摘要：井下采煤机结构复杂、工况环境差,容易出现各类故障,且处置难度较大。针对MG1000/2500-WD型采煤机截割部齿轮故障诊断需求,结合卷积神经网络的故障特征提取原理,设计了DCNN故障预测模型,并实施了数据训练及模型测试。测试结果表明:预测模型的故障甄别准确率达到98.17%,故障训练值与标准值的准确率达到99.13%,故障预测具有较高的可靠性,实现了预期的研究目的。

摘要：井下采煤机结构复杂、工况环境差,容易出现各类故障,且处置难度较大.针对MG620/1660-WD型电牵引采煤机滚动轴承故障诊断需求,结合EEMD振动信号预处理及降噪原理,设计了基于深度学习的故障预测模型,并实施了数据训练及模型测试.测试结果表明,预测模型的故障甄别准确率达到96.8%,故障预测具有较高的可靠性,实现了预期的研究目的.

摘要：工程机械在日常使用中容易出现故障,因此开发一种高效的故障预测模型对于提高工程机械的可靠性和安全性具有重要意义。文章研究基于深度学习技术,提出了一种新的工程机械故障预测模型,在概述深度学习技术的基础上提出工程机械故障预测模型的构建要点,包括数据获取与处理、模型选择及模型调优,并对基于深度学习的工程机械故障预测模型进行设计与优化,探讨了这一模型未来的发展趋势和研究方向。

摘要：井下采煤机结构复杂、工况环境差,容易出现各类故障,且处置难度较大。针对MG1000/2500-WD型采煤机截割部齿轮故障诊断需求,结合卷积神经网络(CNN)的故障特征提取原理,汾西矿业集团设备修造厂设计了深度卷积神经网络(DCNN)故障预测模型,并实施了数据训练及模型测试。结果表明,预测模型的故障甄别准确率达到98.17%,故障训练值与标准值的准确率达到99.13%。

摘要：针对医疗设备智能综合管控系统在临床实践中日益凸显的若干缺陷,提出了一种基于改进深度信念网络的医疗设备故障预测模型。采用改进深度信念网络算法自动提取医疗设备故障信号的深层特征,利用多层受限玻尔兹曼机堆叠生成故障概率预测机制,实现医疗设备故障的精准预测。通过对模型开展工程评估应用实践,得出模型具有医疗设备运维信息感知全面、医疗设备动态变化适应性强、故障预测自主决策性高等优势,医疗设备故障识别均值有效率达到93.11%,主动预测均值精确率达到90.37%。

摘要：为实现现代武器装备故障预测与健康管理技术,需要对故障预系统实现技术进行了研究;建立了针对某型装备故障预测需要的软硬件平台,从状态检测系统设计、故障预测系统设计等方面进行了研究,并分析了故障预测模型的适应性;文章的研究为建立基于PHM思想的电子装备故障预测系统奠定了基础,该系统已经在某型装备故障预测中进行了应用,其研究成果还可以应用于装备寿命预测技术,为实施装备延寿工作提供信息支持。

摘要：目前PHM技术存在应用范围小,适用技术开发少的问题,限制其在普通民用设备中的推广应用,为扩大PHM技术的应用范围,提高复杂系统的经济可承受性,在深入研究PHM技术的概念和内涵的基础上,针对复杂系统的具体特点,分析了PHM技术推广应用的重大意义和存在问题;通过归纳总结,得出PHM应用于复杂系统的方法和流程,从建模角度提出基于PHM的故障预测模型设计的基本思路,为复杂系统的开发研制和维修保障应用PHM技术提供理论基础和支持。

摘要：通过深入研究PHM技术的概念和内涵,分析了构建机载模块BIT设计及故障诊断系统的基本条件,提出了在现有机载模块和地面故障检测系统的基础上,构建机载模块BIT设计及故障诊断系统的具体构架。通过分析总结,从建模的角度提出基于PHM的故障预测模型设计的思路,结合机载模块BIT设计及故障诊断的方法及流程,为机载模块及的在线测试、产品测试性和维修性工作提供理论支持。

摘要：随着移动网络规模增长,网络维护工作量持续增多,基站的硬件故障处理占整体维护工作量的比重不断攀升。基站硬件故障除受硬件自身质量的影响外,基站所在地的气候、部署条件、机房环境和运行年限等因素也是影响基站故障的重要原因。本文基于基站故障的统计数据,采用深度神经网络算法建立了一种硬件故障预测模型。采用该硬件故障预测模型,针对2022年基站硬件故障统计数据,98.59%的样本预测故障率与真实故障率误差小于1%。所构建的深度神经网络模型考虑了气温、降水量、室内/室外条件、电力条件和入网年限等环境因素,具备一定的泛化能力,可用于全国地市的基站硬件故障率预测。

摘要：故障诊断系统是机械臂不可或缺的关键系统,针对机械臂故障诊断的非线性时变特性导致故障诊断效率下降的问题,在机械臂系统结构基础上,构建机械臂故障预测模型,输出故障特征比对后的故障残差统计信息,设计基于诊断规则推理机的专家系统,并借助AMESim硬件在环故障注入平台构建了实验环境,通过注入不同故障信号,模拟机械臂的多样故障,实验数据分析证明,设计的故障诊断专家系统能够高效地准确地检测出机械臂的故障。