排序方式: 共有6条查询结果,搜索用时 16 毫秒
1
1.
轴承的健康状态与设备安全可靠运行息息相关,在现代制造系统中,轴承剩余使用寿命(Remaining Useful Life,RUL)预测已成为研究热点.文中提出了通过数据增强来提取轴承衰退特征并利用卷积神经网络(Convolutional Neural Network,CNN)进行轴承RUL预测的方法.该方法首先将均方根、峰值和峰度作为时域特征,频谱分区求和(FSPS)特征作为频域特征,经过数据增强将18维时域和频域特征增加到108维,从而得到全面反应轴承退化过程的信息.通过搭建卷积神经网络(CNN),利用CNN处理高维特征的能力实现轴承RUL预测.最后,试验结果证明文中所提方法相对DNN模型、SVM模型具有更高的预测精度. 相似文献
2.
3.
4.
针对某航天制造企业车间生产现场管控方面的问题,研究开发了一套车间制造过程数据采集与智能管理系统。通过对企业生产车间需求和制造数据类型的分析,构建了车间制造过程数据采集与管理系统架构,并提出车间制造过程异构数据采集技术实现方法,保证能采集到全面、实时和准确的制造过程数据;通过建立的系统功能模型,实现对制造数据全面的分析、应用。该系统实现了为生产车间制造过程管控提供决策分析,提升企业车间生产现场监控和管理水平。 相似文献
5.
带钢表面缺陷检测是生产过程智能检测的重要任务。针对目前带钢表面缺陷检测算法效率低、实时性差的问题,本文提出了基于卷积神经网络的轻量级目标检测器。该方法以YOLOv4-tiny模型为框架,针对带钢表面缺陷检测任务的特殊性,结合了多尺度检测与空间注意力机制的优化策略,在保证检测效率的同时提高了轻量级目标检测器的精度。实验证明,所提出的改进的YOLOv4-tiny模型能够精确地检测带钢表面缺陷,平均均值精度mAP(mean Average precision)为73.29%,并且每秒帧数FPS (Frames per second)达到163,满足实际工业落地的实时性要求。 相似文献
6.
基于ANN和SVM的轴承剩余使用寿命预测 总被引:1,自引:0,他引:1
为了提高现代制造业设备的可靠性和高效性,轴承剩余使用寿命(RUL)的预测已经成为越来越重要的研究方向。提出一种基于人工神经网络(ANN)和支持向量机(SVM)的轴承剩余使用寿命预测方法。该方法首先将获取的18维反映轴承衰退的时域特征和频域特征输入到ANN模型中做特征抽取,再将输出的18维特征向量作为SVM模型的输入,进而对轴承剩余使用寿命进行预测。基于ANN和SVM融合模型方法是结合了ANN基于数据的强大特征学习能力和SVM处理小数据集的优势。运用多组轴承衰退振动信号对模型进行验证,比较实验结果表明,相比于随机森林(RFR)模型、LASSO模型、SVM模型和ANN模型,基于ANN和SVM的轴承剩余使用寿命预测方法具有更高的预测精度。 相似文献
1