本章介绍了系统 BIOS SETUP设置错误造成的故障和处理方法,重点分析了DOS和 WINDOWS系统的引导故障、系统维护和故障排除方法。 15.1os利 CMOS Setup程序的故与维护 15.2D系统故障与维护 15.3ms- -Windows9x系统故障与维护

滚动轴承局部故障振动信号中的周期性冲击是识别故障的关键特征.形态分量分析在由多种形态原子组成的过完备字典基础上提取信号中的不同形态成分,基于这种思想提出了一种基于新型过完备复合字典的形态分量分析方法.依据滚动轴承故障振动信号中分量间的形态差异性,改进字典后该方法可以更具针对性地提取出包含故障特征的冲击分量,配合包络谱分析准确提取故障特征频率,诊断滚动轴承局部故障.对比基于快速谱峭度法的轴承故障诊断方法,该方法可以避免人为选择共振带产生的不准确性和非最优问题,提高了故障诊断效果.通过轴承仿真信号和故障实验信号分析验证了该方法的有效性

本章介绍了微机硬件系统的维修方法和各主要部件的常见故障分析,本章精选了大量典型的硬件故障实例,描述了它们的故障现象及分析和排除方法。 14.1硬件故障与维修简介 14.2主板的常见故障与维修 14.3CPU内存的常见故障与维修

针对滚动轴承的内圈、外圈和滚动体故障提出了一种新的诊断方法,该方法融合了集总经验模态分解(EEMD)、形态谱和支持向量机(SVM)三种方法的优势.首先,利用经验模态分解对滚动轴承故障振动信号进行分解,得到若干个具有物理意义的内禀模态分量(IMF);其次,基于最大能量法筛选出含有故障特征信息最丰富的一个内禀模态分量为故障诊断数据源;再次,对数据源在选定尺度范围内进行形态谱的提取,从而构造故障特征向量;最后,利用支持向量机对滚动轴承的三种故障进行诊断.研究结果表明,该方法能够有效地诊断出滚动轴承的三种故障,且具有很高的故障诊断正确率

针对大型齿轮箱低速轴故障信息难以提取的问题,采用小波分析方法对故障数据进行处理以实现信号在时/频域的局域性分析,将其无冗余、无泄漏地分解到一组具有紧支撑性的小波基上.文中采用小波分层突变系数作为判别故障隐患的特征值,并对该特征值进行趋势分析.结果表明:小波变换能有效捕捉冲击信号的时域特征和故障发生的时间历程,用小波分层突变系数所做的趋势图能有效地预测故障发展趋势,避免突发故障

提出了一种基于特征波形稀疏匹配的滚动轴承故障模式识别方法.该方法通过自行设计的搜索算法从信号中提取多段特征波形,并对其进行学习优化,以优化后的特征波形作为基原子模型生成原子库及模式匹配库.将待识别信号在模式匹配库上进行一阶匹配分析,实现轴承故障的模式识别.对正常轴承、滚动体故障、内圈故障和外圈故障信号进行实验,验证了方法的有效性和鲁棒性

3.1 微机故障的特点 3.2 微机启动过程分析【重点】 3.3 死机故障分析【重点】 3.4 运行速度降低故障分析 3.5 随机性故障分析 3.6 开关机故障分析

在实际工作中，电脑有许多故障非常不容易处理。这类故障不容易彻底排查，经 常反复出现。例如有时在对相关部件进行检测时并不能发现问题，测试其性能全 部都正常，但是安装在一块使用时就经常出现问题。由于这些故障表现也不在《微 型计算机商品修理更换退货责任规定》附表 II 的性能性故障所列范围之内，处 理起来手续非常繁琐，不但影响用户的正常使用，也让电脑公司头疼不已。现在 笔者就把一些经常出现的故障举例说明

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

针对滚动轴承故障精密诊断的需要,采用小波包分析方法提取了滚动轴承故障的特征信号,通过小波包分析将高频信号分解到8个频带中,以频带能量作为识别故障的特征向量,应用RBF径向基神经网络建立了从特征向量到故障模式之间的映射,现场采集的数据分析表明,采用小波包和神经网络相结合的方法可以比较准确地识别滚动轴承的故障