我国工业呈现规模化、复杂化和集成化的趋势,其中机械设备的长期、稳定、高效运行是工业快速发展的关键。机械设备长期工作容易出现故障导致突然停机,降低工厂的经济效益,甚至对人的生命安全造成威胁,所以机械设备故障检测对于我国工业的发展和经济效益的提高有着重要的意义。现阶段的常见故障检测方式主要是人工检测和振动监测,人工检测巡检周期长、不能及时发现故障、主观性强,振动检测对检测装备的安装要求较高。因为机械设备发生损坏时声音会发生改变,并且声信号的采集方式为非接触式,方便安装,所以声信号逐渐被应用于机械设备的故障检测领域。基于声信号的故障检测技术能及时发现机械设备的故障,及时维修,降低经济损失。从机器学习和深度学习两个方面综述了机械设备故障检测领域的国内外研究进展,并且提出了基于声信...

智能检索系统具有语义检索功能和布尔检索功能,具备很强的语义排序能力。基于输入语句的实际意思,语义检索能够展开机器学习,对语义之间和文档之间的关联性进行计算,并且根据文献的相似度大小进行排序。智能检索系统基于语义基准将显示20个英文词和中文词及其权重。当语义分词明显不准确时,可以进行删除,而明显缺失某个重要特征时可以进行添加,还可以提高它的权重,检索结果将更偏向关注的技术特征,可以提高对比文件筛出效率。先语义检索后布尔筛选,是在语义检索结果的基础上进行布尔限定,可以进一步缩小结果范围。先布尔检索后语义排序适用于检索要素不易于提取和表达的情况,不受限结果数量。作为专利审查中的主要检索系统,通过实际审查领域来制定检索策略可以明显提高检索质量和效率。

神经网络是一种类似于人类神经系统的人工智能模型,利用神经网络可以对传统的监测数据进行组合和筛选,以提高故障检测的准确度。为提升液压机状态监测系统的故障评估性能,利用基于神经网络的机器学习方法的优势,提出一种设备状态监测解决新方案。对大量数据进行神经网络模型训练及特征提取,从而实现对液压机监测系统故障的准确识别。

液压系统作为一种重要的工业控制系统,在机械设备中具有广泛的应用。本文旨在介绍一种基于机器学习的液压三位四通阀故障诊断与预测方法,并通过实验验证和分析来评估其性能和有效性。首先,阐述了液压系统的重要性及液压三位四通阀的作用,再对液压三位四通阀的工作原理及故障进行分析,其次对数据集进行准备和预处理,以提高模型的准确性,选择合适的机器学习模型进行训练,并使用合适的评估指标来评估模型的性能。最后,进行对比实验与结果分析,以验证该方法的有效性。通过本研究,我们将为液压系统的故障诊断与预测提供基于机器学习的新方法,为实际应用中的液压设备维护和故障排除提供技术支持和决策依据。

针对传统风洞试验、数值模拟等方法计算噪声值费时长、资源消耗大等问题,提出一种基于机器学习的气动噪声预测方法。以后视镜特征参数为数据集输入,对不同特征参数下的后视镜模型进行瞬态流场与声场联合仿真,将计算得到的总声压级值作为数据集输出,分别用不同数量的样本数据训练支持向量回归机,通过建立的预测模型对同一测试集进行预测得到总声压级预测值。结果表明,基于支持向量回归机的预测方法能得到与计算值误差较小的预测结果,在较少样本数据支撑下也具有较高的预测精度,可用于汽车后视镜气动噪声的预测。

高速开关阀以其结构简单、响应速度快、抗污染能力强、稳定性好等优点得到了广泛的应用。水液压高速开关阀的工作介质黏性低,更容易因性能退化发生故障。提出了一种基于机器学习的水液压高速开关阀性能退化状态识别及退化趋势预测方法。搭建了高速开关阀性能测试试验台,将电流信号的变化作为高速开关阀的性能退化指标。根据高速开关阀性能退化程度,将其退化状态定义为正常期、退化期和严重退化期3个阶段。采用BP神经网络(BPNN)方法对高速开关阀的退化状态进行了识别,并采用粒子群优化长短期记忆模型(PSO-LSTM)方法对高速开关阀的退化趋势进行了预测。使用高速开关阀的性能退化试验数据对提出模型的有效性进行了检验,结果表明该方法具有较高的预测精度。

变速变排量液压驱动单元是一种泵控液压驱动单元,可以通过改变电机转速和泵排量调整其输出流量,提高输出流量和液压执行器需求流量的匹配程度,同时提高电机和液压泵的能效。文章针对变速变排量液压驱动单元能效模型存在难求解和不精确的问题导致相应节能控制策略难以实现的情况,基于机器学习算法提出一种能耗建模方法,实现驱动单元的能耗预测;基于实验平台采集的能耗数据,采用6种独立的机器学习模型(岭回归、支持向量机(support vector machine,SVM)、随机森林、梯度提升决策树(gradient boosting decision tree,GBDT)、极端梯度提升(extreme gradient boosting,XGBoost)、逆向传播神经网络(back-propagation neural network,BPNN))和1种堆叠模型进行能耗建模,并采用均方根误差(root mean squared error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和决定系数R^(2)对模型进行评...

为提高3D打印技术填充过程中填充路径对填充轮廓几何特征的适应性,提出一种基于SVM的多边形轮廓分类方法。分析与填充轮廓相关的可测变量多边形的圆度、面积/周长比、锐角占比;利用机器学习方法建立SVM模型,对多边形类型进行分类预测。该方法可以避免逐一分析复杂的几何学参数,并且可高效、准确地对待填充轮廓进行自适应路径选择。结果表明:利用该方法可以取得良好的分类效果,模型预测精度达到90%以上,基本满足实际加工要求。

基于机器学习故障诊断方法,针对船用滚动轴承复合故障特征提取多样化的特点,提出一种以振动信号时域指标为特征的随机森林故障诊断方法。将振动时域信号进行清洗转换,构造5个量纲一化指标的衍生特征,并选取以决策树为基本分类器的随机森林算法建立训练模型;通过特征筛选、评估测试和模型优化得到较为理想的故障诊断分类模型;采用滚动轴承竞赛数据集进行模型仿真,并结合实际模拟8种船用滚动轴承故障状态。通过三向振动实验和算法建模,证明特征提取的科学性和故障诊断模型的有效性。结果表明:采用该方法,数据仿真诊断准确率为98.61%,实验诊断准确率为98.85%,且该方法在振动采集方向为轴向时诊断效果最优。

针对伺服系统中常用的比例-积分-微分(PID)控制器的参数手动整定不方便的问题,对机器学习算法和模糊控制进行研究,重点分析反向传播(BP)算法和模糊控制器的设计方法,提出一种基于机器学习和模糊控制的PID参数整定方法。利用BP神经网络的学习能力得到系统模型,结合模糊控制进行预测得到PID参数,并在实验平台上进行验证。研究结果表明:通过机器学习和模糊控制得到的PID参数具有较好的控制效果,该方法能够避免手动整定PID参数,节省大量时间。