煤矿风机小波神经网络故障诊断系统研究

针对煤矿风机振动信号非线性、非平稳特性,结合小波分析和神经网络技术,研究煤矿风机故障诊断方法。该方法运用小波包分解技术,提取风机信号各个频带的能量特征,构造特征向量作为BP神经网络的输入,并借助于LabVIEW平台实现风机故障诊断。通过对实验数据的分析表明,小波分析和神经网络相结合可以有效地识别风机故障。     

基于Elman神经网络矿用通风机故障诊断的研究

介绍了一种基于Elman神经网络的通风机故障诊断的诊断原理,学习算法以及技术路线。通过对现场信号特征数据的采集以及归一化处理,对Elman神经网络选取最优的结构与参数,实现了煤矿主通风机故障类型的智能分类与诊断。与传统BP神经网络诊断结果相比较,Elman神经网络综合诊断性能更优。最后通过风机的故障诊断实例表明:Elman神经网络在提高学习速度上有了很大的改进,并且有效地抑制了传统神经网络容易陷于局部极小的缺陷,缩短了自主学习的时间,是风机故障诊断的有效方法。     

概率神经网络在旋转机械故障诊断中的应用

概率神经网络是一种学习规则简单、训练速度快、应用广泛的人工神经网络。对该方法进行了理论分析,并将其应用于旋转机械—风机的故障诊断中。仿真结果表明用概率神经网络对风机振动故障进行诊断是可行而有效的。     

神经网络数据融合的风机智能诊断系统研究

以信息融合和神经网络为理论基础,建立了风机融合神经网络模型和风机神经网络故障诊断模型。模型中,通过最近邻聚类学习算法对同类信息融合,应用人工神经网络对多源信息加以合成,并将融合结果作为输入层,进行神经网络故障诊断,实现了风机故障的智能诊断,并收到了良好效果。     

基于模糊神经网络的通风机故障诊断系统

针对矿用通风机故障具有不确定性和复杂性的问题,利用风机的振动参数进行推理,提取常见故障振动信号的特征频谱值来组建及训练神经网络,以此建立诊断系统进行故障类型的识别。诊断结果与实际故障相符,表明基于模糊神经网络故障诊断方法能够快速准确地得到风机故障的特征和状态,增加了风机故障诊断的可靠性和实用性。     

基于小波包分析的机械故障特征提取方法研究

研究了一种基于小波包分析与信号能量分解的故障特征提取方法 ,运用这种方法提取了一风机轴不对中故障特征向量 ,为神经网络故障诊断提供了新的故障样本。实验结果表明这种方法比基于Fourier变换的故障特征提取方法更有效 ,很适合于机械故障诊断     

基于概率神经网络的风机故障诊断

针对风机常见故障征兆与故障类型之间的非线性映射关系,结合专家知识建立了风机系统故障知识库,提出了基于PNN神经网络的风机故障诊断方法,结果表明该方法能克服BP算法诊断过程中容易陷入局部极小的缺点,并能满足故障诊断的快速性和准确性要求,适用于在线检测,具有实际应用价值。     

矿井提升机故障诊断专家系统的研究

根据矿井提升机制动系统的工况特点,设计了基于故障树的故障诊断专家系统,重点论述了专家系统的知识库构成及推理机制。故障树方法是分析复杂系统故障的有效方法之一,利用故障树建立专家系统的知识库,很好地解决了故障诊断专家系统知识获取的“瓶颈”问题。     

BP神经网络在轴承故障诊断中的应用

传统故障诊断方法很难对无法建立数学模型的系统进行有效的故障诊断。为了有效诊断轴承的故障,提出了基于BP神经网络的轴承故障诊断方法。简单介绍了常用的故障诊断方法、BP神经网络的结构和学习算法,详细介绍了BP神经网络在轴承故障诊断中的应用方法。仿真结果表明,通过合理选择网络节点数和训练样本,可以有效检测出轴承的故障信息。     

装载机液压系统故障诊断专家系统知识库的设计与实现

根据装载机液压系统的故障特点,应用专家系统与数据结构的有关知识和面向对象的设计方法,在建立诊断知识故障树的基础上,论述了装载机液压系统故障诊断专家系统知识库的设计与实现过程。该知识库采用了分层次的多库结构、基于故障树的产生式规则知识表示方法和面向对象的编程方法,提高了装载机液压系统故障诊断效率,为故障诊断专家系统的知识库设计提供了一种科学有效的方法。     

人工神经网络在煤矿通风机故障诊断中的应用

分析了煤矿通风机的常见故障,在介绍BP神经网络原理和算法的基础上,建立了基于BP神经网络模型的通风机故障诊断模型,并应用数学软件MATLAB中的神经网络工具箱实现了通风机不同故障状态的识别。研究结果表明,该方法能准确地诊断通风机的故障类型,具有简单、准确的特点,为实现煤矿通风机的故障预警和保障煤矿的安全生产具有指导意义。     

基于遗传神经网络的变压器故障诊断

变压器是重要的输变电设备,其运行状况直接影响到发、供电系统的安全性和可靠性,研究有效地故障诊断方法具有实际意义。将故障树、神经网络和遗传算法相结合应用于变压器故障诊断中,并通过实例证明此方法是有效可行的。     

D-S证据理论在变压器故障诊断中的应用

为了充分利用各种状态信息和已有的知识进行故障诊断,提出将故障树、遗传神经网络和D-S证据理论相融合进行故障诊断,从而扩大信息覆盖范围,增加了置信度,实现了决策层的时空信息融合,使得诊断结果更准确可靠。并通过变压器诊断实例证明此方法是有效可行的。     

基于模糊神经网络的刮板输送机故障诊断

对刮板输送机常见故障类型进行总结与分类,介绍基于模糊神经网络的故障诊断流程,分析刮板输送机故障的影响因素,建立基于模糊神经网络的刮板输送机故障诊断模型,研究模糊聚类的依据以及RBF神经网络的学习流程。为了验证基于模糊神经网络故障模型的有效性,以刮板输送机减速器的诊断过程为例,采用MATLAB进行仿真,仿真结果表明,基于模糊神经网络的故障诊断结果与实际情况一致,相比传统RBF神经网络,迭代次数更少,性能更优。     

模糊神经网络在提升机制动系统故障诊断中的应用

针对BP神经网络在提升机制动系统故障诊断中的局限性,如收敛速度慢和可靠性差等缺点,根据提升机制动系统的故障机理和特点,提出了一种基于遗传算法的模糊神经网络故障诊断方法。结合了神经网络和模糊逻辑的优点,在利用神经网络对提升机制动系统进行故障诊断的基础上,引入模糊逻辑的概念,采用模糊隶属函数来描述这些故障的程度,并利用遗传算法对网络的权值和阈值进行修正,加快了网络收敛的速度,克服了易陷入局部极小的问题。     

基于神经网络的混合智能故障诊断技术研究

目前 ,故障诊断的关键是寻找一种使诊断结果更为有效的方法。神经网络作为一种新兴的故障诊断方法 ,越来越受到人们的关注。对于复杂的系统 ,单一的传统神经网络很难给出理想的结果。对神经网络与其他诊断方式融合的混合智能技术 ,即神经网络与专家系统、模糊控制、小波分析和遗传算法的结合以及集成神经网络等在故障诊断中的应用进行了综述     

基于GA-BP算法的齿轮箱故障诊断研究

为了解决BP算法的缺陷,建立了GA-BP相结合的故障诊断模型。利用GA算法优化BP神经网络权值和阈值,改善故障诊断性能。GA-BP网络对齿轮箱的工作状态进行故障诊断,仿真表明:该算法可以高效、可靠地运用于齿轮箱故障诊断中。     

基于BP神经网络的煤矿风机故障诊断

针对目前矿用风机的常见故障可收集故障征兆及类型,将故障样本数据与BP神经网络相结合,由BP神经网络确定输出向量,对风机常见故障进行诊断。通过MATLAB软件进行诊断参数运算后结果表明:神经网络输出与实际数据间误差较小,诊断结果与实际情况吻合。