XiaoMi-AI文件搜索系统
World File Search SystemRPMS
1455164775705-火车司机故障排除指南.pdf
1.0 简介：基于微处理器的机车控制系统 MEP 660 持续监控各种参数的运行水平，如电流、电压、温度、压力、转速等，以及接触器所有辅助和主触点的状态。MEP 660 可识别任何设备的异常工作条件，这些条件可能表明该设备存在故障。故障信息以及由于故障而施加的任何限制都显示在显示单元上，以指导驾驶员。故障与日期和时间戳一起记录在错误日志中。从故障发生前 5 秒、一个故障瞬间和一个故障 2 秒到故障发生后 3 秒，记录了 10 个各种机车参数的数据包，每秒一个数据包。这些数据包可帮助维护人员稍后分析故障的发展，也有助于分析复杂的故障。MEP-660 版本 3.0 的优势 1. 开关、断路器和操作程序与传统机车相同，因此驾驶员易于操作。 2. 简化了驾驶员的故障排除活动。 3. 无需重置 GR1、GR2 和 GFOLR。这些项目不可用。重置程序简化。 4. 无需维持负载计黄色区域中指定的时序。如果超过时序，MEP-660 会自动将励磁降低到安全区域。 5. 无需在高速下调节动态制动器。MEP-660 根据机车速度自动将负载计限制在安全区域。 6. 运行时卡片不会松弛 7. 自动隔离开路/短路 Tr. 电机。MEP-660 自动检测开路/短路 Tr. 电机并将其隔离。
1455164775705-火车司机故障排除指南.pdf
1.0 简介：基于微处理器的机车控制系统 MEP 660 持续监控各种参数的运行水平，如电流、电压、温度、压力、转速等。以及接触器所有辅助和主触点的状态。MEP 660 可识别任何设备的任何异常工作条件，这些条件可能表明该设备存在故障。故障消息以及由于故障而施加的任何限制均显示在显示单元上，以指导驾驶员。故障与日期和时间戳一起记录在错误日志中。从故障发生前 5 秒、一个故障瞬间和一个故障第二包到故障发生后三秒，记录了各种机车参数的十个数据包，每秒一个数据包。这些数据包有助于维护人员日后分析故障的发展，也有助于分析复杂故障。MEP-660 3.0 版的优势 1.开关、断路器和操作程序与传统机车相同，因此驾驶员操作方便。2.驾驶员的故障排除活动得到简化。3.无需重置 GR1、GR2 和 GFOLR。这些项目不可用。重置程序得到简化。4.无需维护负荷计黄色区域中指定的时序。如果超过时序，MEP-660 会自动将励磁降低到安全区域。5.高速时无需调节动态制动器。MEP-660 根据机车速度自动将负载计限制在安全区域。6.运行时卡片无松弛 7.自动隔离开路/短路 Tr。电机。MEP-660 自动检测开路/短路 Tr。电机并将其隔离。
基于自动收集数据的树木采伐机性能分析中的数据挖掘
摘要：收割机自动记录的数据是一种很有前途的、可能非常有用的科学分析信息来源。大多数研究人员已将 StanForD 文件用于此目的，但这些文件很难获取，需要进行一些预处理。本研究利用了类似数据的新来源：JDLink，这是一项由机器制造商运营的基于云的服务，可实时存储来自传感器的数据。此类数据量巨大，难以理解和有效处理。数据挖掘技术有助于在此类数据库中发现趋势和模式。使用经典回归（线性和对数）、聚类分析（树状图和 k 均值）和主成分分析 (PCA) 分析了在波兰东北部工作的两台中型收割机的记录。线性回归表明，树木的平均大小是对每立方米燃料消耗和生产率影响最大的变量，而每小时燃料消耗也取决于低速行驶距离或高发动机负荷时间份额等因素。聚类和 PCA 的结果更难解释。树状图显示了最不相似的变量：每天采伐的总体积、每天的总燃料消耗和高转速 (RPM) 的工作时间份额。K 均值聚类使我们能够识别特定变量聚类更突出的时期。尽管 PCA 结果解释了近 90% 的方差，但机器之间的结果尚无定论，因此需要在后续研究中进行仔细审查。生产率值（平均约 10 m 3 /h）和燃料消耗率（平均 13.21 L/h，1.335 L/m 3）与其他作者在可比条件下报告的结果相似。本研究获得的一些新指标包括，例如，低速行驶距离（每天约 7 公里）或发动机在低、中或高负荷下运行的时间比例（分别为 34%、39% 和 7%）。本研究的假设是使用不从外部来源补充的数据，并且尽可能少地进行处理，这将分析方法限制在无监督学习上。在后续研究中扩展数据库将有助于监督学习技术在建模和预测中的应用。
文章 基于自动采集数据的树木采伐机性能分析中的数据挖掘
摘要：收割机自动记录的数据是一种很有前途的、可能非常有用的科学分析信息来源。大多数研究人员已将 StanForD 文件用于此目的，但这些文件很难获取，需要进行一些预处理。本研究利用了类似数据的新来源：JDLink，这是一项由机器制造商运营的基于云的服务，可实时存储来自传感器的数据。此类数据量巨大，难以理解和有效处理。数据挖掘技术有助于在此类数据库中发现趋势和模式。使用经典回归（线性和对数）、聚类分析（树状图和 k 均值）和主成分分析 (PCA) 分析了在波兰东北部工作的两台中型收割机的记录。线性回归表明，树木的平均大小是对每立方米燃料消耗和生产率影响最大的变量，而每小时燃料消耗也取决于低速行驶距离或高发动机负荷时间份额等因素。聚类和 PCA 的结果更难解释。树状图显示了最不相似的变量：每天采伐的总体积、每天的总燃料消耗和高转速 (RPM) 的工作时间份额。K 均值聚类使我们能够识别特定变量聚类更突出的时期。尽管 PCA 结果解释了近 90% 的方差，但机器之间的结果尚无定论，因此需要在后续研究中进行仔细审查。生产率值（平均约 10 m 3 /h）和燃料消耗率（平均 13.21 L/h，1.335 L/m 3）与其他作者在可比条件下报告的结果相似。本研究获得的一些新指标包括，例如，低速行驶距离（每天约 7 公里）或发动机在低、中或高负荷下运行的时间比例（分别为 34%、39% 和 7%）。本研究的假设是使用不从外部来源补充的数据，并且尽可能少地进行处理，这将分析方法限制在无监督学习上。在后续研究中扩展数据库将有助于监督学习技术在建模和预测中的应用。