...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>日本機械学会誌 >日本機械学会学術誌(和文)年間アクセス数トップ10
【24h】

日本機械学会学術誌(和文)年間アクセス数トップ10

机译：日本机械工程师协会（日本）年度访问数十大

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Machine equipment usually comprises many mechanical elements that can fail because of functional deterioration and friction.For tribo-elements like plane bearings,it is extremely important to diagnose the abnormal conditions and prevent such parts from breakdown caused by wear.However,diagnosing tribo-elements requires expensive diagnostic equipment and expertise.This study aims to propose a cost-and time-effective system that detect the signs of breakdown during equipment operation by using machine learning to identify abnormalities.We conducted wear tests in contaminated oil and used multiple sensors to collect data regarding the friction force,the electrical contact resistance,the acoustic emission(AE)signal,and vibration.An appropriate learning sample was selected using k-fold cross-validation.The electrical contact resistance was found to contribute relatively little to the detection of abnormalities,whereas the friction coefficient contributed greatly.Furthermore,the AE signal and the vibration detected local changes on the sliding surface.Consequently,we found that machine learning can judge whether monitoring data are normal or abnormal.
机译：机器设备通常包括许多机械元件，由于功能性劣化和摩擦，可以失效。对于摩擦元素，如平面轴承，诊断异常条件非常重要，并防止由磨损引起的故障。然而，诊断摩擦元素需要昂贵的诊断设备和专业知识。本研究旨在提出一种成本和时间有效的系统，通过使用机器学习来识别设备运行中的故障迹象来识别异常。我们在受污染的油中进行了磨损试验，并使用多个传感器来收集多个传感器关于摩擦力，电接触电阻，声发射（AE）信号和振动的数据。使用K折叠交叉验证选择适当的学习样品。发现电接触电阻有助于检测到异常，而摩擦系数贡献大大。繁殖，AE信号D振动检测到滑动表面上的局部变化。当然，我们发现机器学习可以判断监控数据是否正常或异常。

著录项

  • 来源
    《日本機械学会誌》 |2021年第1233期|44-45|共2页
  • 作者

  • 作者单位
  • 收录信息
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号