基于压缩机的机器中的时间序列分析:一项综述
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
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
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。
Jan, 2024
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
通过评估不同的历史数据量和预测未来时间范围,以预测系统故障的性能表现,研究发现预测窗口的大小对性能起关键作用,并突显深度学习在分类具有不同时间依赖模式的数据方面的有效性,以及机器学习在分类相似和重复模式的数据方面的有效性。
Feb, 2024
本文介绍了时间序列分析和预测的重要性,详细调查了各种用于预测的方法,包括 ARIMA、Prophet 和 LSTMs 等统计和深度学习模型,完整阐述了预处理和验证的流程。
Nov, 2022
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
基于 LSTM 神经网络的多元时间序列数据监测和故障检测,采用 Modelica 模型进行验证,引入阈值筛选机制并过滤超出操作者兴趣范围的故障。
Dec, 2016