会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

健康评估、预测和剩余使用寿命-行为预测与剩余寿命估计

我们描述如何利用由DBNs表示的MoG-HMMs来建模关键组件的退化，评估其当前健康状态并预测其剩余有用寿命。根据图5.1中的介绍，故障预测分为两个阶段：

  • 2024-06-08
  • 阅读35

声信号分析处理与故障诊断模块SoundAgent

研制完成声信号分析处理与故障诊断模块SoundAgent，形成了声信号处理各类经典算法模型，目前正开发最新的各类声信号处理算法模型，可应用于各种机械部件对象（如滑动轴承、滚动轴承、转子、齿轮箱、电机等））的各类声信号分析、故障探测、故障诊断、趋势劣化评估等，采用全Python语言，以B/S模式，通过前端与后端集成开发，采用开放的、模块化、多层架构的设计思想实现声信号分析处理与故障诊断模块，SoundAgent能应用在不同场合的设备故障诊断与监测，满足不同类型机械设备与关键部件（轴承、转子、齿轮箱等）的健康预诊与故障诊断需求。声信号分析处理与故障诊断模块可灵活地集成到各种设备故障诊断与健康预诊系统，提供完整的算法类调用接口，基于该工具箱的各种信号处理模型，可迅速建立起一套完整的基于声信号处理的设备故障诊断与健康预诊系统，也可支持各类系统研制与学术研究。声信号分析处理与故障诊断模块主要包括的算法：声学分析（声压分析、声强分析、声功率分析）、瀑布声谱图、梅尔倒谱系数、梅尔滤波器、Bark倒谱系数、线性预测倒谱系数、Gammatone滤波器倒谱系数、线性频率倒谱系数、线性预测系数、线性预测倒谱系数、相位谱根倒谱系数、幂归一化倒谱系数、归一化伽马倒谱系数等；

  • 2024-06-08
  • 阅读56

基于动态贝叶斯网络和数字孪生的水下控制模块可靠性分析

海底控制模块（SCM）的可靠性评估是保证海底油气生产安全稳定的关键。SCM组件的故障概率和可靠性取决于时间和工作条件。为了分析考虑不同工作条件的SCM的可靠性，本文提出了一种新的基于数字孪生和动态贝叶斯网络（DBN）的模型，利用历史工作条件数据进行可靠性分析。在所提出的框架中，关键工况数据是通过基于传感器的数字孪生（DT）仿真获得的，并用于动态更新DBN可靠性分析模型中的参数，进而对实际的单片机电气系统进行了可靠性评估。通过实验结果，明确了系统中最可能的故障模式和最薄弱的组件。最后，基于该方法的后向分析能力进行故障预测，以预测发生意外情况时设备出现故障的概率。

  • 2024-06-08
  • 阅读25

什么是电池储能系统(BESS)

说到储能，公众通常会想到电池，电池在能量转换效率、系统寿命和安全性方面至关重要。然而，如果储能要作为一个系统发挥作用，电池储能系统（BESS）就变得与核心组件（通常被称为“大脑”）同等重要。

  • 2024-06-08
  • 阅读29

【论文荐读|EAAI】基于高斯混合模型的轴承早期故障无监督健康指数估计新方法

提出了一种基于高斯混合模型(GMM)的新型无监督健康指标(GMM-HI)方法,用于早期故障检测。这种方法利用GMM来估计初始正常数据的分布,并使用Wasserstein距离来测量当前数据分布与初始分布的差异,从而对轴承的退化过程进行可视化。 采用保序回归的方法来校正监测信号中存在的虚假波动,提高了HI的准确性。 通过在3个轴承数据集上的实验验证,结果表明GMM-HI能够有效检测轴承的早期故障,并可用于对轴承健康状态进行分级,同时还可以为余寿预测设置统一的失效阈值,优于其他常用的HI方法。

  • 2024-06-08
  • 阅读27

大型齿轮箱信号分析处理与故障诊断模块

欢迎装备智能维护、设备故障诊断、制造过程质量控制、人工智能、机器视觉、缺陷检测、智能物联系统等智能制造方面的项目协作、系统开发、学术研究等合作(注：系统目前不开源),欢迎各位来电来信联系。

  • 2024-06-08
  • 阅读21

【IEEESensorsJournal】KSLDTNet:工业过程多步预测的关键样本定位和蒸馏Transformer网络

在本研究中，提出了一种新的基于KSLD TNet的轻量级深度学习模型，该模型可以有效地简化特征提取，增强对数据集中关键样本信息的提取。通过对关键样本的定位和提取，设计了一种基于传统Transformer网络的创新预测框架，从图书搜索的角度提高了工业过程的多步预测精度。两个真实的工业数据集证明了所提出的预测框架的优越性能。与最先进的方法相比，所提出的方法在多步预测精度和模型计算效率方面具有优势。由于该方法的样本简化机制可以减少模型计算量，因此更适合于工业大数据环境。在未来的研究中，我们将考虑如何使用本地化的关键样本进行扩充，以在小样本数据的背景下提高模型性能。

  • 2024-06-14
  • 阅读28

【IEEETII】用于IIoT剩余使用寿命预测的T2张量辅助多尺度Transformer

本文提出了一种用于复杂设备关键部件RUL的T2张量辅助多尺度Transformer，以捕捉多尺度时间模式。我们新颖地提出了时间数据和T2张量的张量化表示，并开发了一种高阶Transformer来提取T2张量的多尺度时间特征。针对该模型，提出了一种具有TRdecom位置的轻量级方法。他们提出的模型在准确性和效率方面具有卓越的能力。然而，我们提出的方法只是初步尝试，未来我们需要进一步研究数据处理，并将这种方法与分布式张量计算和云边缘协作等技术相结合，以提高模型的性能。

  • 2024-06-14
  • 阅读26