具有故障预报与诊断功能的传感器介绍

使用具有故障预报及诊断功能的传感器可提高设备效益，本文结合在自动化设备维修，调试中的经验，简要叙述了具有故障预报及诊断功能的限位，接近，光电传感器的工作机理。     

加强设备维修工艺及装备,降低液压设备维修后再生故障发生率

加强设备维修工艺及装备，降低液压设备维修后再生故障发生率武汉钢铁（集团）公司电修厂黄厚伟再生故障的定义是：在诊断、排除某一故障时，由于违反维修工艺规程、缺少维修必需的装备及工具，造成维修后派生出其它的故障——一再生故障。造成液压设备再生故障发生率的增...     

加强设备管理 推行设备状态维修

设备状态监测维修是根据设备的日常监测、定期检查及设备状态监测的数据结果，经过统计分析处理，判断设备的劣化趋势，在事故发生之前采取有计划、有步骤、合理地进行维修的方式。采用设备状态维修方式不需解体，便可及时掌握设备故障隐患并及时处理，从而大大地提高设备完好率和利用率，提高设备维修工作质量和节省各种费用，提高总体效益。     

BP人工神经网络在压力故障诊断中的应用

利用BP人工神经网络的多信息综合能力和分类能力，实现了多信息复杂压力故障的诊断，并获得了用BP算法训练网络的一些实际体会及方法。用模糊概率排序，用简易逻辑判断，可减少诊断的工作量。     

基于BP神经网络的铸机故障诊断系统研究

为提高铸机故障诊断能力,设计利用BP神经网络实现故障与特征的非线性映射方法。在该映射关系中,分析了BP网络故障诊断思路,并以搬运机械手为例,通过BP神经网络对其网络控制、液压驱动、回转及行走配合过程中的故障进行诊断。通过分析表明,BP网络能解决复杂装备诊断困难等问题。     

浅谈数控设备的维修思路和方法

数控设备的维修往往是一个难题,但只要掌握正确的维修思路,即可化难为易。本文从分析数控设备的结构入手,以数控设备的典型故障为例,简单介绍了维修数控设备的思路及方法。     

基于遗传-BP神经网络的航空发动机气路故障诊断研究

为提高BP神经网络诊断发动机气路故障的准确率,利用遗传算法对BP神经网络的初始连接权值和阀值在解空间内进化寻优,再将优化结果赋给网络以梯度下降算法进行二次训练,再对待检故障样本进行诊断。结果表明：GA BP网络在输出精度、收敛速度及收敛曲线平滑性上明显优于普通BP网络,为航空发动机故障诊断领域的研究提出了新的思路和方法,具有一定研究价值。     

大型数控设备故障预测与健康管理视情维修系统

现有的视情维修系统研究中,缺乏对处于正常运行阶段设备,因加工过程操作不当所引起的运行故障进行预测维修,为提高数控设备的使用寿命及使用效率,提出了预测与健康管理视情维修的概念,构建了数控设备视情维修系统,基于物理模型的方法对齿轮箱进行故障诊断/预测,提出PHM视情维修关键技术的具体实施方案,该方案能够实现大型数控设备故障...     

《数控加工设备控制系统维修技术大全》简介

本书汇集了100多位从事数控加工设备控制系统专职维修工程师多年积累的维修实践经验，总结了国内现有种类进口和国产数控加工设备控制系统发生故障的现象、原因和处理方法，列举了维修实例600多例，可供维修技术人员借鉴，并可从中得到启发和拓展对故障分析处理方法的思路，避免维修过程出现差错而造成技术。[第一段]     

基于任务可用度的设备维修建模与优化研究

设备故障停机导致的总损失成本包括设备维修成本和生产任务损失成本。为减少多设备混联生产系统中设备故障停机带来的总损失成本,以设备停机总损失成本最小化为目标,综合考虑设备失效率和修复率两方面因素,建立了基于设备任务可用度的维修成本模型。探讨了利用遗传蚁群算法对模型进行优化求解的方法。最后以发动机凸轮机加工线设备为例,验证了所建模型的有效性。     

基于小波神经网络的航空发动机传感器故障诊断

航空发动机传感器故障诊断系统对于保证航空发动机控制系统可靠性和安全性至关重要,针对传统基于发动机模型的传感器故障诊断中存在建模精度不足导致故障诊断存在误诊和漏诊的问题,提出以小波变换和神经网络为基础,使用正常传感器预测故障传感器值。通过对比传感器输出和神经网络预测值的残差来实现传感器的故障诊断,其中神经网络可以在传感器故障后估计出正常的模拟信号代替故障信号供发动机控制系统使用,实现航空发动机控制系统的容错控制;使用改进粒子群优化算法优化BP神经网络的阈值和权值,以提高神经网络诊断和预测信号精度。仿真结果表明:该方法可以有效完成故障诊断,减少漏诊和误诊的发生。     

基于深度学习的石化机组轴承故障诊断综述

作为石化机组的重要组成部分,轴承发生故障将导致机械运转故障进而影响企业经济效益,故而研究石化机组轴承故障预测、故障诊断具有重大意义。介绍故障诊断中早期基于信号处理的轴承故障诊断方法,阐述应用广泛的深度学习(包括卷积神经网络、迁移学习)等模型在石化机组轴承故障诊断中的应用,并展望基于人工智能的石化机组轴承故障诊断应用。     

基于液压马达内泄漏故障的预测研究

为了研究液压马达可能出现内泄漏故障，并对液压马达状态进行预测性监控。通过建立液压马达内泄漏故障试验平台，获得液压马达内泄漏的故障数据。在MATLAB中建立基于T S模糊神经网络的故障预测模型，将实验数据用于模型的训练以及预测结果的验证。对预测结果进行分析后，讨论了不同数量样本用于模型训练对故障预测精度的影响。在分析过程中发现数据波动较大的地方，相对误差较大。研究后发现，通过将实验数据进行拟合后，用相同的模型进行训练和预测，讨论了拟合后不同数量样本的预测模型精度与拟合前的差别。结果表明：虽然模型训练的数据数量越大，预测的精度越高，但数据拟合后只需将较少的数据用于建模，预测就能达到较高的精度，为小数据样本进行故障分析提供了参考。     

基于RBF神经网络与LMD的滚动轴承故障诊断方法

直升机传动系统故障诊断及预测对提高其运行时的可靠性和安全性具有重要意义。本研究首先采用小波包降噪与局部均值分解相结合的方法提取滚动轴承故障特征,其次用故障样本对设计好的RBF(Radial Basis Function Neural Net-work,简称RBF)诊断网络进行训练,最后利用训练好的RBF网络实现故障的智能诊断。实验结果验证了该方法能够有效地对滚动轴承故障进行分类识别。     

基于小波包和IGA-BP神经网络的滚动轴承故障识别方法

为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。     

基于循环神经网络的数控机床故障诊断研究北大核心

为快速对数控机床故障进行在线定位与诊断,提出基于循环神经网络的数控机床故障诊断技术。通过提取网络节点,建立基于循环神经网络的“门”判别结构;引入模糊边界理论,对机床故障特征空间进行分类;通过组织故障诊断样本的方式,完成规则可信度率的统计与判别,实现对数控机床故障的在线诊断。以CAK6150数控机床作为研究对象,经过数据归纳可知,在循环神经网络支持下,故障诊断数据的实际输出与理论值非常接近,且收敛速度较快,能够较好解决制造类企业的机械设备应用故障问题。     

多传感器信息融合在液压系统智能故障诊断中的应用

针对采矿工程机械液压系统故障诊断方法存在的局限性，提出了一种基于多传感器信息融合的智能故障诊断方尊。该方法采用模糊神经网络融合诊断中心作为故障诊断的执行机构，算法上采用BP算法。通过一实例论证了在液压系统故障诊断中采用多传感器信息融合故障诊断方法比采用单传感器信息故障诊断方法更具有准确性和可靠性。     

组合方法在往复泵状态预测中的应用

往复泵是广泛应用于钻井、注水和压裂等工艺中的重要设备,其工作条件十分恶劣。往复泵能否正常运转对油田安全生产十分重要,因此对其易损件,如泵阀、活塞-缸套副、柱塞-密封副等的状态监测和趋势预测,成为往复泵故障诊断的关键问题。笔者主要探讨了往复泵的故障发展趋势,针对其故障诊断与预测的难点,采用组合预测模型进行趋势预测。通过往复泵预测实例分析,对往复泵液力端进行单步和多步预测。     

基于改进邻域粗糙集与S_Kohonen神经网络的滚动轴承故障诊断研究

针对现有滚动轴承故障诊断技术中,存在输入属性冗余过多、故障识别率不高等缺点,提出了基于改进邻域粗糙集与S_Kohonen神经网络的故障诊断方法。由于传感器采集的故障信息大多为数值型数据且数据维数较大,文中引入邻域粗糙集理论并对基于邻域粗糙集的经典前向贪心算法进行改进,利用改进算法约简故障数据,大大减小了算法复杂度;对Kohonen神经网络进行改进,在其原有结构基础上添加输出层构成S_Kohonen神经网络,使其输出类别满足给定分类要求;分别采用前向贪心算法、改进算法约简故障数据,将约简前、后的故障数据分别输入S_Kohonen神经网络、BP神经网络识别滚动轴承故障状态,试验结果证明邻域粗糙集可有效消除属性之间的重复信息,改进算法提取故障属性信息更能反映故障状态的本质,S_Kohonen神经网络具有良好的故障识别能力,两者配合使用,改进邻域粗糙集——S_Kohonen神经网络模型具有很好的故障诊断能力。     

堆叠稀疏自编码深度神经网络算法及其在滚动轴承故障诊断中的应用

针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状，提出一种堆叠稀疏自编码深度神经网络，实现无监督学习提取振动信号内在特征，并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络，获取故障特征表达，输入Softmax分类器实现故障分类；通过优化算法对整个深度神经网络进行微调，提高分类精度。滚动轴承故障诊断实验结果表明：所提出的深度神经网络能更准确地实现故障诊断，且在保证准确率的同时将频谱包络线作为低层输入，能够提高计算效率