-
联邦学习:多工厂天车数据不出厂,协同训练高精度预测维护模型
联邦学习天车预测维护方案 三家钢铁企业(A/B/C厂,各50台天车)的天车振动数据因数据合规和工艺保密要求不能集中到一台服务器训练。联邦学习方案:各厂在本地GPU服务器上训练LSTM预测模型,每轮仅上传512KB模型权重至中心服务器,服务器执行FedAvg聚合后下发更新。100轮通信后收敛,全局模型…
-
图神经网络GNN vs 传统方法:天车多传感器故障诊断谁更准——传感器关联图谱工程对比
图神经网络(GNN)在天车多传感器故障诊断中比传统方法(SVM/MLP/随机森林)F1值平均高出8.3~14.8个百分点。关键原因在于GNN天然利用传感器之间的物理连接拓扑——振动传感器V1与V2在同轴承座上、温度传感器T1靠近电机绕组——这些空间和功能关联关系被编码为图结构信息传递给分类器,而传统…
-
AI诊断天车故障,凭什么这么判——Grad-CAM/SHAP让深度学习决策过程透明化
天车AI故障诊断的”黑箱”问题正在被两种可解释性技术破解:Grad-CAM生成热力图告诉操作员模型”看”了哪个传感器区域,SHAP定量回答每个输入特征对诊断结论的贡献值。克鲁德重工在某钢厂连铸跨5台QD32/5t天车上部署双方法集成系统后,操作员对AI…
-
天车缺陷检测中小样本与迁移学习方法——数据稀缺场景下的模型适配与增强
天车缺陷检测迁移学习技术方案 以ImageNet预训练ResNet-18为基模型,迁移至天车部件表面缺陷分类任务(5类缺陷+1类正常)。在50/100/300/500四级样本量下对比三种策略:数据增强(CutMix+几何变换,精度提升+4%~7%)、冻结特征提取器(仅训练FC层,T1=89.5%@3…
-
无监督异常检测在天车预警中的应用——孤立森林/自编码器/One-Class SVM部署实践
天车无监督异常检测技术方案 在KL-PM-2024振动数据库(60台天车×145万条记录,正常:异常=95:5)上对比三种无监督异常检测方法:孤立森林(F1=0.87,无训练,延时<1ms)、自编码器AE(F1=0.92,重构误差检测,需离线训练)、One-Class SVM(F1=0.83,RBF…
-
天车关键部件剩余寿命时序预测方法对比——LSTM/GRU/Prophet/ARIMA四模型工程实现与精度评估
天车关键部件RUL时序预测方法对比 以天车减速机输入轴承为预测对象,在克鲁德重工KL-PM-2024项目振动数据库(60台天车×24个月、累计145万条振动记录)上对比ARIMA(MAPE=19.8%)、Prophet(17.5%)、LSTM(14.3%)、GRU(15.1%)四类时序预测模型的剩余…
-
天车知识图谱构建与语义推理技术——故障知识库实体关系抽取与图数据库Neo4j工程实践
天车故障知识图谱技术方案 知识图谱将天车运维中分散的故障记录、维修工单、备件数据和设备参数转化为结构化的语义网络。技术链路包含四个层次:数据层(运维工单/故障记录/传感器报警/备件更换/行业标准/设备手册)、知识抽取层(BiLSTM+CRF实体识别+关系抽取+F1=91.2%)、图存储层(Neo4j…
-
桥式起重机全系列选购对照:LD/QD/LH/LB/LDY一表看懂
桥式起重机是工业厂房中使用最广泛、保有量最大的起重设备,桥式起重机占国内起重机总产量的比例位居各类起重机之首。但型号体系繁杂——LD、QD、LH、LB、LDY……光字母代号就让采购人员头疼。很多用户因为选错了型号,出现了起重量不足、跨度超出标准、工作级别不匹配等问题,导致设备返工、停产甚至安全…
-
冶金铸造桥式起重机怎么选?LDY型高温工况方案解析
冶金铸造桥式起重机与普通桥式起重机看似结构相似,实质上是两个完全不同的产品系列。普通桥式起重机在温度≤40℃的常规环境下工作,而冶金铸造起重机需要在60℃~200℃的高温辐射环境中长期运行,部分工位甚至面临熔融金属飞溅的直接威胁。 河南克鲁德重工有限公司提供全系列桥式起重机选型方案。
-
防爆桥式起重机选型指南:LB/LXB型适用防爆区域对照
防爆桥式起重机是专为易燃易爆环境设计的特种起重设备,核心特征在于所有电气部件和机械组件均采用防爆结构设计,能够在爆炸性气体或粉尘环境中安全运行。与普通桥式起重机不同,防爆桥式起重机从电机、电气箱到操作手柄、限位开关等每一个可能产生电弧或高温的部件都经过隔爆或增安处理,确保设备在运行中不会成为点火源。