基于深度学习的煤炭企业设备状态预测算法研究

目前很多煤炭企业的设备状态信息没有统一的设备管理方法,设备状态需要人的主观论断来进行预测,造成煤炭企业开销成本较大且设备状态无法精确的判断。近年来,深度学习具有识别精确度高,处理海量数据快的特点,在图像识别、文本分类和数据分析等大数据处理领域获得了广泛的应用。基于此,针对煤炭企业设备状态预测成本大且无法进行精确判断的问题,采用全连接神经网络的方法,对煤炭企业设备状态进行分类识别,并对设备预测的精确率和损失值进行了可视化分析。通过与经典算法SVM和决策树模型的性能对比,全连接神经网络对煤炭企业设备状态的预测准确率达到了96.74%,优于其他2种机器学习算法,并且网络模型的训练收敛速度较快。全连接神经网络在设备状态预测的应用,能够大量减少煤炭企业人力开支,具有良好的发展前景与研究价值。

决策树算法在健康监测设备自动连接中的应用

针对老年用户使用多个健康监测设备过程中每次都要手动连接智能手机的痛点,提出了通过决策树ID3算法训练用户行为模型,预测用户行为,自动连接用户将要使用的设备,还针对用户可能变化的行为习惯提出了改进决策树算法的策略。试验表明,决策树算法构建的用户行为模型,对用户的行为预测准确率较高。将决策树算法应用于预测用户将要连接的健康监测设备,并自动连接设备,提升了用户体验,降低了用户的健康监测设备使用成本。

基于FBN的设备故障预测与健康评估仿真

智能工厂设备故障分析与预测是精益生产的需求,有效地故障分析与预测对于合理地制定设备健康维护计划具有重要的指导意义。从智能工厂设备的历史故障数据出发,针对设备故障信息利用率较低,主要故障提取无代表性,各个故障对系统的交互作用体现不明显等问题,从分析某家电企业装配线单机设备的连接及工序入手,考虑连续生产工序上各单机设备故障之间的关系,提出连线生产组故障损失度作为相互关联设备故障分析指标。利用连线生产组设备故障发生率、故障损失度及产量数据、专家经验等信息,提出连线生产组设备的模糊贝叶斯网络故障预测与健康状态评估模型,进一步通过对某家电企业装配线有效数据的仿真,分析预测连线生产组设备故障,判断装配线的健康状态,达到了有效指导性维护目的。

自然补偿热力管系在设备端点附近的有效限位方式

在有端点附加位移的自然补偿管系设计中,端点附近的限位方式对端点推力值有直接影响,为有效降低管道对设备的推力,利用管系自身热变形量来吸收端点附加线位移,本文探讨了端点附近的有效限位方式,并用通过实例计算对不同限位方式所产生的端点推力进行比较,以选择最有效的限位方式。