方法。应用该方法时需先针对多个目标故障建立对应动态回归神经网络目标故障模型,并得出各目标故障模型的检测阈值,在此基础上将测试故障样本代入各目标故障模型中,最终故障类型根据其残差平方所在阈值范围确定。为进一步完善诊断与维护工程机械液压故障提供参考。
-
基于振动信号分析的纺织机械状态监测与故障诊断
来源:纺织报告 发布日期:2020-09-20
传统纺织机械状态监测与故障诊断没有基于振动信号分析,导致监测误报警率高、故障诊断置信度低。文章基于振动信号分析设计纺织机械状态监测与故障诊断方法,通过跟踪纺织机械状态监测信号,构建纺织机械故障诊断模型,添加振动信号Gaussian白噪声,实现纺织机械状态故障诊断。
-
基于大数据深度迁移模型的机械故障诊断
来源:组合机床与自动化加工技术 发布日期:2020-09-20
针对现有机械故障诊断方法在小样本条件下检测率低的不足,提出一种基于深度迁移学习模型的机械大数据故障诊断方法研究。构建深度学习模型,计算模型的稀疏特性和分类错误率指标,并基于此提取机械大数据的故障特征类型;针对实际检测中有效样本较少的不足,利用迁移学习方法将实验数据用于辅助机械故障特征大数据的训练与测试,不断地调整输出结果并提高对故障点的定位与诊断精度。实验结果表明,提出诊断方法的G-Mean指标优
-
基于振动信号分析的纺织机械状态监测与故障诊断
来源:纺织报告 发布日期:2020-09-20
传统纺织机械状态监测与故障诊断没有基于振动信号分析,导致监测误报警率高、故障诊断置信度低。文章基于振动信号分析设计纺织机械状态监测与故障诊断方法,通过跟踪纺织机械状态监测信号,构建纺织机械故障诊断模型,添加振动信号Gaussian白噪声,实现纺织机械状态故障诊断。
-
基于主元分析方法的化工过程故障诊断与识别
来源:化工自动化及仪表 发布日期:2020-09-20
提出采用主元分析方法分析化工过程积累的数据,进而实现化工过程故障的诊断与识别。首先,通过PCA方法对正常工况数据进行训练,获得统计量T~2与SPE的控制限阈值;然后计算故障工况数据的统计量,并与控制限进行比较,超过控制限阈值即判断为故障工况数据,计算故障发现率并作为故障诊断能力的评价标准;最后计算变量的统计量贡献率,识别出引起故障的主控变量。对田纳西-伊斯曼过程进行案例研究,选择正常工况数据集和6
-
基于改进梅尔倒谱系数的GIS机械故障诊断方法
来源:高压电器 发布日期:2020-09-16
机械故障是GIS常见的故障,若不及时发现会造成分合闸失误等重大安全隐患。文中提出了一种用于GIS机械故障在线监测的基于改进梅尔倒谱系数诊断方法。首先对预处理后的声音信号提取MFCC;为适应GIS运行声音能量变化平缓的特点,对MFCC进行优化得到改进特征;引入SVM构建基于声学的GIS机械故障诊断模型,并采用袋装算法对SVM模型进行集成。本研究通过在真型GIS上模拟机械故障,获取真实的故障声音信号进
-
改进的HHT方法及其在旋转机械故障诊断中的运用
来源:化学工程与装备 发布日期:2020-09-15
在工业领域当中,旋转机械是一种极为常见且重要的机械设备,在多个领域中都得到了广泛应用。为提高设备使用质量和年限,科学开展故障诊断十分必要。基于此,本文对旋转机械故障诊断技术进行了概述,并阐述了改进的HHT方法基本理论,而后对基于改进的HHT方法而开展的故障识别进行了论述,希望能为相关工作人员带来参考。
-
数据驱动的武器系统电子元部件级故障诊断研究综述
来源:系统工程与电子技术 发布日期:2020-09-14
电子元部件级状态监测与故障诊断技术是武器装备维修保障的关键,是武器系统作战效能保持和快速恢复的可靠保障。随着数据获取、存储及挖掘技术的快速发展,基于数据驱动的智能诊断方法逐渐成为状态监测与故障诊断领域的重要研究方向。武器系统电子元部件集成形式多样、工作环境复杂、参数指标多、故障模式动态耦合,给故障诊断工程实现带来了严峻的挑战,特别是数据质量问题、故障诊断方法与应用问题以及复杂运行环境下未知故障模式
027-87841330