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

设备状态监测中处理工业数据分部不平衡的重采样技术(上）

本期给大家推荐魏建安教授的设备状态监测中处理工业数据分部不平衡的重采样技术综述。在工业生产中，机器设备大部分时间处于正常运行状态，故障发生的时间极为短暂，导致故障数据稀缺，数据集普遍存在不平衡问题。随着制造业的快速发展，复杂设备的故障数据往往伴随噪声和多重不平衡现象，给故障诊断带来巨大挑战。本文将从数据预处理、特征提取和分类器改进三个方面，系统分析当前不平衡数据分类的主要方法，并探讨这些方法在工业场景中的应用及未来研究方向。

  • 2024-11-06
  • 阅读438

基于单侧对齐策略下的类别缺失鲁棒域自适应故障诊断

在本文中，我们证明了当目标训练数据集中存在缺失类别时，直接应用对抗域自适应技术会导致性能下降。为了克服这个问题，我们利用源域的类间关系提出了单侧对齐，这是一种简单而有效的训练策略。我们在故障诊断任务上的实验展示了所提出的领域自适应方法在工业应用中的潜力，其中缺失类别的问题对所应用的方法施加了显着的限制。发展所提出的模型在样本缺失情况下的性能是未来的发展方向之一。

  • 2024-11-06
  • 阅读383

轴承损伤形式及应对策略（一）|剥落、表皮剥落、刮伤、轻微擦伤、断裂

在大数据驱动和深度学习赋能的今天，针对旋转机械故障诊断的研究层出不穷。但目前绝大部分研究聚焦的是故障特征提取、深度学习算法开发与改进。作为机械行业学习/从业者，我们似乎在计算机技术快速发展的今天逐渐遗忘了基础知识的研究：轴承到底有哪些损伤形式（试验台人为缺口、激光点蚀与真实损伤形式差距有多大）、各类损伤产生的原因是什么、工程实际的损伤具体表现形式是什么，在研究轴承故障诊断今生的同时，轴承故障的前世不应被我们逐渐忘记，该系列将和大家分享和交流轴承损伤形式及应对策略，由于作者水平有限，文章的介绍难免有误，欢迎交流讨论！ 分享的轴承损伤基础知识将按以下内容进行展开，损伤特征信号及诊断方法将在后续进行介绍： 第一期：轴承滚动痕迹/磨损路径、轴承的剥落、表皮剥落、刮伤、轻微擦伤、断裂 第二期：轴承的裂纹、保持架的损伤、压痕、点蚀、磨损、微动磨损 第三期：轴承的伪布氏压痕、蠕变、咬粘、电蚀、锈蚀、安装伤痕、变色

  • 2024-11-06
  • 阅读448

杨玉新：海上风电单芯海缆接地环流影响因素分析

单芯海缆在生产、施工方面相对于三芯海缆更具优势，但是其接地环流异常引起的海缆故障频繁发生。单芯海缆接地环流运行机理及检测策略有待深入研究。建立了基于阻抗矩阵的单芯海缆数学模型，揭示了铠装电阻率、铠装层相对磁导率、接地电阻、短路电阻等因素对阻抗矩阵内参数和接地环流的影响规律。结合实际工程案例分析了海缆接地环流分配不均的机理，为海缆的运行状态评估及检修提供了参考依据。

  • 2024-10-21
  • 阅读267

振动力学发展历史概述

振动力学是力学的一个重要组成部分，但关于其历史发展尚无全面的论述，相关内容散见于科技史、力学史、数学史、声学史、材料强度史以及一些专题性研究。本文拟对振动力学的发展历史作简要而不失全面的概述，希望通过对历史发展的回顾与分析，揭示振动力学的学科特点和发展规律，进而对振动力学的研究和教学有所启发和助益。振动力学内容丰富，这里对于振动问题的早期研究简略带过，也不涉及振动力学的最新进展。

  • 2025-02-01
  • 阅读243

智能巡检系统解决方案

在当前电力巡检管理工作中，依然沿用传统的以人为主的模式，随着电力行业的飞速发展，传统电力人工巡检方式已逐渐难以满足日益增长的电力运维需求。在这样的大背景下，新型电力智能巡检系统应运而生，它就像电力领域的一位智慧守护者，为电力系统的稳定运行保驾护航。

  • 2025-02-01
  • 阅读266

有限数据下故障诊断的可解释潜在去噪扩散概率模型

本公众号主要介绍机械状态监测、故障诊断、寿命预测、智能制造等相关前沿研究和进展。欢迎关注本公众号获取领域最新文献解读。

  • 2025-02-01
  • 阅读288

用于系统级异常检测的自监督变分图自动编码器

？无监督异常检测 （AD） 方法，无论是基于重建的还是基于预测的，都根据残差确定异常。单个变量中的偶尔突变可能会导致残差超过限值。事实上，这种突变并不是系统运行机制的变化。因此，系统级异常很难表征。复杂网络（或“图”）非常适合建模和表征复杂系统的演化规律。但是，大多数工业场景都没有图表。因此，提出了一种自监督变分图自动编码器 （SS-VGAE） 方法。首先，通过去趋势互相关分析 （DCCA） 构建多源传感器动态图;其次，设计目标和自我监督学习任务。目标任务是重建输入图结构，以最大限度地减少重建损失。自我监督的任务是学习潜在空间中超球体的最佳中心，以便尽可能地将平均特征聚集到中心。多任务联合优化允许同时考虑高维和低维空间特征，从而提高异常分数的可靠性。然后，计算异常分数的分布并将其集成到系统运行状况指标 （HI） 中。系统 HI 更适用于辅助决策。最后，通过核个人计算机瞬态分析仪 （PCTRAN） 模拟数据和 Skoltech 异常基准 （SKAB） 数据证明了所提方法的优越性，即更好的检测精度和鲁棒性。最后但并非最不重要的一点是，发现系统性异常使变量之间的相关性更强。

  • 2025-02-01
  • 阅读285