XiaoMi-AI文件搜索系统
World File Search System故障诊断
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。
特刊``机器学习和基于深度学习的机器故障诊断和预后的进步''
故障诊断和故障预后旨在减少系统的停机时间，并通过用预测性或有条件的预防和纠正性维护策略来优化其性能。对诊断算法提供的系统的当前健康状况的了解以及预后算法提供的时间演变对于建立预测性和有条件维护是必要的，因此科学界对监测算法的开发越来越多。在文献中，有四个主要的方法来进行故障诊断和失败预后：基于物理模型，数据驱动方法，专家方法和混合方法的方法。数据采集和存储工具的快速开发，处理算法与仪器和过程自动化技术的演变相关联，从而促进了数据驱动方法的开发。本书中提出的论文介绍了故障诊断和失败预后的新方法，这些方法为科学问题提供了解决方案，例如结构化和非结构化的不确定性，存在多个故障，缺乏有关使用条件，特征提取和选择，选择和选择，模型优化和在线实施的先验知识。本书中给出的各种应用程序支持，从微电子设备到大型系统，突出显示了针对每个应用程序每个领域的实现约束，并提供了合适的解决方案。这种方法在制冷剂生产过程中已成功验证。在[1]中，在不同频率和尺度下进行特征提取的深度学习方法，以及用于特征选择和故障分类的卷积神经网络（CNN）。两个过滤阶段的关联（小波变换和卷积功能）允许处理过程的非线性机理以及变量之间的高度相关性。小波变换也用于[2]作为第一个数据处理步骤，与改善的粒子群优化（PSO）和后背传播（BP）神经网络相关，并线性增加了惯性重量。这个想法是将PBNN与改进的PSO算法相结合以进行参数优化，从而可以更好地分类。此方法用于由AC电源驱动的三相松鼠笼电动机的故障诊断。所考虑的故障是轴承损坏，定子绕组，转弯间短路和折叠杆折。Induction motor is also considered in [ 3 ] which focus their study on the impact of the use of attribute selection methods such as ReliefF, correlation-based feature selection (CFS), and correlation and fitness value-based feature selection (CFFS), on the performance of neural classifiers such as probabilistic neural network (PNN), radial basis function neural network (RBNN), and back propagation neural network （bpnn）。这项研究分析了用于故障诊断的感应电动机的当前信号。研究结果表明，与未使用的特征选择方法相比，Relieff，CFS和CFF具有更好的效率。在[4]中处理了可变操作条件下的故障诊断问题，其中数据处理是通过统计工具的组合完成的（经验模式分解 -
基于KECA-GRNN的风电机组齿轮箱状态监测与健康评估
收稿日期 ： 2020-01-03 基金项目 ：国家自然科学基金（ 61763037 ）；内蒙古自然科学基金（ 2019LH06007 ）；内蒙古自治区科技计划（ 2019 ， 2020GG0283 ） 通信作者 ：齐咏生（ 1975 —），男，博士、教授，主要从事风电机组状态监测与故障诊断方面的研究。 qys@imut.edu.cn
因果网络的贝叶斯学习用于分布式能源系统的无监督故障诊断
这项工作部分由欧盟通过欧洲社会基金 (FSE) 资助，该基金隶属于欧洲凝聚力和领土复苏援助 (REACT-EU) 倡议，属于 2014-2020 年国家研究和创新行动计划 (PON) 的范畴，根据 Decreto Ministeriale [部长法令 (DM)] 1062/2021 合同 57-I-999-6。Federico Castelletti 的工作部分由 UCSC (D1 和 2019-D.3.2 研究补助金) 资助；部分由 MUR-PRIN 补助金 2022 SMNNKY-CUP 资助，由欧盟-下一代欧盟资助，补助金 J53D23003870008。所表达的观点和意见仅代表作者本人，并不一定反映欧盟或欧盟委员会的观点和意见。欧盟和欧盟委员会均不对此负责。
联邦学习用于监测工业过程的条件：关于故障诊断方法，挑战和前景的审查
摘要：通过基于条件的维护（CBM）调度来降低停机时间和提高生产率至关重要。的确，用于故障诊断（FD）的先进智能学习系统使有效隔离并识别故障的起源成为可能。已验证的智能工业基础设施技术使FD成为一项完全分散的分布式计算任务。为此，由于法律法规的限制或利益冲突，因此通常受所谓数据岛化的不同地区/机构之间的分配仅限于隐私，安全风险和行业竞争。因此，联邦学习（FL）被认为是将数据与多个参与者分开的有效过程，以协作培训智能且可靠的FD模型。据我们所知，迄今为止尚未对该主题进行全面研究，因此迫切需要进行基于审查的研究。在此范围内，我们的工作致力于审查FL应用程序诊断应用程序的最新进展，而FD方法，挑战和未来的前景受到特别关注。
Mira Platinum 安装和用户指南 | Plumbworld
调试 ................................................................................................29 重新注册 ................................................................................................31 故障诊断 ................................................................................................32 维护 ........................................................................................................36 备件 ........................................................................................................37 附件 ........................................................................................................40 处置和回收 ................................................................................................41 注意事项 ......................................................................................................42 客户服务 ......................................................................................................44
依赖*可靠性估计的神经网络方法。
第 1 章 介绍 ................................................................................................................ I I. I 部件可靠性 ...................................................................................................... 2 1.2 系统可靠性 ...................................................................................................... 4 1.3 设备故障 ...................................................................................................... 5 1.4 依赖性 ...................................................................................................... 7 1.5 维护计划 ...................................................................................................... 8 1.5.1 基于条件的（预测性）维护 ............................................................. 10 1.5.2 设备故障诊断 ...................................................................................... 13 1.5.3 预防性维护 ...................................................................................... 15 1.6 问题陈述 ...................................................................................................... 18 1.7 目标 ................................................................................................................ 19
DASOR 分类系统 - GOV.UK
歧义 数据完整性 不完整 未签名 释放不适航的飞机 签名错误 故障诊断 无法隔离故障 功能测试不确定 检查不确定 操作测试不确定 系统处于不安全状态 加油连接问题 污染 燃料类型不正确 数量不正确 面板/访问不安全 泄漏
电网公司采用综合诊断设备进行资产管理
摘要 电网数字化预示着电网设备故障诊断、维修和维护将向新模式转变。实施先进生产资产管理战略最有前途的工具是基于机器人诊断平台、各种硬件软件仪器和智能数据分析系统的集成技术。本文分析了其他国家开发架空输电线路故障诊断和维护机器人方法的经验，这对监控、故障预测和局部维修提出了重大挑战。以 Cablewalker 机器人系统为例，确定了集成诊断硬件系统相对于传统电网设备维护和检修方法的优势。提出了在电网公司采用该技术的建议。在一条 2.34 公里长的输电线路上试验该技术时，检测到 112 处缺陷，而通过“人工”检查发现的缺陷只有 3 处。创建了输电线的数字孪生，以管理其与各种风险相关的技术状况。关键词：资产管理、机器人诊断、电网、架空输电线、维护策略、数字孪生。