XiaoMi-AI文件搜索系统
World File Search System机械故障
电动和机械故障的电动汽车有条件预测
电动汽车核心组件的抽象维护对于确保生产力，寿命，驱动质量和安全环境至关重要。预测性维护是一种使用操作和故障条件数据来预测未来机器条件并根据此预测做出决定的方法。用于预测维护和状况监控的方法可以基于机器学习和数据分析。学习过程始于对数据的观察，并在以后的实例中使用它来构建模型。主要目的是允许计算机在不参与人类援助干预的情况下学习。一些机器学习方法是监督学习，半监督学习和强化学习。提出的研究的主要目的是使用各种电子控制单元的电动汽车的可用传感器数据，并设计一个预测模型，该模型对电动汽车中发生的各种电气和机械故障进行了分类，并预测了增加整个电气车辆系统的可靠性的类型。项目的工作流程被定义为故障建模，生成健康和故障数据，使用时间同步平均进行处理数据，对系统状况指标的识别以及最终使用这些条件指标，设计了SVM分类预测模型，从模拟研究中推断出所需的结果并从模拟研究中推断出结论。关键字：预测性维护，电动汽车，故障，齿轮故障，电气故障，BLDC电机
机械故障：问题定义 - GovInfo
海军航空发展中心，华盛顿特区 20362 美国机械工程师学会，纽约州纽约市 10017 联邦航空管理局，华盛顿特区 20591 美国国家航空航天局，戈达德太空高中心，马里兰州格林贝尔特 20771
使用中的金属机械故障
本通函是对有关铁和有色金属及合金在常温、高温和低温下的强度和相关性能、热膨胀以及热导率和电导率的技术文献进行全面调查的结果的总结。一般来说，数据以表格形式呈现，尽管经常使用图形表示来指示改变成分或条件对性能的影响。包括有关铝、铜、铁和钢、铅、镁、镍、锡、锌、多种杂项金属及其合金的数据。’ 本通函不仅限于传统工程材料，还包含许多通常不被归类为此类材料的性能数据。包括对数据来源的文献参考