基于Elman网络和ECOC-SVM的机电系统并发多故障诊断方法

在复杂机电系统多故障并发情形下,面向单一故障的诊断方法难以辅助维修人员决策,容易产生误诊和漏诊的问题。本文提出一种面向复杂机电系统多故障并发下的故障诊断方法,引入损失函数,用Elman网络对故障类型进行初判,改良结合纠错输出码与支持向量机(ECOC-SVM)的分类器设计,对Elman网络识别的故障类型进行筛选,实现可能故障原因在线推送。本文收集来自某船用发动机公司售后维修部的真实数据,针对某类型的船用发动机,以其故障诊断过程为例进行实验,验证本文提出的方法有显著优势,结果表明:本文提出的分类算法,在提高复杂机电系统并发故障的诊断效率和诊断质量方面,性能优于常用机器学习分类方法。

多故障并发下考虑部件经济相关性的串并联系统选择性维护决策方法研究

现代制造系统中大量集成机械、电子等技术的先进设备,增大了复杂系统因部件老化或故障而停机时维修决策的难度。以具代表性的复杂系统——多状态的串并联系统为研究对象,将选择性维护建模引入多状态串并联系统的非计划停机维修决策中。针对多故障并发下的串并联系统,对事后维修存在维修时长和费用限制等约束条件下,考虑部件间由于经济相关性导致的维修耗时和费用的依赖性,建立选择性维修优化模型,并将遗传算法用于模型求解中。算例结果显示,该方法能为多故障并发下的串并联系统的维修决策提供有效支持,且说明部件间经济相关性是影响维修决策的重要因素。

技术范式转换下工程经验知识迁移的眼动追踪实验研究

为实现“消化吸收再创新”这种更适应我国国情的技术进步方式,工程技术人员需要在技术范式发生转换的情境下,准确、高效地完成工程知识和经验的学习和迁移。然而,对这种工程经验知识迁移过程,尤其是其运行机制和影响因素,仍然缺乏充分研究,因而在知识管理实践中对“低质低效”的迁移过程束手无策。对此,本文基于学习迁移理论和“概念-知识”理论提出一种针对工程经验知识迁移的眼动追踪实验研究方法,并以新型增速器的概念设计为例,对影响工程技术人员知识迁移绩效的因素展开了研究。实验结果表明,个体自我导向学习意愿中的创造性构面、对固有技术范式掌握的准确度,以及对新技术范式中重要名词概念的接触程度对知识迁移绩效有正面影响;而固有技术范式掌握的完全度,以及对新技术范式中图纸和无关名词概念的接触程度对知识迁移绩效有负面影响。本实验的结果为构建技术范式转换下工程经验知识迁移机制,从知识管理实践层面提升知识迁移绩效提供了依据。

非计划停机下考虑结构相关性的串并联系统机会维修决策研究

以非计划停机下的多状态串并联系统为研究对象,假设将部件恢复至不同工作状态的维修方式有多种,建立以给定的工作状态阈值为限制条件的系统可靠度函数;同时将部件间的结构关系转换为系统维修前的拆卸序列,引入拆卸成本和拆卸时长,建立考虑结构相关性的机会维修模型。将拆卸成本和拆卸时长分别作为维修费用和耗时的组成部分,在费用和耗时有限的情况下,以系统可靠度为目标函数,决策出系统各部件的维修方式。通过案例分析表明,提出的机会维修模型能够有效决策出非计划停机下的维修活动组合。通过对比分析结构相关性对维修效果的影响,说明考虑结构相关性的维修决策模型更贴近生产实际。