基于WebGL的煤矿机械装备数字模型平台设计

为了解决煤矿机械设备制作难的问题,以矿山机械设备为研究对象,利用一系列软件实现了数字平台3D模型的展示,使用户在无需安装任何插件的前提下对矿山机械设备模型结构、参数、模型运行及模型装配进行观看,建立了矿山机械设备数字模型平台,并对数字平台进行检测,验证了煤矿机械数字模型平台的稳定性,为煤矿机械设备的设计提供参考.     

大型机械设备故障的优化挖掘检测模型仿真

大型机械设备的系统构成复杂,容易产生故障,对故障数据进行优化挖掘实现故障及时诊断。传统方法采用故障数据自适应重写方法实现机械设备故障挖掘,存在精度不高,诊断性能不好的问题。提出一种基于模糊推理分裂波束形成的大型机械设备故障的优化挖掘检测模型。分析了大型机械设备的故障发生和检测原理,采用模糊推理算法实现对大型机械设备的故障数据的采集和特征提取,根据特征提取结果进行分裂波束形成,提高对故障数据的聚类能力,实现大型机械设备故障的优化挖掘。仿真结果表明,采用该模型进行大型机械设备的故障数据挖掘和检测诊断,能准确实现对故障数据的恢复跟踪和波束形成,提高故障的检测性能,检测准确率较高。     

模糊层次分析法在机械设备可靠性分析中的应用

对机械设备可靠度分析过程中所涉及到的因素进行了分析和归纳,建立了模糊层次综合评价模型,为机械设备的可靠性设计提供了科学依据.     

基于LS-SVM和AR模型的油液光谱数据预处理研究

油液光谱分析技术可以检测出机械设备润滑油中各种元素的成分和浓度,但光谱分析数据受噪声、补油和换油的影响严重,不能很好地反映出机械设备的磨损情况。对光谱数据进行提升小波分解,通过分析细节信号,检测出野点;用LS-SVM对趋势项建模,对各层细节信息建立AR模型,分别预测出补、换油后及野点处的值并进行叠加;为提高预测精度,用QPSO对LS-SVM的参数进行了优化。结果表明:该方法能有效修正原始数据,从而提高对机械设备磨损状态监测和故障诊断的精度。     

基于灰色关联分析法的机械设备综合评价

针对影响机械设备综合性能存在多种因素的问题,引入灰色系统理论中的灰色关联分析法,通过建立灰色关联分析模型对机械设备的综合性能进行评价,并通过实例说明应用此方法来解决此类问题是可行的。     

基于机器视觉的机械设备零件疲劳寿命检测方法

针对机械设备零件疲劳检测过程中,接触式的人工检测存在检测结果准确性较差的问题,提出一种基于机器视觉的机械设备零件疲劳寿命检测方法。通过采集机械设备零件的图像,使用改进中值滤波方法滤除图像中的噪声,根据多尺度边缘检测方法有效提取零件图像边缘部分,提取机械设备零件图像疲劳特征点。通过NSST逆变换将图像特征点融合,同时引入支持向量理论（SVM）和模糊隶属度,分别赋予不同样本同等重要的模糊隶属度,增加支持向量分类性能,将全部样本输入到模糊SVM分类器中,将有疲劳特征的图像分类,最终完成机械设备零件疲劳寿命检测。实验结果表明,所提方法的检测结果与实际结果较为相近,经滤波处理后图像强化效果有所提升。     

船舶机械油液检测光谱分析的特征参数研究

通过对机械设备润滑油的长期光谱跟踪检测分析，建立基于光谱分析的润滑油状态监测故障诊断数学模型，并结合实验室研究和机械设备润滑油油样的实际光谱检测分析，根据不同机械设备的磨损特征元素确定机械设备基于油液检测光谱分析故障诊断的特征参数，以确定机械设备发生故障的时间，从而避免重大故障的突发，为机械设备实现视情维修提供理论和实际依据，提高机械设备的可靠性和可维修性。故障诊断实例，此特征参数具有较高的稳定性和准确性，能够有效地应用于各种机械设备的油液检测的故障诊断中。     

基于几何过程的石化旋转机械维修优化研究

旋转机械是石化生产中的核心设备,维修是保障其正常运行的重要手段。为了有效地降低维修成本,以单位时间内设备管理费用最低为目标,建立了适用于各种寿命分布的基于几何过程维修优化模型,对机械设备的最佳寿命周期进行预测。在模型中,首先以单调的几何过程为基础,得到了设备管理费用率的数学模型,然后引入蒙特卡罗仿真方法,最后编制了相应的MATLAB程序。为了验证该模型的有效性,以服从二参数威布尔分布的离心泵作为分析实例。     

基于优化稀疏编码学习的机械设备电子故障检测研究

针对现有机械设备电子故障检测方法非线性逼近性能差的问题,提出了基于优化稀疏编码学习的检测算法研究。采用了稀疏表达的方式来识别机械设备电子故障信号,提高了检测算法全局寻优的能力,避免陷入局部最优解;通过提升过完备字典模型内部原子结构与故障信号的匹配度的方式,获取了精度更高的稀疏解;促使稀疏逼近后重构信号的周期性与原始信号保持一致,并引入了特征自学习方案;最后采用分段的方式提取了各段信号的稀疏表征,改善了对原始故障信号的控制与检测性能。研究结果表明:提出检测算法在信号故障特征提取方面与原始信号周期性峰值匹配度更高,重构信号的控制误差较低,在稀疏度值超过100时的时间消耗相对于现有检测方法具有更明显的优势。     

基于深度学习的工程机械厂家自动识别系统的研究

工程机械在施工的过程中,需要加强机械设备的统一管理,因而建立和健全机械设备的统计管理制度至关重要。对此,本文设计研究了一种用于工程机械厂家的图像识别系统,该系统使用matlab构建alexnet迁移学习模型对工程机械厂家数据集进行训练,通过对工程机械目标的外观和标志为特征进行训练,以达到提高施工现场机械设备调度效率的目的。     

人工智能在机械设备故障检测中的应用

我国的机械设计制造水平在近几年不断提高,现代机械设备更是朝着大型化、精密化、复杂化以及自动化等方面发展,在提高生产效率与生产质量上发挥着重要的作用.同时,机械设备的各部件之间的耦合也越来越紧,运行过程中一旦发生某一故障问题就有可能导致整个设备运转失常,因此做好设备的故障检测工作至关重要.传统的故障检测工作片面依靠维修检...     

基于SVDI的低功耗自供电机械设备故障检测方法

异常的温度变化和振动都会导致低功耗自供电机械设备故障,为了提高设备运行的安全性和稳定性,提出了基于奇异值分解插值(SVDI)的低功耗自供电机械设备故障检测方法。利用改进后的小波去噪方法对低功耗自供电机械设备的运行信号做去噪处理,采用SVDI算法提取机械设备运行信号的特征,构建低功耗自供电机械设备的故障状态集合,将机械设备运行信号特征与故障状态集合中存在的故障对比,完成低功耗自供电机械设备故障检测。实验结果表明,所提方法的信号质量高、检测性能好且错分代价低,保障了低功耗自供电机械设备的稳定运行。     

基于 VMD 的数控机床旋转机械运行路径偏离故障检测方法

为精准提取数控机床旋转机械设备故障信息,量化数控机床旋转机械运行路径偏离程度,提出一种基于 VMD 的旋转机械运行路径偏离故障检测方法。分析数控机床旋转机械设备运行频率和振动情况,运用突变检测算法优化采集效率,使用自适应脉冲法采样机械信号;创建约束变分模型,利用遗传算法搜索信号变量最优值,通过 VMD 法分离信号频域分量,提取机械信号故障特征;通过聚类法评估路径偏离水平,构建胶囊网络进行路径偏离故障检测,利用 squash 函数挤压处理胶囊矢量并提升矢量维度,运用特征编码和归一化处理获得高精度偏离故障检测输出值。实验结果表明,所提方法检测的数控机床旋转机械运行路径偏离故障效果较好,且检测效率较高。     

基于PLC的自动控制系统的故障检测方法探析

机电设备的自动控制系统,是以可编程控制器为核心的自动控制系统,为提高系统的可靠性和容错能力,在硬件设计的基础上,通过梯形图软件的设计,实现了对系统故障的自动检测与处理.介绍了该系统实现仪器功能自检、故障动态检测、故障处理功能的基本思想与方法.     

农田水利设备中抽水泵机械振动故障检测方法

针对抽水泵机械振动故障检测中存在的检测效果差的问题,提出一种新的农田水利设备中抽水泵机械振动故障检测方法。分析农田水利设备中抽水泵机械振动信号,提取任意时段特征频率,采用小波包多层分解滤除噪声。对不同数组统计和分析,通过多尺度模糊熵提取抽水泵机械振动故障特征;优化选择测点和特征向量,结合最小二乘支持向量机( LSSVM ),采用多层结构进行多次特征学习,区分故障特征,实现抽水泵机械振动故障检测。实验结果表明,采用所提方法可准确提取抽水泵机械振动故障信号,并且能够准确区分正常信号和故障信号,验证了该方法的可行性。     

基于弹性核凸包张量机的机械设备热成像故障诊断方法#br#

针对机械设备热成像故障诊断中图像样本向量化维数灾难和结构信息破坏的问题,提出了基于弹性核凸包张量机的机械设备热成像故障诊断方法。首先定义样本特征张量空间的弹性核凸包,然后求解弹性核凸包间的最优超平面来构建弹性核凸包张量机模型,最后以机械设备不同故障状态下的热成像图像为输入,实现机械设备的故障诊断。实验结果表明：该方法可以准确、稳定地对机械设备进行故障诊断。     

旋转机械基于信号的故障检测分析

旋转机械是各种类型机械设备中数量最多、应用最广泛的一类机械,介绍了基于信号处理的旋转机械故障诊断,并给出了支持向量机下模式识别与故障检测的方法,对压缩机进行了实验研究,证明了方法的有效性。该方法可以广泛应用到工程实际中,为有关人员起到一定的参考作用。     

重载铁路电化区段信号机械设备故障自动检测方法

为解决重载铁路电化区段信号机械设备故障在检测中存在检测结果误差大、错检与漏检率高等问题，设计了重载铁路电化区段信号机械设备故障自动检测方法。分析重载铁路电化区段信号机械设备的组成，以及机械设备运行的自动化控制过程，确定机械设备故障类型；针对不同故障类型设置故障自动检测判据，利用传感器设备采集实时运行数据，通过滤波和融合后输出初始数据样本，提取信号机械设备实时信号特征，通过计算检测判据相似度，确定信号机械设备故障类型，输出故障自动检测结果。实验结果表明，所提方法综合信号机械设备故障位置、程度等多个方面，使平均检测误差低于1.0,错检率和漏检率均低于1%,提升了重载铁路电化区段信号机械设备故障自动检测的有效性。     

基于半监督拉普拉斯特征映射的故障诊断

针对有标记故障样本不足和故障数据高维非线性的问题,提出了基于半监督拉普拉斯特征映射（LE）算法的故障诊断模型。该模型运用LE算法,直接从原始高维振动信号中提取低维流形特征,并将其输入到基于LE的半监督分类器,从而识别出机械设备的运行状态。与传统方法相比,该模型能明显提高滚动轴承和齿轮的故障识别性能。     

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。