Jan, 2024

有限资源环境下自动机器状态监测和维护系统的设计与实现

PDF
TL;DR在本研究中，通过开发成本有效的数据采集系统（DAS），结合小波、微分计算和信号处理的概念，开发了一种特征工程和数据缩减方法，然后提出了在开发预测模型时需要考虑的所有必要理论和实践因素。DAS 在与专业手动监测系统相比的准确率达到了 89%，在预测过程中，SVM 和 NN 的准确率超过了 95%，在测试新样本时达到了 100%。此研究的结果可立即应用于中小型工业领域，以发现其他问题并相应地进行发展，对于自动化故障检测与诊断领域具有重要意义。
automatefault detectiondiagnosispredictive maintenancedas
发现论文，激发创造
  • 基于数据驱动的机械故障检测：综述

    本文综述了使用不同类型的机器学习方法检测和诊断各种类型的机械故障的文章，突出了其优势和限制，回顾了用于基于条件的分析的方法，全面讨论了现有的机械故障数据集，并介绍了未来研究人员在使用这些方法进行 MFD 时可能遇到的挑战，并推荐可能的解决方案，同时指出了未来的研究前景，以促进该领域的进一步发展。

    May, 2024

  • 机器学习方法用于离散事件系统的在线故障诊断

    本文提出了一种基于机器学习的在线诊断系统，用于预测自动生产系统的状态和故障类型，并可将其分类为多类别。

    Oct, 2022

  • 预防性维护调查：系统、目的和方法

    本文通过系统架构、目标和方法等方面，全面综述了预测性维护（PdM），并从知识、传统机器学习（ML）和 DL 等三个主要方面分类回顾了 PdM 系统中的故障诊断和预测方法，提出了重要的未来研究方向和目标。

    Dec, 2019

  • 基于数据驱动方法的工业旋转机器多故障诊断研究：二十年研究综述

    本文旨在利用 PRISMA 的方法对使用数据驱动的方法提高冷轧机多故障诊断的工业旋转机器进行系统文献综述，涉及传感器选择、数据获取、特征提取、多传感器数据融合等方面，探讨人工智能技术的应用及其面临的主要挑战和研究空白，并提出了未来研究的方向。

    May, 2022

  • 工业预测性维护的综合研究：基于分类模型和 LSTM 模型

    在当今技术驱动的时代，预防性维护和高级诊断的必要性不仅限于航空领域，还包括对旋转和移动机器中损坏、故障和操作缺陷的识别。实施这些服务不仅可以降低维护成本，还可以延长机器的使用寿命，确保更高的运营效率。此外，它还可以预防潜在事故或灾难事件。人工智能的出现已经在各个行业中彻底改变了维护工作方式，实现了对机器故障的更准确、更高效的预测和分析，从而节约时间和资源。我们提出的研究旨在深入研究各种机器学习分类技术，包括支持向量机（SVM）、随机森林、逻辑回归和基于卷积神经网络 LSTM 的方法，用于预测和分析机器性能。SVM 根据数据在多维空间中的位置将其分类到不同类别，而随机森林采用集成学习来创建多个决策树进行分类。逻辑回归使用输入数据来预测二元结果的概率。本研究的主要目标是评估这些算法在预测和分析机器性能方面的性能，考虑准确性、精确度、召回率和 F1 分数等因素。研究结果将帮助维护专家选择最适合的机器学习算法来有效预测和分析机器性能。

    Mar, 2024

  • 工业厂房智能状态监测：方法概述与不确定性管理策略

    通过对工业系统的智能化监测和故障检测诊断方法进行综述，本文讨论了针对 TEN 东姆过程这一开放源码基准的工业装置监测、故障检测和诊断中最常用和最先进的深度学习和机器学习算法，并分析了每种算法的优缺点。同时，该研究比较了利用 TEN 东姆过程的不同算法的准确性和规格。

    Jan, 2024

  • 使用马尔可夫决策过程优化工业机器的任务分配和预测维护

    本文提出了一种分布式决策方法，用于制造任务分配和基于条件的机器健康维护，并基于马尔可夫决策过程设计决策代理，以处理决策过程中涉及的不确定性。通过数值案例研究，证明该方法具有灵活性和实用性，并可以用人工智能学习成本参数。

    Jan, 2024

  • 基于异动检测的感应电机预测性维护模型：一种使用实时物联网数据的机器学习方法

    通过物联网设备获取工业设备退化现象的数据，并设计数据驱动模型进行异常检测，为建立预测性维护策略提供初步步骤。在研究中，通过组合低计算成本的预处理技术和机器学习模型，展示了一个用于泵、压缩机、风扇和其他工业机器中感应电机的异常检测系统。利用快速傅里叶变换 (FFT)、小波变换 (WT) 和分箱等预处理技术从原始数据中提取特征，通过多目标优化和分析选择表现最佳的模型，并验证了终端到终端的解决方案。

    Oct, 2023

  • 监控机器学习模型：在线检测相关偏差

    该研究提出了一种序列监测方案，通过考虑测量模型质量的时间依赖性，减少不必要的警报并解决多重测试问题，从而在检测模型质量相关变化方面优于基准方法。此研究为在动态环境中区分小幅波动和有意义的模型性能退化提供了实用解决方案，确保机器学习模型的可靠性。

    Sep, 2023

  • 利用不完整数据的状态监测：一种集成变分自编码器和距离度量框架

    通过零样本学习方法，本文提出了一种新的故障检测和状态监测方法，可以在没有故障样本的情况下，对工业系统进行可靠的故障检测与健康状况评估。通过使用变分自编码器捕捉先前观察到和未知条件的概率分布，在隐空间比较每个样本与正常操作的参考分布的偏差，建立健康指数的阈值，能够高准确度地检测严重的未知故障，从而提升工业领域的故障检测能力，增强安全性和优化维护实践。

    Apr, 2024