Loading...
机构名称:
¥ 1.0

摘要 - 在追求增强工业泵的可靠性和效率时,本文通过机器学习技术的创新应用解决了泵空气囊检测的挑战性问题。泵中普遍的问题,显着损害了其性能,造成了损坏和操作性不足。传统上,空化检测依赖于数值分析和信号处理方法,尽管它们的要求在实现广泛的领域知识和受控的操作条件的要求上,但这些方法虽然优异,但这些方法通常在实地应用中却差不多。这项研究通过利用机器学习的力量来预测泵的发生在不同的现实世界条件下,以高准确性来预测泵的发生,从而与常规方法不同。我们介绍了丹麦泵制造商Grundfos编制的空化数据集的分析,其中包括来自七个不同泵的297个实验的振动数据,使用传统的机器学习模型,特定的支持矢量机(SVM)和先进的深度学习技术。我们的方法包括对数据集,功能工程,目标定义,问题制定,模型设计和严格模型测试的详细检查。值得注意的是,我们的研究不仅表明机器学习模型,尤其是深度学习模型,可以自适应,准确地预测空化,而且还强调了在目标硬件上测试这些模型以确保其实际适用性的重要性。这项工作伴随着开源实施。

用机器学习检测泵气态

用机器学习检测泵气态PDF文件第1页

用机器学习检测泵气态PDF文件第2页

用机器学习检测泵气态PDF文件第3页

用机器学习检测泵气态PDF文件第4页

用机器学习检测泵气态PDF文件第5页

相关文件推荐

2021 年
¥2.0
2024 年
¥1.0
2024 年
¥4.0
2024 年
¥2.0
2024 年
¥1.0
2025 年
¥1.0
2012 年
¥41.0
2025 年
¥1.0
2024 年
¥1.0
2025 年
¥5.0
2024 年
¥13.0
2024 年
¥1.0
1900 年
¥10.0
1900 年
¥3.0
2015 年
¥2.0
2025 年
¥1.0
2025 年
¥27.0
2019 年
¥1.0
2023 年
¥18.0
1900 年
¥1.0
2023 年
¥1.0
2024 年
¥33.0
2024 年
¥1.0