本文描述了一种利用驱动齿轮箱的感应电机测得的相位电流来识别局部轮齿缺陷（如点蚀）的方法。基于多尺度熵（MSE）算法SampEn的一种新的异常检测工具，它允许在多个时间尺度上识别信号中的相关性。电机电流特征分析（MCSA）结合主成分分析（PCA），并将观察值与使用名义健康数据建立的模型预测值进行比较。仿真结果表明，该方法能够检测电流信号中的齿轮点蚀。
深度学习的必要性：智能制造背景下，机械设备趋于复杂庞大，海量、多源、高维度、非结构的工业数据给系统管理监测带来更大难度，设备的故障诊断与预测更显重要。传统故障诊断与预测方法难以建立准确的数据模型，在设备故障诊断预测应用方面受到很大局限，深度学习以其强大的自主学习非线性数据表示和模式识别的能力在许多领域都有重大突破，在工业设备的故障诊断与预测领域也得到广泛关注。
轴承广泛应用于经济的各个领域。在国民经济中，他们主要涉及农业、采矿业、制造业、电力、热力、水生产和建筑业、交通运输、邮政服务等许多行业。它们用于汽车、农业机械、工业生产(加工工具)、矿山钻机、制造业纺织机械、建筑业起重机、各种传动装置等。轴承行业作为机械工业的基础和支柱，其发展水平往往代表或制约着一个国家机械工业及其他相关产业的发展水平。
1、正常状态频谱显示1X和2X转速频率和齿轮啮合频率GMF。 2、齿轮啮合频率GMF通常伴有旋转转速频率边带。 3、所有的振动尖峰的幅值都较低，没有自振频率。
本文整理了十五种常见的振动故障及其特征频谱: 不平衡,不对中,偏心转子,弯曲轴,机械松动,转子摩擦,共振,皮带和皮带轮,流体动力激振,拍振,偏心转子,电机,齿轮故障,滚动轴承,滑动轴承。
通过大数据分析能够有效发现问题间的关联性，但对于挖掘问题之间的因果性却相对乏力，而后者恰恰是工业领域实现智能化转型的关键。要实现对于问题因果性的挖掘，就需要结合工业机理知识，在深入了解系统结构和运行逻辑的基础上进行分析及预测。具体到应用的关键点，最核心的一部分是故障预测与健康管理(PHM)。
为有效地获取滚珠丝杠副精度寿命特征， 利用滚珠丝杠副磨损特征建立加速退化模型， 并且根据设计的试验装置和试验过程的摩擦力矩值变化情况， 采用参数估计方法进行退化数据的统计分析， 获得不同应力水平下的滚珠丝杠副加速退化参数模型。
通过加速度计和传声器采集数据，实现更准确、鲁棒的轴承故障诊断。该方法从原始振动信号和声学信号中提取特征，并利用基于1d - cnn的网络进行融合。在十组轴承上获得的大量实验结果用于评估所提出方法的性能。通过分析不同信噪比下的损失函数和准确率，经验发现该方法比基于单模态传感器的算法具有更高的诊断准确率。此外，还进行了可视化分析，探讨了所提出的基于1d - cnn的方法的内部机制。
没有账户，需要注册
163页化工动设备讲义（PPT）,163页化工动设备讲义（PPT）,163页化工动设备讲义（PPT）
本工程建筑为办公生产大楼，由地上32层、地下3层组成；其中1-5层为裙楼、6-32层为塔楼。地下1-3层含停车场、人防、设备用房；地上部分：主楼一层含公共大厅；5为设备转换层，11、22层为避难层，33层设置机房；6-10层、12-21层、23-32层为办公生产用房。
随着能源互联网的发展，能源系统智能化特征越来越突出，能 源开发、生产、传输、存储、消费 全过程的智能化水平快速提升，所 涉及的设备和系统将数以亿计，在 规划和运行过程中将产生海量数据， 且结构复杂、种类繁多、因实时性 要求高而快速增长。这些数据贯穿 着能源互联网各个环节，蕴含着巨 大的价值。
技术开发的迭代推进和技术应用的规模化积累，在推进数字技术不断取得新突破的同时，也使数字技术变得更加成熟和可靠。数字技术的先进性、复杂性、集成性与数字化系统覆盖面更广、界面更直观、操作更简单同步发展。人们能够随时随地访问功能越来越强大的数字化系统。
随着人工智能技术的不断进步，大模型（如GPT、BERT等）在各行业中的应用日益广泛，成为推动数字化转型的重要驱动力。不同于传统的小型模型，大模型凭借其强大的自然语言理解与生成能力，能够在更复杂的场景中实现更精准、更智能的任务处理，从而为企业和组织创造更大的价值。本文将从金融、制造、医疗、零售、教育等多个行业，深入探讨AI大模型的应用场景与价值，并分享如何通过大模型引领数字化变革。
已有的WMS、MES部分功能缺失，比如:WMS没有管理平面库，MES仅在部分产线使用;3、优化当前费用报销流程，通过线上处理提高报销管理效率。
随着大模型技术的飞速发展，模型参数量急剧增长，模型能力持续增强，智能应用百花齐放。基础设施的可用性决定了大模型研发及服务的效率，大模型服务的可用性又决定了智能应用的服务质量。在此背景下，高质量大模型基础设施成为推动大模型应用落地的关键要素。
[摘 要]？水电站是国家能源战略部署重要的组成部分, 水电站各组件的状态参数及运行参数的收集、分析和反馈对电站的安全稳定运行至关重要。本文针对国内大多数水电站目前采用的传统人工巡检和工业监控相结合的系统存在的人力消耗大、安全系数低, 工业摄像头易出现死角、人工监视屏幕疲劳等问题, 对已开发用于电站监测的智能巡检机器人的工作原理及在水电站内日常巡检和运行分析系统进行介绍, 并将机器人所采集到的信号分为一次状态信号、缓慢变化信号、快速脉动时序信号。针对快速脉动时序信号独有的复杂性和非线性特性, 本文将传统时频信号分析方法和非线性混沌分析方法相结合, 分析快速脉动时序信号, 得到其非线性特征与机组运行不稳定性的关联性。结果表明在智能巡检分析模块加入非线性混沌分析可以有效建立机组信号与运行状态的关系, 实现水电站实时状态监测。[关键词]？水电站; 智能巡检; 压力脉动; 混沌分析
扫码咨询
或
客服咨询
用手机扫二维码
复制当前地址
方案库赚钱指南
