机器|在数据被设备解释之前，可以通过使用前置放大器来增加信号强度人工神经网络

文章图片

文章图片

文章图片

在当前的商业生产行业中，越来越需要可以不间断工作的更高可用性设备。因此，任何类型的故障，即使是轻微的，都不能被接受，因为它会显着影响成本和生产。因此，需要对机器状态进行非常准确的监控并对机器故障进行适当的故障诊断。由于在机器出现故障后需要维护，因此机器故障诊断有了很大的改进。之后，在所有行业开始使用基于状态的维护之前，它在过去几年发展为预防性维护。

预防性维护可以定义为在机器遇到任何故障之前提供维护。另一方面，基于状态的维护可以定义为根据从目标测量中获得的数据提供维护。这种技术的效率是根据准确的诊断策略来衡量的，这些策略是被实现的。为了在当前竞争激烈的市场中生存，各行业需要提高产品可靠性并降低生产成本。产品可靠性对于航空、核能和石化行业等特定产品更为重要，任何故障都可能导致严重的环境灾难。

目前，行业已经从使用基于条件的方法转变为基于维护的方法，这取决于趋势和数据分析，这些参数来自一个或多个指示已知故障或故障的发展或存在的参数。有效的机器状态监测技术必须能够在早期阶段确定任何故障的发生，并提供有关故障类型及其位置的准确诊断。理想情况下，状态监测技术必须对设备进行全面而详细的准确健康评估。

然而，传统上，它将包括听觉和视觉检查、温度监测、油分析、振动测量及其分析、电机电流特征分析、空气传播声音和声发射分析。在声发射分析中，波从发射源发出并通过传输介质传递到表面。可以将低位移或高频机械波作为电子信号拾取。在数据被声发射设备解释之前，可以通过使用前置放大器来增加信号强度。此外，人们对开发新技术以克服复杂工业机械应用的状态监测和诊断问题的兴趣日益浓厚，而这些问题至今仍未得到解决。

这为人工智能技术的持续发展提供了绝佳的机会，随着智能信息、传感器和数据采集能力的快速增长，以及智能信号处理技术的快速进步。已广泛应用于工程领域的人工智能技术包括遗传算法、支持向量机、模糊逻辑系统和人工神经网络。与常见的故障诊断方法相比，如果人工智能技术可以改进，它们将是有用的。除了提高性能外，这些技术还可以轻松扩展和修改。

这些可以通过整合新的数据或信息来适应。人工智能是像人类一样思考和行动的系统。它还可以模仿人类行为。它主要关注计算机参与类似人类思维过程的能力的发展，如学习、推理和自我纠正。在过去十年中，人工智能解决工程问题的需求不断增长。早些时候，这些问题被认为很难通过分析或使用数学建模来解决，并且需要人类智能。如今，对高级声发射分析工具的需求不断增加。

【机器|在数据被设备解释之前，可以通过使用前置放大器来增加信号强度】许多学者已经研究了利用AET和信号分析中的声发射方法对几种故障进行检测和诊断。前面提到的人工智能技术也被广泛应用于工程领域。人工神经网络是一种信息处理方法。它就像生物神经系统一样工作，就像大脑如何处理人体中的信息一样。讨论仅限于介绍许多参与人工神经网络实施的组件。网络架构或拓扑在人工神经网络性能中起关键作用，并取决于手头的问题。