基于深度学习的煤矿机电设备状态监测方法

为降低煤矿机电设备检测的漏警率,提出了基于深度学习的煤矿机电设备状态监测方法。以分布函数表示样本分布,建立模糊分类集,获取煤矿机电设备状态信息,利用深度学习提取状态监测的特征向量集合,进而拟合设备状态信息,实现分组式监测。实验结果证明,研究的漏警率在0.2%以内,且多数漏警率的数值为0,可及时、准确地预警异常状态。

基于集电极漏电流的IGBT健康状态监测方法研究

提出一种采用IGBT集电极漏电流对其芯片性能退化进程进行监控的健康状态监测方法。基于IGBT基本结构、半导体物理和器件可靠性物理学,对IGBT电气特征量——集电极漏电流的产生机理、运行规律与性能退化机理进行详细分析,查明了其随性能退化应力水平和施加时间的变化规律。在此基础上,通过将理论分析与解析描述相结合,建立针对IGBT芯片性能退化的集电极漏电流健康状态监测方法。仿真和实验结果验证了该方法的正确性与准确性。该方法对于实现IGBT芯片性能退化进程监控具有一定的理论意义和应用价值。

传感器在智能设备状态监测中的应用研究

在智能设备状态监测领域,传感器的应用被视为一个新的研究方向。在传统的设备状态监测方法中,通常只侧重于状态信息的处理,而忽略了对设备运行特征的针对性分析,这在一定程度上影响了状态监测的准确性。为了探讨将传感器应用于智能设备状态监测中的应用问题,以提高监测的准确性和可靠性。该文在数据采集方面,提取智能设备的电流信号时域特征,并从电流信号的角度出发,对设备运行状态进行了针对性的分析。通过传感器的实时监测和信号数据处理,建立了智能设备状态在线监测系统,以保证设备状态监测的可信性和精度,从而实现对智能设备运行状态的准确监测。在验证实验时,采用对比实验的方法,证明该监测方法的效果更佳,具有广泛的实际应用前景。该监测方法可以有效地提高智能设备状态监测的可靠性和准确性,说明采用传感器进行设备状态监测是一种可行和有效的方法,值得在未来的研究中应得到更多的关注和重视。