QDY型桥式起重机安全故障智能诊断方法

针对采用现有故障诊断方法诊断QDY型桥式起重机故障时，存在诊断结果与实际相差较大，且无法将全部故障问题查出的问题，开展安全故障智能诊断方法的研究。在QDY型桥式起重机运行中，获取起重机运行数据，并完成对数据的归一化处理。再基于起重机故障的多种类型，建立起重机安全故障模型。基于贝叶斯理论，通过计算起重机故障先验概率、条件概率等参数，实现对起重机故障的智能诊断。将新的故障诊断方法应用于实际，可实现对起重机多种故障类型的准确诊断，且能够全部找出同一时刻多种故障类型，具备极高的应用价值。     

基于神经网络的导弹故障诊断专家系统研究与设计

本文提出了导弹故障智能诊断方法,研究了基于神经网络的导弹故障智能诊断专家系统的结构及功能实现,诊断实例证明此方法的应用可提高诊断的智能性。     

自动制孔系统智能设计专家系统的研究

构建了一种制孔专家系统,通过对机座、机械手臂及制孔末端执行器设计等应用知识研究,充分利用已有智能设计知识和推理机制,以人类专家水平去解决该领域中相似机械频繁重复设计问题,提出了自动制孔系统智能设计专家系统的总体机构设计方法。研究了系统主要模块的功能以及应用实现方法,并根据主要参数推理出相似设计案例且进行相应设计修改。在此基础上以VB为主要程序设计界面及语言、SQL2005为数据库,完成自动制孔系统主要部件的推理机制及知识应用。     

车辆液压系统遗传神经网络诊断技术研究

基于AMEsim建立了牵引-制动型液力变矩器液压系统仿真模型,通过注入不同故障信息,分析变矩器进口压力不稳定的故障原因,生成了仿真故障样本。通过试验,采集待检测的液压故障样本,基于遗传神经网络以仿真故障样本为训练样本,对待检测故障样本进行了模式识别。试验结果表明,故障仿真模型可以较好的模拟液压系统故障,将其与遗传神经网络相结合可以实现故障的智能诊断。     

无标签数据下基于特征知识迁移的机械设备智能故障诊断

对于智能故障诊断方法,大量有标签数据是实现智能模型训练的必要条件,但该条件在部分工业应用场景下难以满足。难以采集足够有标签数据,尤其是故障状态下的数据,在一定程度上限制了智能故障诊断方法的工业化应用。为解决该问题,提出基于特征知识迁移的机械设备智能故障诊断方法,将实验设备或其他相关设备所采集的足量有标签数据所蕴含的特征知识迁移至工业现场设备所部署的智能模型中,完成不同机械设备之间监测数据的特征知识迁移,从而实现无标签数据下的机械设备智能故障诊断。提出方法首先构建一维深度卷积神经网络,实现从原始振动信号到机械设备故障类别的深度映射。然后在深度卷积神经网络中加入领域适配正则约束项,实现不同机械设备监测数据间特征知识的深度迁移适配。最后,通过全连接神经网络进行机械设备健康状态的识别。为验证提出算法的有效性,通过两种机械设备的轴承在不同性能状态下所采集的监测数据进行迁移故障诊断实验,实验结果表明:提出方法实现了不同设备间监测数据特征知识的迁移适配;相对于传统智能诊断方法,提出的方法在两个数据集之间的迁移故障诊断识别率提高20%以上。     

智能压力计串行芯片应用研究

文中介绍了用单片机实现智能压力计的设计方法.重点研究了串行芯片的应用.与以往的设计相比,智能压力计设计全部采用串行芯片.其设计新颖,体积小.节省了CPU的I/O资源.对于液晶显示LCD和数据采集,文中不仅说明了其硬件连接,而且给出了软件程序设计.对智能仪器中串行芯片的应用研究,具有一定的实用价值.     

船舶发电机常见故障与智能故障诊断方法研究

为实现船舶的正常运行,文章针对发电机常见故障进行介绍,分析了发电机内部结构与运行原理,阐述了设计智能故障诊断系统的要点,最后提出VC++语言和MATLAB结构的交互处理、科学应用编译器这两点故障智能诊断方法,提高船舶发动机故障的诊断效率与准确性,实现故障的高效维修。     

工程车辆液压参数自动测试系统智能化传感器设置的软件设计

利用LabVIEW虚拟仪器开发软件，在工程车辆液压参数自动测试系统中，针对多种普通传感器进行开发，实现智能化的传感器设置。文中给出几个主要功能的LabVIEW程序设计方法。使用结果表明：这种基于软件的智能传感器设置的使用大大提高了测试效率。     

基于OPC UA的智能制造车间数据通信技术及应用

为实现多种设备的数据通信和统一信息管理，提出了一种基于OPC统一架构（OPC UA）的智能制造车间数据通信技术，对其通信原理和网络架构进行了讨论，提出了OPC UA与工业机器人操作系统ROS和传感器嵌入式系统等设备的整合方案，并在案例研究中详细讨论了基于Python语言的数据通信程序设计方法，开发了基于OPC UA的车间制造执行层（MES）机器人监控模块。实际应用结果表明，基于OPC UA的数据通信技术具有很高的通用性和兼容性，可有效实现智能车间设备信息的数据集成和统一管理。     

基于PHM技术的测井设备智能管理体系的应用研究

测井设备的智能管理体系具有有效的预警和健康管理机制,能准确地预测故障并进行维修保养提醒.它是一种能够模拟人的自治性神经系统指挥身体运动的智能体系.PHM技术（故障预测与健康管理）已成功地应用多个领域,论文讨论PHM技术应用于测井设备智能维修体系的方法与可行性,详细阐述了评估测井设备健康状态的方法.     

一种基于支持向量机的齿轮箱故障诊断方法

提出了一种基于多分类支持向量机(简称MSVM)的齿轮箱故障诊断方法。先根据齿轮箱故障机理和振动特点,探讨了齿轮箱故障诊断试验方案。再测取齿轮箱振动信号,并提取了能反映齿轮箱运转信息的时频域特征参数。通过结合投票法和决策树的基本思想,有针对性地构造了多分类支持向量机决策结构并将其应用于齿轮箱故障诊断。实际齿轮箱故障诊断试验结果表明,该决策结构较好地解决了小样本学习问题,避免了人工神经网络进行诊断时出现的过学习、收敛速度慢、泛化能力弱等缺点,能有效应用于齿轮箱故障诊断。     

基于 SVMD 与 SLLE 的机械设备齿轮箱故障诊断方法

针对机械设备齿轮箱故障识别难度较大,且采集的信号通常受到强背景噪声干扰等问题,提出一种将连续变分模式分解( SVMD )和监督局部线性嵌入( SLLE )相结合的算法,用于机械设备齿轮箱的故障诊断。首先通过 SVMD 对采集到的振动信号进行分解,得到特定的期望模式分量;然后再获取这些分量的类标签信息,并利用这些类标签信息来缩放不同类别分量间的欧几里德距离;最后通过 SLLE 对这些处理后的样本数据进行降维处理,从而准确识别机械设备齿轮箱的故障类型。通过对模拟仿真信号和从齿轮箱故障模拟实验平台采集到的振动信号进行分析,聚类识别的正确率可以达到 95.27% ,验证了所提出方法的可行性。     

小波分析在齿轮箱故障诊断中的应用

对齿轮箱故障特点和诊断方法进行了分析，介绍了小波分析方法，并以小波分析在信号分析和信号消噪处理中的应用为例，体现小波分析比传统分析方法的优越性，是故障诊断的一种有效方法。     

基于Web的轴承故障诊断系统设计与实现

鉴于滚动轴承在旋转机械中发挥的关键作用,对其进行故障诊断具有重要的现实意义.本文以共振解调理论为基础,采用神经网络和基于规则的诊断模式,实现了轴承故障的特征提取和智能诊断.最终,构建了基于Web的轴承故障诊断系统,实现了远程协同诊断.     

Kalman滤波和BP网络在齿轮箱故障诊断中的应用

针对得到的齿轮箱运行中振动信号信噪比低而引起的故障识别精度低的问题,提出了一种新的基于卡尔曼滤波与BP神经网络的设备故障诊断方法,卡尔曼滤波的作用是对振动信号降噪处理然后提取特征,而BP网络则可实现故障的识别。通过算法仿真以及齿轮箱实验可证明,结合此种算法便可解决信噪比低的问题,与此同时也提高了故障识别精度。     

油液分析技术在齿轮箱故障诊断中的应用

齿轮箱是机械变速传动的关键部件,齿轮的故障诊断有多种方法,运用油液分析技术对齿轮箱进水故障进行诊断,并举例进行分析。     

基于深度残差收缩网络的风力发电机齿轮箱故障诊断

提出了一种基于深度残差收缩网络的风力发电机齿轮箱故障诊断方法。首先，通过齿轮箱动力学模拟实验平台采集9种工况下的8种故障的振动信号；其次，对所采集的信号进行数据预处理，将其输入至深度残差收缩网络中训练；最后，利用反向传播算法不断优化网络参数，实现变工况下风力发电机齿轮箱故障的识别与分类。实验结果表明，所提方法在变工况场景下，可有效提取齿轮箱的故障特征并具有较高的识别准确率，证明了其在风力发电机齿轮箱故障诊断方面的可行性及有效性。     

东风4型内燃机车启动变速箱故障诊断标准的研究

本文在大量的振动信号测量、频谱分析以及分解检查基础上，对东风４型内燃机车启动变速箱故障诊断标准进行了定量研究，从而为该机车启动变速箱故障诊断仪的研制提供了依据。     

基于Hilbert解调技术的齿轮箱故障诊断

从理论上分析了根据Hilbert解调原理进行齿轮诊断的可行性 ,并利用齿轮箱诊断实例证明了理论分析的结果。在论文结尾 ,指出了齿轮箱诊断所应注意的两个基本问题。     

基于注意力机制的一维卷积神经网络行星齿轮箱故障诊断

针对行星齿轮箱故障信号成分复杂和时变性强的特点,提出了基于注意力机制的一维卷积神经网络(１D-CNN )行星齿轮箱故障诊断方法.首先,将行星齿轮箱各类故障状态的原始振动信号进行分段处理,作为模型的输入;其次,利用一维卷积神经网络对行星齿轮箱的原始振动信号学习齿轮故障特征,结合注意力机制( AM )对特征序列自适应的赋予不同的权重,增强故障特征信息;最后,利用 Softmax 分类器实现行星齿轮箱的故障诊断.通过故障实验验证以及与其他模型的对比,该故障诊断模型具有较强的学习能力,诊断性能优于其他的深度学习模型,有较好的工程实际意义.