轴承故障的自适应小波神经网络分类

提出了一种用于故障分类的自适应小波神经网络,网络第一部分利用小波伸缩平移系把信号分解到不同频道上进行特征提取,第二部分对提取的特征信息进行学习或判断.推导了该网络的学习算法,并应用其对轴承进行了故障分类,结果表明该网络分类准确,可靠性高.     

基于改进的小波神经网络异步电动机故障诊断

根据异步电动机常见故障征兆与故障模式之间的映射关系,利用小波神经网络建立了异步电动机的故障诊断模型。该模型采用共轭梯度下降算法,用动量法和自适应学习速率相结合来优化,并对小波神经网络参数进行了初始化研究。仿真结果表明:与常规小波神经网络和BP网络相比,该模型显著缩短了训练时间,用于异步电动机故障诊断是有效的。     

一种基于小波网络的切削刀具故障监测

提出了一种基于小波神经网络的切削刀具故障监测方法，即提取反映刀具磨损状态的多源特征参数，利用小波神经网络的非线性模型和学习机制，实现在线状态监测；同时针对故障诊断的多输入输出问题带来的网络规模增大、收敛速度慢等问题，提出一种网络优化算法，即采用尺度参数的自适应调整法及平移参数的寻优搜索法，寻找最优小波基元，从而简化小波网络并加快收敛，仿真实例证明了该方法的有效性。     

一种基于模糊小波基函数神经网络的图像分类器

针对图像分类的特点，提出了一种基于模糊小波基函数神经网络的图像分类器。该分类器采用小波基函数作为模糊隶属函数，将模糊技术与神经网络相结合，利用神经网络实现模糊推理，并可对隶属函数的形状进行实时调整，从而使分类器具备了更强的学习和自适应能力。实验结果表明，这种基于模糊小波基函数神经网络的分类器经过训练后，可应用于图像的分类，其分类精度明显高于传统的最大似然分类法。     

基于差分进化小波神经网络的刀具磨损状态识别

提出应用小波神经网络进行刀具磨损状态识别的方法,给出了具体的识别流程。构建了小波神经网络,并实现了差分进化对网络参数的优化。通过检测加工现场的切削力和切削声音信号,将其进行信号处理后作为小波神经网络的训练样本,将差分进化应用于小波神经网络结构和参数的优化中,最终实现刀具磨损状态的识别。仿真结果表明差分进化小波神经网络能够有效避免神经网络不收敛的缺点,提高学习速度,采用差分进化小波神经网络进行刀具磨损状态识别,具有较高的诊断精度和效率。     

基于小波包-模糊神经网络的发动机泵机组故障诊断

提出了利用小波包分解、神经网络和模糊诊断的方法进行发动机泵机组故障诊断;运用小波包频带能量分解,可以在不丢失振动信息的情况下降低信号的维数,提高神经网络的识别能力;运用了神经网络使故障诊断具有自适应、自学习能力,对发动机泵机组的各类故障进行分类和训练,得到了满意的效果.     

基于小波时频图和卷积神经网络的行星齿轮箱故障诊断方法

针对行星齿轮箱故障诊断中故障类型难以区分的问题,提出了一种基于小波时频图和卷积神经网络相结合的行星齿轮箱故障诊断方法.首先,对原始信号进行连续小波变换,获取小波时频图;然后,对小波时频图进行统一处理和压缩,将处理好的小波时频图输入到卷积神经网络中进行分类识别,通过调整小波基函数和卷积神经网络参数,最终得到一个较为理想的...     

电力线除冰机器人基于粒子群优化的小波神经网络障碍物识别方法

由于除冰机器人工作在覆冰的电力线上,障碍物的识别存在着各类障碍物区分较难,准确率较低等不足。为提高机器人自主识别能力,设计一种自适应阀值的小波变换边缘提取算法来提取出障碍物的图像边缘,并针对电力线障碍物结构特点,在障碍物边缘提取过程中设计一种基于电力线位置约束的有效剔除部分干扰背景的方法;引入小波矩,通过提取边缘图像的小波矩作为障碍物的特征匹配数据;根据神经网络和粒子群算法的原理,设计一种粒子群优化的小波神经网络进行障碍物的识别分类,该方法用粒子群算法取代传统的梯度下降法,并改进惯性权重因子,优化小波网络的各个参数。试验结果表明所提出的方法对电力线上防震锤、悬垂线夹和耐张线夹等障碍物能够有效地识别,并具有比普通识别方法更高的识别精度。     

基于遗传小波神经网络的光电稳定平台系统辨识

针对光电稳定平台系统不能对航空平台姿态高频变化进行实时精确补偿,系统补偿特性不能精确获知的问题,提出了一种自适应差分遗传小波神经网络的系统辨识方法.该方法首先采用小波函数作为神经网络的激励函数,提高了神经网络的泛化能力和逼近能力;其次,对小波神经网络参数和结构进行染色体编码,用遗传算法解决了小波神经网络结构不易确定的问题;最后,采用自适应法计算交叉率和变异率,并利用差分变异方法重组染色体,提高了系统辨识的收敛速度.为了检验该方法的辨识效果,采用无人机外场试验数据对光电稳定平台系统进行辨识,辨识结果表明,该方法可有效地辨识出光电稳定平台系统.     

小波神经网络在摩擦焊缺陷识别中的应用

针对摩擦焊接头超声检测信号,介绍了一种用于信号分类的小波神经网络结构及其学习算法,用小波包分析工具提取信号特征作为网络输入,实现了宏观焊接缺陷和微观焊接缺陷的分类识别.实验结果表明,较BP网络小波神经网络获得良好的识别结果.     

改进的小波神经网络在异步电机故障诊断中的应用

根据异步电机的复杂故障特点,结合小波变换技术,提出了一种改进的小波神经网络用于异步电机的故障诊断。利用小波变换技术提取异步电机特征信号作为小波神经网络的输入向量,并对小波神经网络算法进行优化,提出了动量系数和学习率自适应调整的小波神经网络算法,给出了动量系数和学习率的调整方法。通过实际测试数据的诊断结果说明该方法的有效性和可行性,具有诊断准确率高、收敛速度快、泛化能力强等优点。     

基于小波包分析和改进自适应遗传算法的齿轮故障诊断

齿轮是传动系统中最重要的元件之一,针对齿轮故障问题,在综合小波包降噪、模糊逻辑、高阶BP网络、改进自适应遗传算法各自优点的基础上,提出了一种基于小波包分析和改进自适应遗传算法的齿轮故障诊断新方法。试验证明,这种方法与传统方法相比,无论在分类精度,还是对训练总误差控制方面都具有更大的优势。     

基于神经网络的滚动轴承故障诊断方法的研究

神经网络是一种具有非线性映射能力强以及自学习、自组织、自适应等优点的智能方法,非常适合于滚动轴承的故障诊断。针对滚动轴承是机械设备重要的易损零件之一,大约有30%的故障是由轴承损坏引起的,提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别、诊断。实验表明,该方法对于滚动轴承的故障诊断具有良好的效果和应用价值,并可方便地推广到其他类似的诊断领域。     

基于改进小波神经网络的旋转机械故障诊断

根据旋转机械复杂的故障特点，提出了结合第2代小波分析、模糊理论和神经网络形成的改进小波神经网络。该诊断方法利用第2代小波分析对信号进行预处理-征向量的提取，然后用训练好的模糊神经网络进行故障识别，并对相应算法进行了优化。将改进小波神经网络运用于旋转机械的故障诊断，通过计算机仿真和试验的结果表明，该方法在处理多故障耦合的情况时优势明显，不仅可以正确识别故障的类型，还可以进一步对故障的严重程度及其发展趋势进行可靠的诊断。这表明改进的诊断方法是行之有效的，为旋转机械的故障诊断提供了理论支持。     

模拟电路故障诊断的新方法

本文提出了用多小波神经网络诊断模拟电路故障的新方法。根据多小波的多分辨率分析思想,构造了一种多小波神经网络,其激励函数为具有紧支撑集、对称性和正交性的多尺度函数和多小波函数。用多小波神经网络和单小波神经网络对实例电路进行故障诊断,仿真结果表明,与单小波神经网络相比,多小波神经网络不仅学习收敛速度快,而且能够更准确地对模拟电路进行故障诊断。     

基于小波神经网络的模拟电路故障诊断

本文对模拟电路提出了一种基于小波神经网络的故障诊断方法。该法利用小波空间中函数的多分辨率分解思想，构造了一种激励函数为具有紧支撑集的尺度函数和小波函数的小波神经网络。这种小波神经网络隐层节点数的选取有理论根据，解决了传统神经网络隐层节点数难以确定的问题。分别用本文提出的小波神经网络和传统BP网络对实例电路进行故障诊断，结果发现，小波网络比传统BP网络方法不仅学习收敛速度快，而且有效地避免了局部最小值问题。     

基于小波--神经网络模拟电路故障诊断方法的研究

对模拟电路提出了一种基于小波神经网络的故障诊断方法 ,该法用小波变换作为故障信号的预处理器 ,大大地减少了神经网络的输入数目 ,从而简化了神经网络的结构和减少了它的训练时间 ,并提高了辨识故障类别的能力。在简介该法故障诊断的基本原理后对实例电路进行了故障划类 ,小波函数及故障特征选择 ,给出了计算故障类别特征的仿真编程及故障类别的识别方法     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。     

基于小波神经网络的机械故障预测

良好的局部放大特性和多分辨率学习特性使得小波神经网络比神经网络有更强的自适应能力、更快的收敛速度和更高的预报精度。本文构造了一个小波神经网络，给出了基于小波神经网络的机械故障趋势预测方法，并通过对煤矿提升机闸瓦间隙进行故障预测，验证其方法的可行性。