基于多尺度分支融合的智能故障诊断方法

轴承作为旋转机械的关键零部件,其健康状态检测对于保证工业生产安全具有重要的作用,基于人工分析的方法已经无法满足当前大型复杂设备的故障诊断需求。随着人工智能的发展,以卷积神经网络为代表的深度学习模型逐渐成为智能故障诊断领域的主流方法,然而大多数智能轴承故障诊断模型仅仅采用单分支和单尺度的故障特征,严重限制了特征的丰富度和诊断精度。本文提出一种基于多尺度分支融合的智能故障诊断方法,采用多个并行的卷积分支提取故障信号的多尺度特征;通过特征融合将这些多尺度特征进行融合互补;最后,将融合互补后的特征进行故障诊断。实验结果表明,本文的方法可以有效地提高故障诊断的精度,对于工业设备的故障预测与健康管理具有重要的意义。

基于ECharts的设备点位分析设计与实现

设备是工厂生存与发展的重要工具,通过对设备的有效维护与管理,确保设备的完好。保持设备的良好状态是工厂能够创造一流效益的重要条件,所以工厂对于生产设备的监测尤其看重。页面在Vue的支持下采用ECharts这种图表的形式将实时检测到的设备点位值,转为直观的查看点位值的趋势,更清晰直观地传递给工厂管理者,帮助其预估设备故障发生频率及时间,为工厂的发展提供了坚实的基础。