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。     

基于Kohonen神经网络的燃气轮机故障诊断

针对基于热力参数的燃气轮机8种典型常见故障,根据Kohonen神经网络诊断的工作原理、诊断特征,研究了基于Kohonen神经网络方法在燃气轮机故障诊断中的应用方法,得出了Kohonen模型具有自学习功能,运算速度快,类型识别能力强的优点,是一种适合于燃气轮机分类故障较好的具有特色的神经网络。     

遗传神经网络在凝汽器系统故障诊断中的应用

针对BP神经网络学习收敛速度慢和易陷入局部极小值的不足，将遗传算法与神经网络相结合，提出了一种故障诊断的新方法——遗传神经网络优化故障诊断算法，并将其应用于凝汽器系统故障诊断中。经实例验证，该方法有效地提高了故障诊断的精度和速度。     

基于粗糙集与神经网络集成的内燃机故障诊断

鉴于粗糙集理论对于决策系统的约简处理能力以及神经网络的自组织聚类和非线性映射功能，提出了应用SOM的网络-粗糙集-BP网络集在进行故障诊断的方案：应用SOM网络离散化故障诊断数据中的连续属性值；基于粗糙集理论计算诊断决策系统的约简，根据实际需要确定最优决策系统，在量优决策系统的基础上设计BP网络进行故障诊断，柴油机的实际诊断结果验证了将神经网络与粗糙集理论相结合进行故障诊断的可行性，在数据充分的条件下，该方案可以推广应用于其它机械设备。     

基于粗糙集约简的信息融合故障诊断研究

提出一种基于粗糙集约简的神经网络信息融合故障诊断方案。该方案利用粗糙集理论对诊断决策表进行属性约简，根据约简构造诊断子神经网络群，采用信息融合的方法处理神经网络输出结果。该方案能够缓解神经网络诊断中网络学习收敛问题，并且可有效利用决策表的冗余信息，在个别征兆信号受到干扰或发生错误时仍能正确诊断，使诊断方案具有较强的健壮性。     

基于局域波-粗糙集-神经网络的故障诊断方法研究

提出了一种基于局域波-粗糙集-神经网络的智能故障诊断方法。首先通过局域波法进行故障特征提取,获取能够反映设备运行状态的由局部能量组成的特征向量;接着应用粗糙集理论对样本特征参数进行属性约简,去除冗余信息,获取最优的决策系统;最后根据最优决策系统来构造RBF神经网络,并进行故障诊断。以柴油机缸套活塞磨损故障为例,详细说明了基于粗糙集-局域波-神经网络的故障诊断方法的原理和步骤。诊断结果证明了此方法的有效性。     

基于BP神经网络的电控汽油机传感器故障在线诊断技术研究

应用人工智能神经网络和推理法则，提出了一套针对电控汽油机传感器的在线故障诊断策略。以传感器采样值作为神经网络的输入，故障代码作为输出，对电控汽油机进行在线故障诊断。通过台架试验对神经网络进行了训练和验证，结果表明，提出的诊断策略对节气门位置传感器和进气压力传感器短路、断路和值不变故障诊断率达到98％，对未标定故障的诊断率也达到85％。研究表明该诊断策略是可行的。     

基于神经网络的发动机故障多媒体诊断专家系统

提出了一种基于神经网络的汽油发动机智能故障诊断专家系统,该系统是专家系统与神经网络和多媒体技术相组合的智能化诊断系统。根据汽油发动机的组成结构、功能原理及维修专家的实际经验,用计算机模拟建立故障诊断权,由诊断提炼出训练样本,提供给神经网络学习,学习结束后生成的权值和阈值组成知识库。其的特色是专家系统与神经网络、模糊数学等有机结合,从不同角度、不同层次进行诊断推理,并以神经网络来完成自学习功能,大大提高了诊断的效率,克服了传统故障诊断的一些不足,并采用多媒体技术,使诊断过程和结果显示更加直观。     

基于异构粗糙神经网络集成的故障诊断研究

将粗糙集与神经网络集成相结合,提出一种基于异构粗糙神经网络集成进行故障检测的方法。首先利用粗糙集的属性约简能力,从给定数据集中去除冗余信息;然后基于负相关学习理论构造多个异构成员神经网络,最后组合多个训练好的异构神经网络进行故障诊断。该方法不仅显著提高了神经网络的泛化能力,而且无需预先确定神经网络的拓扑结构,简单易用。设计了四种不同的诊断器在柴油机供油系统的标准样本集上进行的诊断测试实验,结果表明,基于异构粗糙神经网络集成的故障诊断方法具有最好的诊断正确率。     

基于模糊神经网络的发动机故障诊断专家系统的研究

根据发动机的组成结构、功能原理及维修专家的实际经验，提出了一种基于模糊神经网络的故障诊断方法，将模糊逻辑和神经网络与传统的专家系统结合起来，开发出发动机故障诊断专家系统软件。该系统具有推理过程简单、快捷和准确等优点。     

基于改进的BP神经网络学习算法的变压器故障诊断

电力变压器的故障除了给其自身带来重大损失外,还对电力系统的安全造成很大影响。利用BP神经网络对变压器故障进行诊断,针对BP神经网络学习率的缺点,提出了一种跟踪型自适应学习率的确定方法,该方法仅需整定一个参数,有效地提高了BP神经网络的收敛性和训练时间,进而通过构建变压器故障诊断训练样本集,验证了该方法的可行性,获得了更精确的诊断结果。     

基于SOM神经网络的柴油机燃油系统故障诊断

利用神经网络的非线性映射,及其高度的自组织和自学习能力,将SOM网络应用于柴油机的故障诊断。利用夹持式传感器获得柴油机喷射系统的燃油压力波形,对波形进行时域分析和特征提取。根据所取得故障信息及其对应的故障类型来构造网络结构,用单一故障样本对网络进行训练,根据输出神经元在输出层的位置对故障进行判断。通过仿真实验验证SOM神经网络在柴油机故障诊断的正确性。经实例分析证明,该方法可对故障进行有效诊断。     

基于RBF神经网络的核动力装置故障诊断方法研究

核动力装置是一个高度复杂并具有高度安全性要求的结构体系,其故障检测方法一般采用传统的阈值方法。为克服阈值方法的不足,提出了基于RBF(radial basis function)神经网络的核动力装置故障诊断方法。该方法选择对核动力装置安全具有重要影响的运行参数作为神经网络的输入,并利用核动力装置正常运行模式及典型故障模式的监测数据作为训练样本,网络训练采用正交最小二乘算法(orthogonal least square,OLS)。为了验证所提方法的可行性,利用核动力装置运行监测数据进行检验。结果表明,RBF神经网络成功地诊断出了故障,具有良好的诊断效果。     

小波神经理论在风力机齿轮箱故障诊断系统中的应用

风力机齿轮箱振动信号是一种时频特性复杂的非平稳信号,常规的时域和频域分析方法难以有效的分析齿轮箱故障及提取故障特征。提出一种基于小波分析和神经网络的风力机齿轮箱故障诊断方法,该方法采用小波时频分析技术对风力发电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,为实现智能诊断提供故障特征值。应用BP神经网络进行故障识别,并采用LabVIEW和matlab软件予以实现。结果表明,该方法能有效提高风力发电机组齿轮箱故障诊断的准确性。     

基于神经网络的水轮机控制系统故障诊断

本文首先简述了水轮机控制系统故障诊断的要求,然后针对一个故障诊断实例,提出了基于神经网络的水轮机控制系统。及故障诊断方法,建立了故障样本与处理对策样本,运用双向联想记忆算法进行了诊断分析,给出了相应的Hopfield网络模型,并用A/D变换器电路对此进行了硬件实现,最后给出了基于微机利用神经网络对水轮机控制系统进行故障诊断的硬软件实现方案。     

Fault diagnosis of PEMFC systems based on an auxiliary transfer network

Data-driven fault diagnosis methods require huge amounts of expensive experimental data. Due to the irreversible damage of severe fault embedding experiments to proton exchange membrane fuel cell (PEMFC) systems, rare available data can be obtained. In view of this issue, a fault diagnosis method based on an auxiliary transfer network (ATN) is proposed. This method uses two parallel neural networks (main and auxiliary neural network) and a prediction fusion module to realize fault diagnosis. The auxiliary neural network is a fault diagnosis classifier pretrained based on both slight and severe fault simulative data, and its weights are transmitted into the ATN structure and frozen. After that, the main neural network is trained based on a large number of slight fault experimental data and a small number of severe fault experimental data. Through ATN, the main neural network learns the abstract features of severe faults under the guidance of auxiliary neural network, and realizes the transfer learning from simulation-based fault diagnosis classifier to experiment-based fault diagnosis classifier. Through testing, the accuracy and precision of ATN-based fault diagnosis classifier with LSTM as both main and auxiliary neural network reaches 0.993 and 1.0 respectively, which is higher than the common data-driven methods.     

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MATLAB的集成神经网络在给水泵故障诊断中的应用

针对大型火电站电动给水泵常见的振动故障,采用基于MATLAB的集成神经网络对给水泵的振动故障进行诊断。从单个神经网络开始,从信息融合的角度建立了集成神经网络故障诊断方法,探讨集成神经网络的实现策略和组建原则,并给出给水泵振动故障诊断的实例,证明该诊断方法提高了故障确诊率。