运用人工智能(AI)理论和知识工程技术,使传统的设备故障诊断系统成为基于深知识的知识中心型专家系统。它与机械设计专家系统利用同样的对象模型及其阶层构造和性能框架,在进行设计推理,探索最优设计方案的同时,从深知识推导出诊断故障所需的因果关系,寻找设备的故障及其原因所在,从而使原本各自独立存在、独立运行的两类专家系统融成一体,形成故障诊断,机械设计综合专家系统

本文阐述了Green函数的原理。以轴承为例阐明了Green函数对设备故障的敏感性,并在以Green函数诊断轴承故障的定量标准方面进行了初步探索

为了解决齿轮故障诊断中传统的声振信号分析方法容易受到周围设备及环境噪声干扰的问题,提出了一种独立分量分析和自相关分析相结合的齿轮故障诊断方法.首先用独立分量分析分离特征信号和干扰信号,然后用自相关分析提取特征信号中的周期成分.实验结果表明,该方法可以有效地提取在强背景噪声干扰下的齿轮故障特征

以流量信号作为特征信息进行液压故障诊断,分析了液压系统中出现流量异常时的主要表现及产生原因,基于流量信号与液压系统工况之间关系的分析及CBG 2040型齿轮泵的4种故障的实验研究,指出:流量信号也是状态信息的丰富载体,利用流量信号来监测液压系统的状态及进行故障诊断是可行的、有效的

10.1 概述 10.2 远程监测与诊断系统的设计原则与基本构成 10.2.1 船舶动力机械的远程监测与诊断系统的设计原则 10.2.2 船舶动力机械的远程监测与诊断系统的基本构成 10.3 远程监测与诊断系统的监测方法与测点布置 10.4 船载监测子系统的组成及功能

5.1 机械振动基础 5.2 简易振动诊断技术 5.3 简易振动诊断的常用仪器设备 5.4 简易振动监测标准及机器状态评价 5.5 简易振动诊断的开展方法与实施 5.6 滚动轴承的简易诊断法 5.7 精密振动诊断技术

深度神经网络技术用于机械设备故障诊断展现出了巨大潜力，但繁重复杂的计算量对计算机硬件提出了严苛的要求，严重限制了其在实际工程中的应用。基于此提出一种新型的轻量级神经网络ShuffleNet，用于高速列车轮对轴承故障诊断研究。该网络模型基于模块化设计思想，包含多个高效率的ShuffleNet单元，通过运用分组卷积与深度可分离卷积技术极大改善了传统卷积操作的运算效率；同时使用通道混洗方法克服了通道分组带来的约束，改进了网络的损失精度。实验分析表明，所提网络模型可有效用于复杂工况下高速列车轮对轴承故障诊断，相比传统卷积神经网络、残差网络和Xception等当前深度神经网络模型，在保证诊断精度的同时，运行效率得到大幅提升。这为深度神经网络技术应用于工程实际，克服计算机硬件条件限制提供了一条新的途径

针对转子不平衡故障和滚动轴承微弱损伤性故障的复合故障诊断问题,提出了一种基于经验模式分解的故障诊断方法,进行复合故障的耦合特征分离和轴承损伤性故障信号特征提取研究.该方法首先通过经验模式分解将复合信号分解为若干个本征模函数(intrinsic mode function,IMF);然后通过计算各IMF与原始复合信号的相关系数确定包含故障特征信息的主要成分,除去虚假分量;最后针对主要成分中的低频成分进行频谱分析提出转子故障特征,针对主要成分中的高频成分进行Hilbert包络解调提取调制故障特征,即轴承损伤性故障特征.仿真及实验结果表明该方法的有效性和实用性

数控机床的故障有软故障和硬故障之分,所谓软故障,就足 故障并不是由硬件损坏引起的,而是由于操作、调整处理不当引 起的

通过研究柴油机高压油管在喷油过程中,产生的振动信号中包含的丰富的燃油系工况信息,发现这一信号具有分形特征,即统计意义上的自相似性,类似一种1/f噪声.利用分形理论可以将其丰富的信息浓缩于信号的功率谱指数或容量维数中,并通过分析它的功率谱指数对燃油系各种工说的敏感性,进行燃油系的不解体诊断,实例诊断表明,它是一种较好的故障诊断方法