基于小波包能量特征向量神经网络的旋转机械故障诊断

为精确诊断旋转机械的故障,提出一种基于小波包特征向量的神经网络故障诊断方法。用转子台信号模拟旋转机械故障,并对采集到的信号进行3层小波包分解,构造小波包特征向量,并以此为故障样本对3层BP网络进行训练,实现智能化故障诊断。实验结果表明训练好的神经网络能够很好地诊断出转子台故障类型,为旋转机械的故障诊断提供了新方向。     

基于小波神经网络的旋转机械故障诊断

研究了小波变换与人工神经网络结合起来应用于旋转机械故障诊断的问题。通过选择合适的参数，对故障信号功率谱进行小波分解，简化了故障特征向量的提取。建立了基于小波变换和BP网络的混合诊断模型，成功地实现了对故障的智能诊断。     

改进的BP神经网络在汽轮发电机组故障诊断中的应用

就BP网络的不足，提出了一种改进的BP神经网络模型，用于汽轮发电机组故障的诊断。经理论和实践证明：该方法有效地提高了故障诊断的精度和可靠度，为旋转机械故障诊断提供了有效方法。图2表4参7     

基于全信息小波包和支持向量机的旋转机械故障诊断

针对传统旋转机械单通道故障诊断的信息不完整以及缺少故障样本等问题,提出了基于全信息小波包和支持向量机的旋转机械故障诊断方法.运用小波包频道能量分解技术提取了全信息能量特征向量,以此作为支持向量机多故障分类器的故障样本,经训练的分类器作为故障智能分类器可对设备工作状态进行自动识别和诊断.实验研究表明:基于全信息小波包和支持向量机的故障诊断方法能准确、有效地对旋转机械的工作状态和故障类型进行分类,显著提高了故障诊断的准确率.     

基于知识与模糊神经网络的故障诊断技术

论述了建立规则型模糊神经网络的理论和方法,针对大型旋转机械提出了一种采用多层规则库结构及智能推理机的故障诊断技术,该技术以Ｒｕｌｅ型模糊联想记忆器作为诊断系统的分类和综合算法,把基于知识的符号处理方法与模糊神经网络有机结合在一起,讨论了模糊神经网络输入和输出模糊化的问题,为电厂汽轮发电机组故障诊断专家系统提供了新的思路。     

旋转机械的自组织映射神经网络故障分类方法研究

旋转机械广泛应用于工业生产中,对旋转机械的故障诊断方法很多,本文根据自组织映射神经网络原理,应用故障诊断的标准样本进行神经网络的训练,并通过实验的方法给出自组织映射神经网络对故障分类的方法。     

基于矢谱和L-M神经网络的旋转机械故障诊断研究

讨论了矢谱融合技术和Levenberg-Marquardt(L-M)神经网络的相关理论,提出了基于矢谱和L-M神经网络的旋转机械故障诊断方法,建立了基于矢谱的旋转机械常见故障诊断L-M神经网络模型.模拟实验结果表明:与基于单通道数据的诊断结果对比,将矢谱数据融合应用于旋转机械常见故障诊断,可有效提高故障诊断的准确率.     

D-S证据理论与小波神经网络在发动机故障诊断中的应用

将小波神经网络技术和D-S证据理论引入到发动机故障诊断中,利用小波神经网络良好的局部分析能力和融合特性,以及D-S证据理论对于不确定性故障的分析,提高了发动机故障诊断的精确性.     

基于小波神经网络方法的空调系统传感器漂移故障诊断

对空调系统中的温度、压力、流量传感器的漂移故障,提出了一种基于小波神经网络的传感器故障诊断方法.该方法首先采用小波分析方法对历史故障数据和正常数据进行分析,从而提取数据的频带特征,通过神经网络对这些特征进行学习,使神经网络分析能够对待诊断数据的进行故障诊断.仿真实验的结果表明,该方法对传感器的漂移故障能够实现有效地诊断.     

基于小波包特征向量弹性BP算法的故障诊断

为精确诊断转子故障,采用了基于小波包能量特征向量的弹性BP神经网络和最速下降BP算法神经网络的故障诊断方法,对采集到的信号进行3层小波包分解,构造小波包特征向量,对样本进行3层BP网络训练,实现智能化故障诊断。结果表明采用改进的BP算法优于最速下降BP算法,训练的网络可以很好地诊断转子故障。     

基于模糊神经网络的故障诊断方法的应用

针对大型机组的状态监测与故障诊断问题,为了克服单一故障诊断方法的局限性,对现有的大型设备故障诊断方法作了分析之后,提出一种基于区间值模糊神经网络的诊断方法。该方法根据设备故障诊断的不同阶段,利用基于规则库、区间值模糊集理论、模糊神经网络和模糊模式识别等方法。该方法在某炼油厂重催化机组故障诊断中得到了具体应用。     

人工神经网络在混合智能故障诊断技术中的应用研究

故障诊断的关键是寻找一种使诊断结果更为有效的方法。人工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。然而，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。本文重点对神经网络与其它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。这些方法已应用到实践中，并取得了一定的成果。     

基于第二代小波变换的振动信号去噪与故障诊断

旋转机械故障振动信号存在不同形式的波形特征,传统小波去噪中,小波分解的结果与所采用的小波基函数有关,选用不适当的小波基函数会冲淡振动信号的局部特征信息,而造成原始信号的部分有用的细节信息丢失。为了克服上述缺陷,提出一种基于第二代小波变换的振动信号预处理方法,即针对分析信号的局部特征,以预测方差最小为目标,对每个样本选择最佳的预测算子,使小波基函数始终能够匹配信号的局部特征。仿真试验表明,该方法克服了传统小波去噪中降噪信号丢失了部分细节信息的缺点,不仅可有效地去除故障诊断振动信号的噪声,而且能够保留信号的局部信息。     

基于VMD和SVPSO-BP的滚动轴承故障诊断

为了提高旋转机械滚动轴承故障诊断的准确率,提出一种基于变分模态分解（VMD）和缩放变异粒子群算法（SVPSO）优化BP神经网络的旋转机械滚动轴承故障诊断方法。通过在标准粒子群算法中加入缩放因子以及粒子变异操作提升其局部与全局寻优性能,得到一个改进的粒子群算法——缩放变异粒子群算法（SVPSO）,再利用该算法优化BP网络的权值与阈值,提高BP神经网络的故障诊断精度;进一步,为了减少输入特征向量对BP神经网络分类性能的影响,采用VMD分解轴承振动信号,并计算其IMF分量时频熵的方法构建信号特征向量。通过与其他采用相同基准轴承数据集的诊断方法作对比,所提方法的故障诊断精度和算法稳定性均得到有效提升。     

基于因子隐Markov模型的旋转机械故障诊断方法的研究

针对旋转机械升降速过程非平稳、重复再现性不佳的特点，隐Markov模型具有很强的针对性。因子隐Markov模型是一种多链隐Markov模型，它是隐Markov模型的一种扩展形式。作者将因子隐Markov模型引入到旋转机械升降速过程的故障诊断中，提出了基于因子隐Markov模型的旋转机械故障诊断方法，并且利用它成功地对旋转机械的故障进行了分类。实验结果表明：该方法是有效的。图4表2参8     

小波结合模糊聚类和神经网络的汽油机爆震诊断方法

为提高爆震诊断的精度,提出一种小波结合模糊聚类和神经网络的爆震诊断方法:以小波变换作为神经网络的前处理器以提取爆震特征;特征参数经模糊处理后,利用神经网络进行爆震诊断。对某汽油机进行了爆震试验,并对小波结合模糊聚类和神经网络的爆震诊断方法的有效性进行了检验。结果表明,相对能量、三次原点矩、峭度和方差4个特征参数,能够将小波子带信号的特征刻画出来,小波结合模糊神经网络方法能诊断出爆震边缘,应用于点火控制以提高汽油机的性能。     

旋转机械振动信号的小波包分解及故障检测

研究了旋转机械振动信号的特点，指出传统的波形分析和频谱分析存在的问题。提出了从小波饭包分解序列图和小波包能量分布图两个方面对振动信号分析的方法，赋予小波变换和小波包分解的结果以明确的物理意义，实验表明了该方法的可行性及对故障检测的有效性。     

旋转机械振动故障的模糊诊断

在分析了旋转机械振动故障诊断存在的困难之后,建立了故障机理研究和故障诊断的数学模型。根据征兆对故障的肯定和否定程度,提出了故障诊断的模糊筛选矩阵,实现了对复杂故障的诊断。