XiaoMi-AI文件搜索系统
World File Search SystemBearing
轴承故障检测与分类的决策树模型比较研究
轴承故障诊断对于减少故障、提高旋转机械的功能性和可靠性至关重要。由于振动信号是非线性和非平稳的，提取特征以进行降维和有效的故障检测具有挑战性。本研究旨在评估基于决策树的机器学习模型在轴承故障数据检测和分类中的性能。提出了一种将基于树的分类器与派生的统计特征相结合的机器学习方法，用于局部故障分类。通过时域分析从正常和故障振动信号中提取统计特征，以开发基于树的 AdaBoost (AD)、分类和回归树 (CART)、LogitBoost 树 (LBT) 和随机森林树 (RF) 模型。
用Vespel®聚酰亚胺制成的电动机的轴承绝缘
g全球电动运输需要开发电动驱动技术系统的高效和成本效益的解决方案。800-V EV架构的出现标志着改善车辆性能的重要一步。该技术可实现更高的充电能力和更快的充电时间。电池占电动车总成本的取代部分，因此重要的是要尽可能多地使用牵引力的能量并减少损失以增加车辆的范围。提高效率可能涉及对系统的性能要求和设计约束的仔细评估。电动驱动器中的牵引电动机通常由可变的频率驱动器（VFD）提供动力，以启用可变速度操作。电池的直流电压通过逆变器转换为三相交流电。逆变器包含通过合适的脉冲图案为电动机创建所需的正弦波的开关，图1。调节脉冲宽度会改变波浪频率，从而改变电动机速度。
密封清洁四列圆锥滚子轴承 | ...
超大容量密封清洁四列圆锥滚子轴承采用 NSK Super-TF 材料制造，作为标准规格。所示轴承为英寸尺寸。可提供其他轴承设计/尺寸 - 包括开式轴承和公制尺寸。请联系 NSK 获取更多信息。
利用选定的土壤类型开发预测加州红土承载力的模型
摘要 软计算方法用于创建估计红土加州承载比值的模型。软计算技术是一种寻找可证明的正确和最佳问题解决方案的算法。路面设计中使用的浸泡 CBR 值需要大约 96 小时才能完成测试过程。这可能既耗时又昂贵，因此研究人员需要寻找其他方法来获取它。各种研究都采用了人工智能技术，包括神经网络、遗传算法和支持向量机，来估计 CBR 值。虽然这些方法提供了潜在的好处，但它们也表现出某些缺点，例如对参数设置的敏感性、适应性受限以及难以理解潜在的关系。本研究提出了一种应对这一挑战的新模型，即人工神经网络 (ANN) 及其混合模型 (ANFIS)。从洞穴中采集土壤样本，并对获取的土壤样本进行必要的测试。进行了指数、压实和加州承载比测试。开发了两种机器学习模型，即人工神经网络 (ANN) 和自适应神经模糊推理系统 (ANFIS)，用于预测红土的 CBR 值。这些模型在 70% 的数据上进行了训练，并在剩余的 30% 上进行了测试。两种模型都表现出令人满意的性能，但 ANFIS 模型表现出更高的准确性，这由更高的 R2 值 (0.98)、更低的 RMSE (0.11) 和更低的 MSE (0.33) 证明。这些结果表明 ANFIS 在捕捉数据中的复杂关系方面特别有效，并且是预测红土中 CBR 值的有前途的工具。关键词：软计算技术、加州承载比、指标属性、红土
通过声学传感预测轴承故障
测量声音的一种方法是振幅，它表示分贝（db）中的强度。也可以将声音作为频率测量，用Hz或KHz表示。声音频率是指振动的数量（或周期）每秒都在赫兹（Hz）中测量。健康的人耳通常可以感知到20 Hz至20,000 Hz范围内的声音频率，或者简称为20 kHz。1对于视角，低音低音介于20 Hz至250 Hz之间，250 Hz和4 kHz之间的人类语音以及4 kHz至20 kHz的高音声音）。声音频率高于20 kHz，通常被认为是超声波，通常超出了人类的感知。
电动机轴承故障检测的监督对比度学习 /作者=张，亨格鲁伊； Wang，Bingnan /CreationDate = 2024年9月4日 /受试者=电气系统，机器学习，多物理建模< /div < /div>
抽象的各种故障会导致电动机故障，从而导致停机时间和资产损失。故障检测技术在行业中非常需要预测和防止此类故障。机器学习的最新进展已启用数据驱动的模型，这些模型可以从电动机中监视的信号中识别故障。但是，这些信号可能很复杂，并且表明故障的特征是微妙的。因此，需要提取与信号故障相关的信息特征的有效方法。在本文中，我们探讨了对比度学习在检测相位电流信号的轴承断层中的使用。我们开发了一个模型架构，该模型结构由两个部分，一个特征提取器和一个分类器组成，其中特征提取器使用监督的对比度学习进行了预训练。在Pader-Born University轴承故障数据集上进行了测试，我们的模型达到了87％的高故障分类精度，这表现优于常规机器学习模型。我们还进行了消融测试，以证明该模型中基于对比的学习培训的重要性。通过研究模型的分类结果和提取的特征，我们进一步探讨了对比度学习在提取区分不同类别的特征中的效果。我们预计对比度学习可以奠定更准确的故障检测模型的基础，并将其扩展到其他实际的故障检测任务。
肠道微生物营养不良差异在两个不同的缓存肿瘤模型中不同的饮食
摘要：癌症恶病质对结肠微生物群的影响的特征很差。这项研究评估了如果发现类似的营养不良，则评估了两种缓存产生的肿瘤类型对肠道菌群的影响，以确定肠道菌群的影响。此外，还确定了含有富含免疫营养素的食物（核桃）的饮食是否已知可以促进结肠中益生菌的生长，这会改变营养不良和缓慢的卡希克西亚。男性Fisher 344只大鼠被随机分配给有或没有核桃的半纯化饮食。然后，在每个饮食组中，将大鼠随机分配到一个治疗组：肿瘤的特征喂养（TB），非肿瘤含量的Adibitum Fed（NTB-AL）和非肿瘤组对TB（NTB-PF）（NTB-PF）。TB组植入了病房结肠癌或MCA诱导的肉瘤，都是可移植的肿瘤系。粪便样品，并使用16S rRNA基因分析鉴定了细菌。两个结核病组都患有恶病质，但肠道微生物组的变化也有所不同。β多样性不受治疗（NTB-AL，TB和NTB-PF）的影响，无论肿瘤类型如何，但受饮食影响。此外，饮食始终改变了几种细菌类群的相对丰度，而治疗和肿瘤类型没有。对照饮食增加了曲霉曲霉的丰度，而核桃饮食则增加了Ruminococcus属。没有发现病虫的常见粪便细菌变化特征。饮食始终改变了肠道菌群，但是这些变化不足以减慢恶病质的进展，这表明癌症恶病质比几个肠道菌群变化更为复杂。
含 2-(2′-喹啉)...的半夹心 Ru(II) 配合物
治疗癌症的方法已从传统化疗逐步转变为干扰肿瘤内关键信号通路的靶向治疗 [1]。胶质母细胞瘤 (GBM) 占所有中枢神经系统癌症的 80%，多形性胶质母细胞瘤是侵袭性最强的癌症之一 [2]。GBM 的治疗策略是短暂的，对总体生存率的影响有限。目前的治疗方案包括手术切除，然后进行放疗和化疗相结合 [3]。多形性胶质母细胞瘤 (GBM) 是最常见的脑肿瘤之一，其预后通常不佳。治疗取决于一些因素，例如患者的年龄和肿瘤对化疗的敏感性。此外，肿瘤通常在初始治疗期间或治疗后不久复发，导致新诊断为 GBM 的个人的中位生存期仅为 15 个月 [4]。
在可变工作条件下滚动轴承故障诊断的增强合奏学习方法
摘要：确保滚动轴承的平稳运行需要精确的故障诊断。特别是，在不同的工作条件下识别故障类型在实践工程中具有重要意义。因此，我们提出了一种加固集合方法，用于在不同的工作条件下诊断滚动轴承断层。首先，设计了一个加固模型来选择最佳的基础学习者。分层随机抽样用于从原始训练数据中提取四个数据集。强化模型分别由这四个数据集培训，我们获得了四个最佳基础学习者。然后，稀疏的ANN被设计为集合模型，并且可以成功识别可变工作条件下的故障类型的增强学习模型。进行了广泛的实验，结果证明了所提出的方法比其他智能方法具有优越性，具有显着的实践工程益处。