XiaoMi-AI文件搜索系统
World File Search System故障分类
人机交互回路故障分类
摘要。操作员是指挥和控制系统中的主要漏洞来源之一；例如，79% 的航空致命事故归因于“人为错误”。根据 Avizienis 等人的故障分类系统，操作时的人为错误可以描述为操作员在与指挥和控制系统交互时未能提供服务。然而，之前很少有研究尝试将导致操作员处于错误模式的多种不同故障来源区分开来。本文提出了对 Avizienis 等人分类法的扩展，以便更全面地考虑人类操作员，明确导致操作员偏离正确服务交付的故障、错误状态和故障。我们的新分类法提高了对故障的理解和识别，并提供了关于可以避免或修复人为服务故障的方法的系统见解。我们提供了来自航空和其他领域的影响操作员和容错机制的故障的多个具体示例，涵盖了人机交互循环操作员侧的关键方面。
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。
SR 1459 i - 船舶结构委员会
15. 补充说明 由船舶结构委员会赞助。由其成员机构共同资助。 16. 摘要 为提高成本和时间效率，海洋工业中断裂修复程序发展迅速。通过内部分析和审查行业标准以及 IACS 和 TSCF 等组织的建议，调查了当前评估和修复远洋船舶断裂的行业实践。在修复断裂过程中，需要考虑几个因素，例如位置、程度和可能的原因。审查了断裂报告和 IACS 文件以确定易发生断裂的结构区域。提出了一种基于预期功能和位置对结构部件故障进行分类的通用方案。这是为了就断裂修复的适当和及时的纠正措施提出建议。记录了各种断裂修复技术的要求和典型过程。还进行了行业标准与 USCG NVIC 7-68 之间的差距分析。 17. 关键词 NVIC 7-68、断裂修复方法、结构故障分类、
变速箱健康状况监测：简要说明 - CORE
摘要：变速箱是一种机械动力传输装置，最常用于获得速度和扭矩方面的机械效益。变速箱由不同类型的齿轮组成，这些齿轮按级联顺序组装以执行预期任务。变速箱内任何旋转部件发生故障都将终止与其相关的机械系统的工作状态。这会导致行业服务中断，从而产生昂贵的赔偿。特别是在航空发动机中，它被用作辅助驱动器，为液压、气动和电气系统提供动力。这促使人们监测变速箱的健康状况。本文简要回顾了 GHCM（变速箱健康状况监测）、变速箱故障、时域特征概述、频域特征、时频域；特征提取技术和故障分类技术。本研究的结果是提供有关变速箱健康状况监测的简要信息。关键词：变速箱故障、GHCM、故障分类技术。1.简介 变速箱是一种附件驱动器，是飞机燃气涡轮发动机的一部分。附件变速箱为液压、气动和电气系统提供动力。它驱动燃油泵、油泵和测速发电机。附件变速箱通过径向驱动轴与高压压缩机耦合，变速箱所需的动力来自连接发动机涡轮和高压压缩机部分的中心轴。附件单元的动力从旋转的发动机轴通过内部变速箱输送到外部变速箱，内部变速箱为附件提供运动并将附件齿轮驱动分配给每个驱动单元 [1]。图 1 显示了航空发动机中变速箱的安装位置。在一些早期的发动机中，径向轴用于驱动每个附件单元。虽然它提供了将附件单元放置在所需单元中的灵活性，但它降低了单个齿轮的动力传输。它必须使用大型内部变速箱。由于高压压缩机出口和燃烧室之间的可用空间很小，内部变速箱的位置很复杂。由于内部变速箱和径向驱动轴的安装（干扰气体流动）导致的热膨胀和发动机性能下降，在涡轮区域比压缩机区域产生更大的问题。对于任何给定的燃气涡轮发动机，涡轮面积小于压缩机面积，这使得将变速箱安装在压缩机物理提供的空间内更容易。径向驱动轴的主要用途是将驱动力从内部变速箱传输到外部变速箱。反之亦然，即将高启动扭矩从启动器传输到高压压缩机系统，以启动发动机。最好具有最小的驱动轴直径以减少气流中断。直径越小，轴必须旋转得越快才能产生相同的功率。但是，这种直径有一个限制，因为它会增加内部应力并增加更大的动态问题，从而导致振动。中间变速箱的使用取决于发动机结构的设计及其尺寸。当没有规定将径向轴直接连接到外部齿轮箱时，中间齿轮箱组装在内部齿轮箱和外部齿轮箱之间。外部齿轮箱为每个附件单元提供安装面，并由附件驱动器组成。外部齿轮箱的位置取决于几个因素。它包裹在发动机的低前部区域周围，以减少飞机飞行时的阻力效应，并且由于它位于下部，维护人员很容易接近。如果任何附件单元发生故障，停止旋转，则可能导致故障
白皮书 3 系统级 ESD 第二部分 - SMTnet
摘要 本文档（白皮书 3 第二部分）是静电放电 (ESD) 行业委员会关于系统级 ESD 的两份白皮书中的第二份。在第一部分中，我们指出了供应商和原始设备制造商 (OEM) 对系统级 ESD 理解中常见的误解，并描述了一种称为系统高效 ESD 设计 (SEED) 的新型 ESD 组件/系统协同设计方法。SEED 方法是一种全面的 ESD 设计策略，用于系统接口以防止硬（永久）故障。在第二部分中，我们扩展了对系统 ESD 理解的全面分析，以对所有已知的系统 ESD 故障类型进行分类，并描述了新的检测技术、模型和系统稳健性设计改进。第二部分还扩展了这种 SEED 协同设计方法，以包括系统内部的其他硬/软故障情况。第二部分首先概述了系统 ESD 应力应用方法，并介绍了新的系统诊断方法，用于检测导致硬故障或软故障的弱 ESD 故障区域，并对当今为防止系统级 ESD 故障而开发的最先进的 EMC/EMI 设计预防方法进行了“成本、性能和稳健性”分析。随后，它扩展了 SEED 故障分类，以涵盖可能导致这些错误的硬（永久性）和/或软（可复位）系统故障和应力的组合，并描述了 SEED 协同设计应用的案例
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。
使用基于状态的维护改进离心泵维护计划的案例研究
摘要：离心泵 (CP) 是全球使用最广泛的工业资产之一。基于状态的维护 (CBM) 是用于监控 CP 运行状态的维护策略之一。使用 CBM 可提高 CP 性能。但是，维护计划的 CBM 实践并不理想。本研究介绍了一个案例研究，该案例研究利用 CBM 方法监控海上生产平台上安全关键消防水系统的一部分 CP。研究了 CP 维护的 CBM 方法，并确定了最佳实践。将其与海上公司的实践进行了比较，并观察到了应用和数据收集方面的不足。模拟了一个代表公司运营的测试程序。随后，收集数据以评估 CBM 识别 CP 各种故障的能力。利用 CP 的振动数据来开发由于轴承故障而导致泵故障的 PF 曲线。然后将结果用于建立潜在的检查活动。在研究单一故障的情况下，测试程序的分类准确率为 100%。在研究多个故障的情况下，分类准确率为 67%。总体分类准确率为 76.5%。此外，PF 间隔为五个月，这意味着应每两三个月对轴承进行一次检查，而目前的检查间隔为一个月。测试表明，当有效实施 CBM 最佳实践方法时，可以改进故障分类和数据驱动的维护计划。未来的工作将研究增强型人工智能 (AI) 技术在更复杂的操作条件下提高分类准确率的能力。
变速箱健康状况监测：简要说明 - CORE
摘要：变速箱是一种机械动力传输装置，最常用于获得速度和扭矩方面的机械效益。变速箱由不同类型的齿轮组成，这些齿轮按级联顺序组装以执行预期任务。变速箱内任何旋转部件发生故障都将终止与其相关的机械系统的工作状态。这会导致行业服务中断，从而产生昂贵的赔偿。特别是在飞机发动机中，它用作附件驱动器，为液压、气动和电气系统提供动力。这促使人们监测变速箱的健康状况。本文简要回顾了 GHCM（变速箱健康状况监测）、变速箱故障、时域特征、频域特征、时频域概述；特征提取技术和故障分类技术。本研究的结果是提供有关变速箱健康状况监测的简要信息。关键词：变速箱故障、GHCM、故障分类技术。1. 简介变速箱是一种附件驱动器，是飞机燃气涡轮发动机的一部分。附件变速箱为液压、气动和电气系统提供动力。它驱动燃油泵、油泵和测速发电机。附件齿轮箱通过径向驱动轴与高压压缩机相连，齿轮箱所需的动力来自连接发动机涡轮和高压压缩机部分的中心轴。附件单元的动力从旋转的发动机轴通过内部齿轮箱输送到外部齿轮箱，内部齿轮箱为附件提供运动并将附件齿轮传动分配给每个驱动单元 [1]。图 1 显示了齿轮箱在飞机发动机中的安装位置。在一些早期的发动机中，径向轴用于驱动每个附件单元。虽然它提供了将附件单元放置在理想单元中的灵活性，但它降低了单个齿轮的动力传输。它需要使用大型内部齿轮箱。由于高压压缩机出口和燃烧室之间可用的空间很小，内部齿轮箱的位置很复杂。由于内部齿轮箱和径向驱动轴的安装（干扰气体流动）导致的热膨胀和发动机性能下降，在涡轮区域比压缩机区域造成了更大的问题。对于任何给定的燃气涡轮发动机，涡轮面积都小于压缩机面积，这使得将变速箱安装在压缩机物理提供的空间内更加容易。径向驱动轴的主要用途是将驱动力从内部变速箱传输到外部变速箱。反之亦然，即将高启动扭矩从启动器传输到高压压缩机系统，以启动发动机。最好使驱动轴直径最小，以减少气流干扰。直径越小，轴必须旋转得越快才能产生相同的功率。但是，直径有一个限制，因为它会增加内部应力并增加更大的动态问题，从而导致振动。中间齿轮箱的使用取决于发动机结构的设计及其尺寸。当没有提供将径向轴直接连接到外部齿轮箱的措施时，中间齿轮箱组装在内部齿轮箱和外部齿轮箱之间。外部齿轮箱为每个附件单元提供安装面，并由附件驱动器组成。外部齿轮箱的位置取决于几个因素。它包裹在发动机的低前部区域周围，以减少飞机飞行时的阻力效应，并且由于它位于下部，维护人员很容易接近。如果任何附件单元发生故障，停止旋转，则可能导致故障
特刊“基于机器学习和深度学习的机器故障诊断和预测的进展”
故障诊断和故障预测旨在通过用预测性或条件性维护策略取代预防性和纠正性维护来减少系统停机时间并优化其性能。诊断算法提供的系统当前健康状态知识以及预测算法提供的系统健康状态随时间演变的知识对于建立预测性和条件性维护必不可少，因此科学界对开发越来越有效的监测算法很感兴趣。在文献中，故障诊断和故障预测方法主要有四种：基于物理模型的方法、数据驱动方法、专家方法和混合方法。数据采集和存储工具以及处理算法的快速发展，加上产生大量数据流的仪器仪表和过程自动化技术的发展，促进了数据驱动方法的发展。本书中提出的论文提出了新的故障诊断和故障预测方法，为结构化和非结构化不确定性、多种故障的存在、缺乏对使用条件的先验知识、特征提取和选择、模型优化和在线实施等科学问题提供了解决方案。本书提供的各种应用支持，从微电子设备到大型系统，强调了每个应用领域特有的实施约束并提出了合适的解决方案。在 [1] 中，提出了一种深度学习方法，该方法结合小波变换用于不同频率和尺度下的特征提取，以及卷积神经网络 (CNN) 用于特征选择和故障分类。两个滤波阶段（小波变换和卷积函数）的关联可以处理过程的非线性机制和变量之间的高度相关性。该方法在制冷剂生产过程中得到了成功验证。 [2] 还将小波变换用作第一步数据处理，并与改进的粒子群优化 (PSO) 和具有线性增加惯性权重的反向传播 (BP) 神经网络相结合。其思想是将 PBNN 与改进的 PSO 算法结合起来进行参数优化，从而提高分类精度。该方法用于交流电源驱动的三相鼠笼感应电动机的故障诊断。考虑的故障包括轴承损坏、定子绕组、匝间短路和转子断条。[3] 也考虑了感应电动机，其研究重点是使用属性选择方法的影响，例如 ReliefF、基于相关性的特征选择 (CFS) 以及基于相关性和适应度值的特征选择 (CFFS)。概率神经网络 (PNN)、径向基函数神经网络 (RBNN) 和反向传播神经网络 (BPNN) 等神经分类器的性能。本研究分析了感应电机的电流信号以进行故障诊断。研究结果表明，ReliefF、CFS 和 CFFS 比未使用的特征选择方法具有更好的效率。[4] 讨论了可变运行条件下的故障诊断问题，其中数据处理是通过统计工具（经验模式分解）和 CFFS 的组合来完成的。