-
变转速极低标签率下旋转机械故障诊断的图注意力网络
来源:振动与冲击 发布日期:2024-10-15
在极低标签率情况下，现有的图神经网络(graph neural network, GNN)在图构造时存在节点间的关联信息挖掘不充分等问题。工业生产中，旋转机械常工作在变转速工况下，且标记故障样本代价高昂。针对上述两个问题，基于JS(Jenson-Shannon)相对熵和动态图注意力网络(dynamic graph attention network, DGAT),提出了一种熵-图注意力网络，并将其
-
“钢铁驼队”驰骋新丝路
来源:石家庄日报 发布日期:2025-01-04
2025年1月1日，石家庄国际陆港。一列满载货物的列车缓缓发车，驶往俄罗斯首都莫斯科，这也是河北省2025年开出的首列中欧班列。 新丝路上“驼铃声响”，奏响高质量共建“一带一路”的时代乐章。 就在刚刚过去的2024年，从石家庄国际陆港开行的中欧班列已累计突破800列，同比
-
新能源汽车引爆式断路器发展综述
来源:内燃机与配件 发布日期:2024-12-25
新能源汽车高速发展的历程中，安全问题是最受重视的问题之一。电动汽车的电池组功率密度高达数百kW/kg,在热过载或短路情况下，必须将电池与电气系统的其余部分进行电气隔离，方可达到整车安全的需求。引爆式断路器通过爆炸的方式可快速断开高达1 000 V的电池系统短路电流，降低电池故障导致危险发生的概率，从而保护车辆及人员安全。本文深入研究了引爆式断路器的结构与工作原理，对比分析其相对传统熔断器的性能特点
-
机电一体化技术在机械工程领域的应用
来源:中国设备工程 发布日期:2024-12-10
机电一体化技术是近年来快速发展的一种综合性交叉技术，它将机械工程与电气工程相结合，通过融合机械、电子、计算机等多个学科的知识与技术，实现了机械系统与电气系统的紧密集成和协同运作。这项技术的出现和发展，为机械工程领域注入了新的活力和机遇。本文旨在探讨机电一体化技术在机械工程领域的重要性，分析其优势并提出相应的解决方案和建议。通过深入研究和讨论，可以为机械工程领域的从业者和研究人员提供指导和借鉴，推动
-
“聪明企业”是如何炼成的
来源:南京日报 发布日期:2024-12-06
12月2日，全国工商联人工智能委员会成立大会暨AI赋能产业发展江苏大会在宁召开；12月20日至12月22日，2024世界智能制造大会将在南京举办。 12月的南京，“智慧”涌动!12月5日，由中国企业联合会、中国企业家协会主办的“2024全国智慧企业发展大会”也在南京举行。本次大会以
-
基于“5M1E”模型的食堂食品安全精细化管理体系构建与实践
来源:中国食品工业 发布日期:2024-10-23
结合新城悦服务的实践，构建了基于“5M1E”的精细化管理体系，将相关现场活动均纳入了食品安全管理，制定了相应的标准规范，并将管理活动的标准与规范落实为可衡量、有记录、可追踪的实践方案，旨在持续提升食堂食品安全精细化管理水平。
-
基于新型钻头的方桩机械成孔施工工法研究
来源:中国安全生产科学技术 发布日期:2024-11-18
为了应对土木工程项目中滑坡现象的严峻挑战，提升边坡稳定性，确保施工安全与工程质量，聚焦于探索并优化新型钻头在方桩机械成孔施工工法中的应用。深入探讨并详细介绍新型钻头在方桩机械成孔施工过程中的工艺流程及关键操作要点。研究结果表明：采用基于新型钻头的方桩机械成孔施工工法，在有效支挡滑体滑动力、稳定边坡方面表现出色，与传统工法相比，新型钻头能够显著提高成孔精度与效率，可降低施工成本，减少对环境的影响。研
-
化工设备智能监控与实时数据分析方法
来源:化学工程与装备 发布日期:2024-12-25
研究针对化工行业设备监控及数据分析的需求，提出一种基于先进传感技术和过程控制的智能监控与实时数据分析方法。该方法通过多参数在线监测系统采集设备运行数据，运用模式识别技术进行了故障诊断和预测性维护，并利用过程建模实现了工艺优化。实验结果表明，该方法可有效提高设备运行效率，降低维护成本，保障生产安全。
-
电动自行车用锂离子蓄电池的机械安全试验解析与实施意义
来源:环境技术 发布日期:2024-12-25
本文基于GB 43854-2024标准中的专业基础性的试验内容，针对电动自行车中的锂离子蓄电池部件，对于单体电池和电池组的机械安全试验项目进行详细的阐述。通过针刺、加速度冲击、振动、自由跌落、提把强度等提升要求的机械安全试验项目，来验证电池部件的功能完好且所有参数符合规范要求。
-
一种基于深度残差网络的旋转机械故障诊断方法
来源:通信与信息技术 发布日期:2024-11-22
针对传统钻采设备故障诊断方法存在的成本高、缺乏实时性和普适性不足的问题，提出了一种基于深度残差网络的旋转机械故障诊断方法。该方法通过固定窗口长度的随机采样来构建充足的训练数据集，利用深层架构和残差学习机制，结合一维卷积神经网络提取时序信号中的多尺度特征，并通过全连接神经网络完成故障的识别与分类。实验结果表明，对公开数据集（CWRU）添加3dB噪声后，所提方法在测试集上的准确率依然保持在99%以上。
027-87841330