状态识别
状态识别的相关文献在1989年到2023年内共计940篇,主要集中在自动化技术、计算机技术、机械、仪表工业、电工技术
等领域,其中期刊论文419篇、会议论文40篇、专利文献337510篇;相关期刊271种,包括北京科技大学学报、噪声与振动控制、组合机床与自动化加工技术等;
相关会议40种,包括2016年全国设备监测诊断与维护学术会议、第十五届全国设备故障诊断学术会议、第十七届全国设备监测与诊断学术会议、2016年全国设备诊断工程会议、2014年全国设备监测诊断与维护学术会议、第十六届全国设备监测与诊断学术会议、第十四届全国设备故障诊断学术会议暨2014年全国设备诊断工程会议、中国造船工程学会修船技术学术委员会2014船舶维修理论与应用学术年会等;状态识别的相关文献由2579位作者贡献,包括凌云、郭艳杰、刘冠军等。
状态识别—发文量
专利文献>
论文:337510篇
占比:99.86%
总计:337969篇
状态识别
-研究学者
- 凌云
- 郭艳杰
- 刘冠军
- 邱静
- 曾庆虎
- 曾红兵
- 李宏坤
- 谢锋云
- 郑德玲
- 陈刚
- 周维龙
- 孔玲爽
- 李伟
- 李健
- 胡雄
- 何庆飞
- 侯会文
- 刘剑
- 孟国营
- 崔金辉
- 张晓阳
- 张海涛
- 张磊
- 李大为
- 李小波
- 李栋
- 李正强
- 李焦宇
- 李立明
- 杜岩
- 汪爱明
- 王兵
- 王嘉瞳
- 王宁
- 王林
- 王磊
- 程晓涵
- 翟宇
- 聂鹏
- 肖会芹
- 胡静
- 范顺昌
- 贺凯
- 赵巍
- 邴连喜
- 金海
- 何慧灵
- 何湘峰
- 冉文方
- 冯春雨
-
-
齐建军;
郭锐;
薛勇;
王黎沁;
金光俊;
石月
-
-
摘要:
轴向柱塞泵是液压系统的动力元件,其健康状态影响着整个液压系统的性能。磨损是轴向柱塞泵典型的渐进性故障,因此该文针对轴向,在磨损加速寿命实验的基础上,提出了一种基于流场分析轴向柱塞泵磨损退化状态识别方法。首先,对轴向柱塞泵配流副的磨损泄漏机理进行理论分析,通过有限元法计算得到配流副油膜厚度,将其作为柱塞泵内部流场模型的边界条件;其次,采用动态网格技术对轴向柱塞泵内部流场进行仿真模拟,从不同压力、转速、磨损间隙这三个角度,对柱塞泵性能退化进行仿真分析;最后,通过实验对仿真结果进行了验证。结果表明,该方法能够识别六种被试样本的磨损退化状态。研究结果不仅为磨损退化的研究提供了解决方案同时也为柱塞泵的预测性维护提供了强有力的技术支持。
-
-
彭跃辉;
武艳蒙;
王岩妹;
魏稼鹏
-
-
摘要:
针对断路器弹簧机构机械特性监测及状态识别系统普遍存在监测类型不全、特征值提取单一、判断标准太过绝对等问题,文中提出了基于小波及半监督学习的多特征分析的断路器弹簧操动机构机械状态识别新方法。通过感知元件对分合闸线圈电流、动触头位移等信号进行采集,采用小波算法对信号进行滤波处理,分析断路器弹簧操动机构的分合闸线圈电流、动触头位移等信号与断路器异常状态之间的对应关系,提取特征值,建立半监督学习多分类网络模型,实现断路器弹簧操动机构故障的机械特性监测及状态识别。实验结果验证了此方法具有较高的诊断正确率,对断路器的健康运营具有重要意义。
-
-
杨军;
刘鹏鹏;
漆玉龙;
胡仲明
-
-
摘要:
水工金属闸门是水利工程中的关键设备,其运行状态优劣直接影响到整个水利工程,甚至引起安全事故。提出一种基于振动信号分析的水工金属闸门状态识别方法,采用集合经验模态分解(Ensemble empirical mode decomposition,EEMD)对水工金属闸门产生的振动信号进行自适应分解,获得一系列易于分析的本征模态函数(Intrinsic mode function,IMFs),采用功率谱熵对各IMFs进行特征量化,获得能够表征水工金属闸门状态的状态特征向量,进一步结合自适应神经模糊推理系统(Adaptive neuro-fuzzy inference system,ANFIS)实现水工金属闸门状态识别。通过数据验证分析,证明所采用的基于振动信号分析的水工金属闸门状态识别方法具有较好效果。
-
-
代煜;
王景港;
曹广威;
张建勋;
贾宾
-
-
摘要:
易变形结构在钻削过程中因受力而产生形变,不能根据刀具的钻削距离判断刀具所处状态。钻削过程中刀具切入易变形结构不同的位置会产生不同幅度的振动,通过对加速度传感器采集到的振动信号进行快速傅里叶变换(fastFouriertransform,简称FFT),将钻削过程分为5个状态。通过计算系统基频整数次谐波分量幅值的变异系数,选取部分谐波分量的幅值作为特征量进行阶段监测。选用线性转换和对数转换相结合的方式实现输入数据的归一化,输入到支持向量机与多层前馈(backpropagation,简称BP)神经网络进行钻削状态分类。实验表明:支持向量机在所有钻削状态的识别准确率在85%以上,部分钻削状态的识别准确率达到了100%;BP神经网络分类器的识别准确率略低于支持向量机。根据所识别的状态控制刀具在即将钻透时停止,测量易变形结构剩余厚度验证了该方法的精确性。
-
-
武滢
-
-
摘要:
为实现在正常生产条件下进行刀具磨损的长期在线监测,提出了基于主轴电流信号和粒子群优化支持向量机模型(PSO-SVM)的刀具磨损状态间接监测方法。首先对数控机床主轴电机电流信号进行分析,将与刀具磨损相关的主轴电流信号多个特征参数和EMD能量熵进行特征融合作为输入特征向量;其次,通过粒子群寻优算法(PSO)对支持向量机模型(SVM)参数进行优化,建立基于主轴电流信号融合特征和PSO-SVM理论的刀具磨损状态识别模型;最后,通过实验采集某立式加工中心主轴在刀具不同磨损状态下电流信号进行验证,并与传统SVM模型、BP神经网络模型进行了对比分析。结果表明,所提出的方法具有较高的准确率和较好的泛化能力。能够实现正常生产条件下对刀具磨损的长期在线监测。
-
-
史可鉴;
陈刚;
吴建军;
王刚;
代子阔;
齐海星
-
-
摘要:
配电网线路运行维护过程中,由于单相接地故障特征波识别方式的差异,使得线路单相接地故障诊断的准确率较低,无法满足电力系统工作需求。提出基于行波信号注入的配网线路单相接地故障状态诊断方法。通过故障录波装置获取故障特征数据,构建故障波形特征库;采用高压脉冲信号源作为行波信号注入源,并分析脉冲源控制回路;根据行波信号反射结果,应用小波变换算法识别线路故障特征波;根据特征提取结果,计算特征空间的欧式距离,完成配网线路单相接地故障状态诊断。实验结果表明:与当前诊断方法相比,所提方法既有效提高了单相接地故障诊断的准确率,又提升了电网线路故障诊断的整体水平。
-
-
杨小琴;
朱玉全
-
-
摘要:
为提高实验室设备状态远程监测效率,提出手机智能终端的实验室设备状态远程监测方法。通过振动仪采集设备振动信号,经小波包变换去噪处理后,利用经验模态分解提取振动信号特征,经信号特征匹配识别出设备运行状态,将设备运行状态传输至手机智能客户端,实验室管理员可通过手机智能终端界面远程查看监测结果。实验结果表明,该方法的监测精度高、平均误差低、数据上传速度快、监测效率高,能够大大降低实验室的管理成本,提升实验室设备管理效率。
-
-
周利军;
刘聪;
权圣威;
曹伟东;
项恩新
-
-
摘要:
为解决高速动车组车载电缆健康状况的智能化诊断受限于天窗期短的问题,该文提出一种基于点对称(SDP)的乙丙橡胶(EPR)电缆终端缺陷局部放电诊断方法。首先,搭建局部放电试验平台获取局部放电信号;然后,提出一种车载电缆局部放电信号的SDP参数确定方法,并基于SDP变换将不同类型缺陷局部放电信号映射到极坐标系中形成SDP图像;最后,对比三种常见的深度学习网络——卷积神经网络(CNN)、栈式自编码器(SAE)及深度置信网络(DBN)提取不同类型缺陷的SDP图像深层特征,并基于网络尾端Softmax分类器进行识别。结果表明:针对四种典型的电缆缺陷,DBN网络与SDP图像的结合效果最佳,缺陷识别率达到了96.1%,相比于传统诊断方法,识别准确率提高了10%左右,由此验证了通过深度学习算法自适应提取SDP图像特征的方法,可有效应用于电缆缺陷诊断领域,具有较好的工程应用前景。
-
-
张钧俨;
李文华;
陈先国;
何浩
-
-
摘要:
航标维护是航道巡查工作的重要部分,自数字航道运行后,视频监控几乎覆盖了航道的所有关键河道,因此,该项工作方式也应该得到升级和转变。文章对夜间监控视频进行分析,通过对视频取帧差的方法,将航标灯与背景分割,从而实现定位;并统计其亮灭的时间序列,对航标灯进行分类识别,进而判断其工作状态是否正常。与传统作业相比,该方法充分利用了视频监控信息,在理想状态下,能大幅减少人为巡检的工作量,也改变了以往只能在现场进行巡检的工作方式,基本满足随时查看的需求,节省了人力、物力,具有较好的效用;为更好地实现数字航道下航道巡查提供建议。
-
-
张青山;
张思岩;
肖萌;
徐伟
-
-
摘要:
伴随大数据技术和智能制造的快速发展,生产设备的预知维修及多台设备的联合维修决策已成为工业制造业企业备受关注和亟待解决的现实问题。而服役设备剩余寿命的精准预测,又是预知维修决策和联合维修决策的前提。对已有设备寿命预测方法进行比较分析,将隐半马尔可夫模型加以拓展,结合伽马分布,构建设备状态监测数据驱动的剩余寿命预测模型G-AHSMM,给出求解方法,并基于某涡轮发动机的状态监测数据进行验证分析。结果表明:预测模型不仅规避了以往“状态观测值之间相互独立”的不实假设,而且相比传统HSMM具有更高的现实拟合性、求解简捷性和预测精准性,可作为企业预测服役设备剩余寿命的有效工具。
-
-
-
ZHOU Yuqing;
周余庆;
GAO Chen;
高晨
- 《2016年全国设备监测诊断与维护学术会议、第十五届全国设备故障诊断学术会议、第十七届全国设备监测与诊断学术会议、2016年全国设备诊断工程会议》
| 2016年
-
摘要:
针对刀具损伤状态的识别问题,以提高刀具故障状态的识别精度为目标,结合信号处理和统计分析技术,提出了一种KPCA-Chi2数控铣床刀具损伤状态识别方法.首先,采用激光测振仪提取数控铣床运行状态下的振动时域信号.然后,选取振动信号时域和频域分布的8个统计特征参数,基于核主成分分析对特征参数进行降维融合,获得反映铣床刀具故障特征的时频主成分.在此基础上,构建时频主成分的Chi-2统计量,建立刀具损伤特征分布图,为刀具损伤状态的识别提供图形化参考.实验表明,本文提出的方法能够直观有效地识别刀具不同故障状态.
-
-
殷浩;
刘秀红;
朱雷雷
- 《2016江苏省公路学会学术年会》
| 2016年
-
摘要:
交通运输部《公路网运行监测与服务暂行技术要求》对交通运行数据监测、指标体系和公路出行信息发布提出了明确要求,本文针对这一要求,在分析"两客一危"车辆运行特征的基础上,通过设计数据清洗和计算方法、补充和调整判定阈值信息,探讨了"两客一危"重点营运车辆实时卫星定位信息在公路网运行状态识别中的应用,并在江苏省公路网进行了初步实践,具有一定推广价值.
-
-
-
王宁;
孙树栋;
李淑敏;
蔡志强
- 《第二届中国业务过程管理大会》
| 2012年
-
摘要:
针对设备运行状态识别与故障预测问题,提出一种基于时变转移概率的隐半Markov模型.该模型将设备历史运行信息融入Markov状态转移概率矩阵的估计过程中,使Markov状态转移概率矩阵具有时变特性.基于改进前向后向算法研究了相应的隐半Markov模型参数估计方法,使其能够不断综合利用历史运行信息进行自我更新,以更加符合设备真实运行的过程.同时以该模型为基础,利用故障率方法建立了对设备剩余使用寿命进行预测的基本步骤.通过某滚动轴承运行状态识别实例演示了该模型的建模过程,证明了基于该模型的设备状态识别与预测方法比传统隐半Markov模型方法更为有效.
-
-
杨建明;
李思亮;
苗矿伟;
朱莎;
郭鹏程
- 《第四届中国风电后市场专题研讨会》
| 2017年
-
摘要:
本文提出一种将现有主流风机SCADA状态信息和IEC信息分类标准整合,最终实现计算能量可利用率的算法解决方案,包含了机组状态分类,IEC信息分类,以及潜在产能等方面.机组状态分类可有效解决在自身SCADA状态信息缺失下如何获得满足本文后续计算要求的状态分类.IEC信息分类通过规则映射可以将这一过程程序化实现,并可通过修改映射关系或者利用专家经验人工修改结果.潜在产能计算采用KNR方法比常规方法可以降低约80%的平均绝对误差.
-
-
李宏坤
- 《第十二届设计与制造前沿国际会议(ICFDM2016)》
| 2016年
-
摘要:
通过深入了解本学科在国内外的发展状况,在信号特征提取方法、图像识别方法、可靠性评估方法、试验台搭建以及方法应用等五个方面进行展开了深入研究.研究基于微弱特征增强的时频图像构建方法,使得信号中的微弱冲击信号得以增强.在此基础上进行特征提取方法、状态识别方法研究,建立基于状态空间模型的可靠性评估方法与寿命预测方法,并通过试验台与现场试验得以验证.探索了一条基于时频图像的状态识别与可靠性评估方法.
-
-
刘享明;
潘古炎
- 《中国造船工程学会修船技术学术委员会2014船舶维修理论与应用学术年会》
| 2014年
-
摘要:
大数据时代,基于大数据监测技术的在线监测诊断是装备监测诊断的一个发展方向,本文介绍了大数据的概念及其特点,对基于大数据监测技术的在线监测诊断进行探讨,即通过对检测设备的有关参数进行分析,从而对设备的运行状态、故障原因、部位和趋势做出判断。该技术具有实现闭环监控、智能化、具备远程监控诊断功能等特点。目前设备的状态识别技术比较成熟的技术主要有主分量分析法、聚类分析法、贝叶斯分析法和时序模型诊断法,随着大数据时代的到来,人工智能的发展,基于大数据监测技术的在线监测诊断中运用人工神经网络、专家系统等人工智能方法进行设备状态识别将是一个发展方向,这些方法都需要运用过去的经验,也就是都需要将大量的历史数据作为依据进行设备故障的预判,是大数据监测技术必然要用到的技术。从目前使用单位的监测现状来看,要实现大数据监测技术的在线监测仍然需要解决很多问题,如监测人员自身业务素质有待提高;要实现海上在线监测实验室的建设;但针对舰艇设备故障诊断易用且效果较好的软件和解决方案仍然很缺乏等。
-
-
-
Tang Jingeng;
唐劲枫;
LI Jinao;
李金宝
- 《2018年全国高性能计算学术年会》
| 2018年
-
摘要:
通过用户通讯数据使用情况大数据分析可以有效掌握用户的行为习惯,可为用户维系与精准营销提供高质量且可靠的参考依据.本文以移动通讯数据中的用户状态转换识别作为分析切入点,根据状态转换时间点回溯转换前单位时间内的用户行为数据以形成样本集并进行特征提取,利用特征进行机器学习建模分阶段对状态转换进行识别且在建模过程中可计算出特征衡量指标,在第一阶段对高危状态转换的识别可达84.24%的召回率与0.3的F1值(F-measure),在第二阶段对其他状态的识别可达84.58%的整体平均准确率.最后加入样本权值以调节样本种类不平衡性的影响,可在保证召回率的同时提升F1值到0.51.