Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Timing and Associated Factors to Formation and Detection of Sequestrum in Patients With Medication-Related Osteonecrosis of the Jaw.

Oral diseases·2026
Same author

In Vivo Model of Short-Term Efficacy and Favorable Safety of Botulinum Toxin Type E Compared with Type A.

Toxins·2026
Same author

Spectrometer-free time-division multiplexed NIR time-of-flight vision system for visually similar material recognition.

Scientific reports·2026
Same author

Proteomic Characterization of AS1411 Reveals ATP6AP1 as a Mediator of Triple-Negative Breast Cancer Progression.

Proteomics·2026
Same author

Comparative analysis of spatial expression patterns of ectopic olfactory receptors.

Genes & genomics·2026
Same author

MG132 facilitates dentin regeneration by modulating inflammation and odontoblast differentiation.

Cell and tissue research·2026

相关实验视频

Updated: Jun 4, 2025

Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
08:27

Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines

Published on: January 5, 2024

975

在机中使用CWT图像增强和殖民地优化的增强故障诊断 AlexNet

Niamat Ullah1, Muhammad Umar1, Jae-Young Kim1

  • 1PD Technology Co., Ltd., Ulsan 44610, Republic of Korea.

Sensors (Basel, Switzerland)
|December 17, 2024
PubMed
概括

本研究介绍了一种先进的机器学习方法,用于机故障分类. 它准确地识别工具,轴承和轮故障,使用图像处理和深度学习进行预测性维护.

科学领域:

  • 机械工程 机械工程
  • 计算机科学 计算机科学
  • 人工智能的人工智能

背景情况:

  • 像机这样的工业机械容易出现各种故障.
  • 早期故障检测对于防止停机和确保运营效率至关重要.
  • 现有的故障诊断方法在复杂的工业环境中可能缺乏准确性或效率.

研究的目的:

  • 提出一种新的,高度准确的方法来分类机的故障.
  • 利用先进的图像处理和机器学习来增强故障检测.
  • 开发一个强大的工业故障诊断和预测性维护系统.

主要方法:

  • 收集的工业数据代表了工具,轴承和轮故障以及正常情况.
  • 将数据转换为2D连续波形变换 (CWT) 图像,用于时间频率分析.
  • 增强了CWT图像,应用了对比度增强,并使用了修改后的AlexNet与剩余块进行特征提取.
  • 使用殖民地优化优化优化了深层特征,并使用支持矢量机器 (SVM) 将它们分类.

主要成果:

  • 拟议的方法在区分不同类型的故障和正常条件方面取得了高精度.
  • 经过修改的AlexNet有效地从CWT图像中提取空间和时间特征.
关键词:
殖民地优化殖民地优化错误诊断 错误诊断 错误诊断 是一个问题.功能优化优化功能优化磨机机床机床机床机床机床机床机床机床机床机床机床修改后的亚历克斯网络 (AlexNet)支持矢量机器的支持矢量机器.

更多相关视频

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
14:08

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

Published on: April 13, 2013

42.5K
Hybrid µCT-FMT imaging and image analysis
13:45

Hybrid µCT-FMT imaging and image analysis

Published on: June 4, 2015

13.1K

相关实验视频

Last Updated: Jun 4, 2025

Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
08:27

Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines

Published on: January 5, 2024

975
Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
14:08

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

Published on: April 13, 2013

42.5K
Hybrid µCT-FMT imaging and image analysis
13:45

Hybrid µCT-FMT imaging and image analysis

Published on: June 4, 2015

13.1K
  • 殖民地优化成功地减少了特征维度,同时保留了关键信息.
  • 与现有的最先进的故障分类方法相比,该系统表现出卓越的性能.

    • 结论:

    • 开发的方法在机故障分类准确度上提供了显著的改进.
    • 这种方法是实时工业故障诊断的有希望的解决方案.
    • 该方法有可能在各行各业的预测性维护策略中得到更广泛的应用.