HOJOLO自主開發的智能在線監測系統平臺，以結構安全和設備故障預測為導向，深度融合了物聯網、大數據、云/邊緣計算、人工智能以及數字孿生等先進理念，可廣泛應用于橋梁、房屋、隧道、邊坡、大壩、港機、機械設備、電力設施以及武器裝備等結構或設備的在線監測與健康管理。系統特點結構信息管理支持用戶自定義編輯結構信息，內置地理位置地圖，支持導入大部分主流格式的2D圖形或3D實體模型用于測點布設可視化展示狀態顯示支持自定義大屏展示界面的設計與主題管理，豐富的數據展示模塊，多維度直觀顯示被監測對象的實時/歷史工作狀態、報警等信息測點設置支持自定義創建與編輯測點，包括測點的基本信息、采樣設置、實時分析和存儲設置等。支持分析點數以及數據稀釋規則自定義，優化數據存儲結構，合理有效利用服務器存儲空間軸承壽命預測故障機理研究模擬實驗臺。浙江葉片故障機理研究模擬實驗臺

臨界速度測定実験裝置gearfaulttestplatform（齒輪箱實驗臺）AnIdealSimulatorForGearboxReliabilityStudies（齒輪箱可靠性試驗臺）ModifiedMachineryFaultSimulator（改進升級的機械故障模擬器）TwinRotorSimulator（雙轉子模擬器）VibrationMonitoringandDiagnosticsLab（振動監測和診斷實驗室）MachineryFaultSimulatorsystem（機械故障模擬系統）MachineryFaultSignatureSimulator（機械特征模擬實驗臺）Simulateurdepronosticsderoulements（軸承壽命模擬器）bearingfaultsimulator（軸承故障模擬器）MachineryFaultSimulatorShortVersion（機械故障模擬器簡單版）MachineryFaultSimulatorMicroVersion（山東機械故障機理研究模擬實驗臺故障機理研究模擬實驗臺的應用領域廣。

沖擊識別與分解對柴油機狀態特征提取具有重要價值。現有常用方法利用沖擊頻域特性，通過頻域分解與重構識別并分解沖擊，在分解復雜多沖擊非平穩信號存在頻段混疊、時域沖擊重合等問題。本研究提出了一種變分時頻聯合分解（VTFJD）方法，目的在于提取多源沖擊振動信號中沖擊成分。首先采用改進變分模態分解（VMD）方法對多沖擊振動信號進行頻域分解，得到各分解模態信號；其次，提出了變分時域分解方法（VTD），用于提取各分解模態信號中的沖擊成分；***，對時頻聯合分解信號進行篩選，獲得振動波形中多源沖擊成分時頻域信息。同時，針對VMD和VTD中參數選擇問題，分別提出了參數優化選擇方案。仿真信號和實際柴油機連桿軸瓦振動信號特征提取結果表明，VTFJD具有出色的多沖擊信號自適應時頻分解能力，具有沖擊自動識別與分解提取能力。關鍵詞：信號分解；振動與沖擊；柴油機；連桿軸瓦磨損故障

往復壓縮機作為工業生產中的重要組成設備，保證其正常運行具有極其重要的實際意義。根據相關研究統計，氣閥故障大約占到了往復壓縮機故障總數的60%[1]。因此，有必要對往復壓縮機氣閥故障進行深入的分析和研究。往復壓縮機氣閥在工作中會受到摩擦，沖擊等多種因素的干擾，導致其振動信號具有強烈的非線性，非平穩性特征[2]。針對上訴信號，目前多采用小波分析、經驗模態分解（EMD）、變分模態分解（VMD）、熵值法、分形方法等對其進行分析研究，其中，多重分形方法不僅可以深層次的描述氣閥信號非平穩、非線性特征，同時可以描述氣閥振動信號的自相似性，進而可以更***準確的提取往復壓縮機氣閥的故障特征故障機理研究模擬實驗臺的應用范圍不斷擴大。

MachineryFaultSimulator（機械故障模擬器）DrivetrainDiagnosticsSimulator（動力傳動系統診斷模擬器）MachineryFault&RotorDynamicsSimulator（機械故障與轉子動力學模擬器）Motorfaultdiagnosissimulator（電機故障診斷模擬器）BearingPrognosticsSimulator（軸承預測性模擬器）GearboxPrognosticsSimulator（齒輪箱預測模擬器）Portablevibrationsimulator（便攜式振動模擬器）MachineVibrationSimulator（機械振動模擬器）Machinevibration–ShaftAlignmentSimulator（機械振動-軸對中模擬器）MachineryFaultSimulator–Lite（機械故障模擬器-簡裝版）MachineryFaultSimulator–Magnum（機械故障模擬器-完整版）Balancing–AlignmentTrainer（動平衡-對中訓練臺）MachineVibration&GearboxSimulator（機械振動-齒輪箱模擬器）故障機理研究模擬實驗臺的穩定性至關重要。國產故障機理研究模擬實驗臺操作

故障機理研究模擬實驗臺的運行需要精心維護。浙江葉片故障機理研究模擬實驗臺

離心風機故障植入試驗平臺機械故障仿真測試臺架風力發電故障植入試驗平臺直升機尾翼傳動振動及扭轉特性..直升機齒輪傳動振動試驗平臺旋轉機械故障植入綜合試驗平臺旋轉機械故障植入輕型綜合試驗臺行星齒輪箱故障植入試驗平臺高速柔性轉子振動試驗平臺行星及平行齒輪箱故障植入試驗臺剛性轉子振動試驗平臺軸系試驗平臺電機可靠性研究對拖試驗平臺往復壓縮機軸瓦傳統故障診斷方法需要人工提取特征，費時耗力且敏感特征設計困難，基于卷積神經網絡的故障診斷方法雖然不需要人工進行特征提取，但模型存在梯度或消失問題。神經網絡在圖像識別領域有明顯優勢，常用的振動信號時頻圖像處理方法如小波變換、短時傅里葉變換等在將一維信號轉為二維圖像時可能會丟失信號的時間依賴性，浙江葉片故障機理研究模擬實驗臺