提振行业信心促进转型升级 中国工程机械工业协会四届二次大会暨第十一届中国工程机械发展高层论坛成功召开

2012年11月7日，在喜迎党的十八大胜利召开之际，中国工程机械工业协会在古城西安隆重召开了第四届二次会员代表大会暨第十一届工程机械发展高层论坛。     

中国土方机械推行CQC标志认证

2011年8月4日,中国工程机械工业协会、中国质量认证中心和国家工程机械质量监督检验中心在北京举行了中国土方机械"CQC"标志认证新闻发布会。中国土方机械CQC标志认证是由中国工程机械工业协会、中国质量认证中心、国家工程机械质量监督检验中心联合开展的产品认证业务,以     

首批“中国施工机械专家”产生

现代建筑施工离不开施工机械的应用,施工机械在各种建筑工程中发挥着越来越重要的作用。为系统整合我国机械化施工及施工机械设备管理领域专家资源,充分发挥业内专家作用,促进机械化施工技术交流与提高,推广施工机械管理新经验和机械化施工新技术、新工艺,加强施工机械安全管理,预防和减少机械安全事故发生,实现建设工程施工生产的安全、     

三电平逆变器开路故障诊断研究

针对传统三电平逆变器开路故障诊断方法存在计算复杂、准确率低等问题,提出了一种基于小波分析与粒子群优化支持向量机的三电平逆变器开路故障诊断方法(WT-PSO-SVM).在分析三电平逆变器三相电流信号特征的基础上,利用三层小波对电流信号进行分解,提取各频带能量作为故障特征;小波变换提取到故障能量特征后,部分故障下所提取的能量十分接近,无法有效区分,进而引入正半周比例系数作为辅助特征;将归一化的能量和正半周比例系数作为特征向量输入支持向量机进行分类训练,同时利用粒子群算法优化支持向量机的参数以达到最好的分类效果,最终实现故障诊断.实验结果表明:WT-PSO-SVM方法可以有效识别三电平逆变器的开路故障,较其他故障诊断方法有更高的诊断精度和速度,在变负载和有噪声影响情况下仍有较高的故障识别准确率,准确率达到97.3%.     

拓展新兴市场 感受马尼托瓦克百年价值

"百年品牌价值引领",2012年11月28日马尼托瓦克在上海宝马展现场举办新闻发布会。作为拥有百年发展历史以精细化高品质而知名的全球品牌,马尼托瓦克全球针对新兴市场有着自己的发展战略。马尼托瓦克起重集团总裁Eric Etchart,马尼托瓦克起重集团中国地区执行副总裁达忠诺,马尼托瓦克起重集团中国地区销售副总裁梁涵等集团高层在宝马展会现场解读了马尼托瓦克全新发展战略。     

基于深度置信网络的旋转机械迁移故障诊断

在对实际工业场景中的旋转机械进行故障诊断时,旋转机械的变工况会导致测试样本与模型训练样本间存在分布差异,进而影响故障诊断模型的准确率,对此,提出了一种基于深度置信网络的旋转机械迁移故障诊断方法.首先,利用最大重叠离散小波包变换处理了原始振动信号,提取了统计特征构建原始特征集;其次,基于源域有标签特征数据和目标域正常状态...     

高校科研成果信息智能统计分析系统设计

在高校科研管理过程中,不断增长的统计指标和数据量成为影响教师科研数据统计与分析的重要问题,文章利用智能信息处理和数据挖掘方法建立高校科研成果信息智能统计分析平台。一方面,通过系统平台的构建,统计科研成果信息,提供各种分析报表,为科研工作者和相关管理人员提供实时的科研成果动态信息。另一方面,将关联分析算法应用到分析系统中,挖掘出科研成果与影响因素之间的内在的关联关系,为科学的科研管理和服务方法提供决策支持。     

煤矿井下中央变电所分布式智能采集分析系统

为了解决煤矿中央变电所监测系统中数据无法统一接入、响应不及时与智能化程度低等问题，研发了煤矿井下中央变电所分布式智能采集分析系统。在主处理器Exynos4412、NVIDIA Jetson TX2处理器与FPGA处理器的基础上设计了红外成像传感器电路、振动信号采集电路、电流信号采集电路与TEV信号采集电路等。基于井下环网与Linux系统编码实现了智能采集分析终端应用软件。经测试，该系统平均丢包率为0.114%，平均响应时间为1.685s;研制的智能采集分析终端能提供故障诊断服务，提升了煤矿的智能化水平。     

基于EMD与深度信念网络的滚动轴承故障特征分析与诊断方法

为了实现滚动轴承故障的智能诊断,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)和深度信念网络(Deep belief network,DBN)的轴承故障诊断模型。首先,采用经验模态分解对振动信号进行处理,选取有效的本征模态函数(Intrinsic mode function,IMF)分量及其Hilbert包络谱、边际谱,计算其统计参数,构造原始特征集;然后,提出了一种基于极限学习机(Extreme learning machine,ELM)的特征选择方法 (Features selection base on ELM,FSELM),以去除原始特征集中的冗余和干扰特征,选取出故障状态敏感特征;最后,利用深度学习在高维、非线性信号处理方面的优势,完成基于DBN的故障特征自适应分析与故障状态智能识别。通过对12种轴承状态进行分类实验,表明FSELM方法能够选取出故障的敏感统计特征,DBN方法的自适应特性能够有效提高故障状态识别准确率。