基于PC的无靠模数控凸轮轴磨床

论述了基于ＰＣ的无靠模数控凸轮轴磨床的工艺特点,对凸轮轮廓的形成原理进行了分析,推导出了Ｘ－Ｃ联动坐标的公式,给出了一种无靠模数控凸轮轴磨床的运动方式、控制方式和结构设计方案。     

机器振动级值趋势预示方法的改进

机器振动级值趋势预示能为以状态维护取代以时间为基础的预防维护提供手段,为色预测进行趋势预示,是一种较好的预测计算方法,但存在对随机性因素反应不足的问题,文章探讨了计算方法的改进。最后介绍了趋势预示技术在工业现场的实现方式。     

基于HMM/SVM的风电设备故障趋势预测方法研究

由于风力发电设备复杂且积累的资料与故障样本少;传统的诊断方法,例如神经网络,忽视了前与后关系,且需要大量故障训练样本,往往都不能有效的进行故障诊断;结合隐马尔可夫模型(Hidden Markov Model,HMM)有利于处理连续动态信号,以及支持向量机(Support Vector Machine,SVM)分类能力强的优点;提出了基于HMM/SVM串联结构的故障诊断模型;首先通过从风电设备振动信号中有效提取非平稳特征,利用HMM计算未知信号与风力发电设备各状态的匹配程度,形成特征向量提供给SVM最后判别,实验结果表明该方法比单纯HMM和SVM识别率分别提高了9.17%和5.84%。     

旋转机组烈度趋势预测技术研究

组合预报在时序预测中应用广泛,而传统线性、非线性组合预报模型对各单项预测方法权系数的计算过于繁锁,并且多为定权系数,现有的神经网络组合预报模型又存在着对不同预测方法的特点强调又足的缺陷,针对以上两点,提出了一种新的神经网络架构--变权重神经网络架构,这种新型神经网络架构利用了神经网络的非线性映射能力,避免了求解组合权系数的繁琐过程,又克服了对不同预测方法的适用性强调不足的缺陷。作为验证,给出模型在大型旋转机组烈度趋势预测中的应用实例。     

Gauss-Newton神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力,可以很好地描述频率特征和诊断结果之间的关系.针对BP神经网络存在局部极小值和收敛速度慢等问题,提出了一种基于Gauss-Newton的改进的BP网络.论述了Gauss-Newton神经网络的基本原理以及学习、运行过程,通过模拟运算指出了Gauss-Newton神经网络具有较快的学习速度,进而探讨了Gauss-Newton神经网络在旋转机械故障诊断中的应用,将该网络模型应用于旋转机械故障诊断,显示出Gauss-Newton网络具有诊断精度高、容错性和稳定性好的优势.     

虚拟仪器平台下的大型机组振动烈度预测模型研究

大型旋转机组运行状态趋势预测是保证关键设备安全运行的先进技术.在大型旋转机组运行过程中,机组振动烈度值常常表现为具有趋向性的非平稳时间序列;为对大型机组发展状态进行趋势预测,建立了灰色预测模型.为了能够快速适应不同用户和不同环境,构造了具有开放性的和柔性的虚拟仪器平台下的预测系统,并在工业现场得到实际应用.     

工业室内环境中建立增强现实系统模型研究

针对增强现实(AR)技术在工业领域的应用问题,提出了一个在工业室内环境下应用的增强现实系统模型。该模型主要针对工业中不会在较短时间内发生较大变化的室内环境,首先对头盔式显示器(HMD)采集的环境图像通过Harris检测算法来检测特征点,然后通过程序比对图像在特征点添加相关注释,最后将包含注释的现实图像显示在头盔显示器上。主要介绍了该模型的具体步骤及实现方法,Harris角点检测算法具有应对光强变化、图像旋转等特点,故增加了模型整体的鲁棒性。最后将该模型应用于风力发电机机舱内部环境进行验证,其中特征点检测部分可根据阈值调节特征点数的多少,实验中采用的特征点数为20,在图像匹配部分匹配程度超过85%,实验结果表明该模型实现了增强现实的功能。     

旋转机械状态监测及预测技术的发展与研究

旋转机械是工业上应用最广泛的机械，为了对其进行安全生产和实行科学维护，需要研究旋转机械在线监测及预测技术。本文综述了该技术的发展趋势。并介绍了该技术研究工作所取得的成果。在大型机组上施行的实践验证结果表明：所研究的技术是有效的，分析手段是适用的。     

风力发电机组故障诊断专家系统研究

随着风力发电行业的不断发展,风力发电机的装机数量不断增加。由于其结构复杂和工作环境恶劣,极易发生各种故障。文章通过对风力发电机组故障诊断专家知识进行总结,使用ASP.NET平台开发和SQL Server 2008数据库,利用产生式规则和主观贝叶斯方法相结合实现推理,构建了风力发电机组故障诊断专家系统,通过人机交互实现对风力发电机组故障的在线诊断,并通过其知识库的不断维护更新来提高系统故障诊断的能力。