基于小波模糊神经网络刀具状态监测系统的设计

本文利用能量分布特征提取方法和模糊神经网络,提出一种基于小波变换和模糊神经网络的刀具状态监测系统,利用该系统对四种刀具状态进行估计,结果与实际情况完全一致,证明该系统对于估计刀具状态是非常有效的.     

基于小波神经网络的机床刀具检测

根据小波分析在时频域的自适应性，在与神经网络相结合的基础上，将其运用到机床刀具的检测上，此种方法方便快捷，减少了神经网络的输入节点数，加快了神经网络的训练速度，提高了网络训练的准确度。试验表明，该方法得到满意的结果。     

基于小波神经网络的切削刀具状态监测

提出了一种基于小波神经网络的切削刀具状态监测方法，即提取反映刀具磨损状态的特征参数，利用小波神经网络的非线性模型，实现在线状态监测；同时针对多输入输出问题带来的网络规模大、收敛速度慢等问题，提出了一种网络优化算法，即采用改进的遗传算法寻找最优小波基元，从而简化小波网络并加快收敛。仿真实例证明该方法是有效的。     

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。     

基于小波神经网络弧齿锥齿轮故障诊断及实验研究

提出了一种离散小波变换结合神经网络的故障状态识别方法,运用信号特征提取机理对航空用弧齿锥齿轮故障诊断及状态识别进行了研究.建立了孤齿锥齿轮传动系统振动测试试验台,对正常结构和故障结构的齿轮传动进行了试验测试,通过小波阈值去除掉齿轮箱的振动数据信号系统噪声的影响;采用离散小波变换提取信号的能量特征,利用带有反馈算法的神经...     

机器状态监测与故障诊断综述

介绍了机器状态信号处理工具和机器状态监测与故障诊断模式、方法的发展情况,分析了各自的优缺点,最后指出了机器状态监测与故障诊断技术的发展方向。     

小波神经网络在柴油机异响故障诊断中的应用

由于活塞敲缸响和活塞销响是两种常见的、却难以区分的柴油机异响故障，这里对EQ6BT柴油机这两种故障的缸体振动信号进行Morlet连续小波变换，作出小波变换系数的尺度-能量谱，并提取出尺度为3～20范围内的最大尺度能量作为BP神经网络的输入向量，实现了对该柴油机两种异响故障的诊断。结果表明，利用文中所设计的小波神经网络能非常准确地诊断出EQ6BT柴油机活塞敲缸响、活塞销响两种异响故障及其故障的严重程度。     

基于神经网络与小波变换的滚动轴承故障诊断

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。     

基于小波神经网络的电动机转子故障诊断

在电动机故障诊断技术中,基于振动和定子电流频率成分的检测是电动机故障检测的两种主要手段.讨论了基于振动故障信号的检测方法.由于电动机振动信号是非平稳随机信号,故障信号中往往含有大量的时变、短时突发性质的成分,传统的傅里叶信号分析不能有效地提取电动机的故障特征,而且还可能将含有丰富故障信息的微弱信号作为噪声去除.因此,引入比小波分析更强的小波包变换技术来提取信号的故障特征信息,得到的结果作为神经网络的输入信号,用神经网络的L-M优化算法来进行训练,然后用BP神经网络来进行故障识别.采用Matlab软件进行仿真,证实该方法对电动机故障诊断的有效性和准确性.     

基于小波变换预处理的一种神经网络故障诊断方法的研究

针对无法区分干扰信号与有用信号一类系统提出了一种先用小波变换让信号在不同频段上进行分解,提出各分量故障信号的特征,然后应用ＢＰ神经网络进行故障诊断的一种方法。并将这种方法应用于液压系统的泄漏故障诊断,取得了比较满意的效果。     

基于知识增殖神经网络的滚动轴承故障诊断

对滚动轴承故障模式识别进行了研究,阐述了小波包神经网络诊断方法的工作原理和实现过程.针对在处理大规模或者较复杂问题时,人工神经网络存在网络学习失败或推广能力不好的问题,从网络推广能力的角度分析了具有知识增殖能力的小波包神经网络诊断系统的结构设计.试验结果表明,所提出的故障诊断方法能够较精确实现滚动轴承多部位的单一、复合故障的定位和模式识别,效果明显好于单一网络.     

小波包-神经网络在斜轴泵故障诊断中的应用研究

针对斜轴式柱塞泵零部件故障信息被耒本身的流体冲击、机械振动所淹没的问题,采用小波包将振动信号分解到不同的频带以提取有关部件的故障信息,并将小波包分解在不同频带反映斜轴泵工作状况的振动特征信息作为故障样本,研究人工神经网络结合小波分析对斜轴泵进行故障诊断的方法,建立了相应的ＢＰ神经网络。研究结果表明训练成功的ＢＰ网络可作为智能分类器对斜轴泵的常见故障进行识别和诊断。     

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。     

遗传小波网络在齿轮箱故障诊断中的应用

针对小波神经网络常用的反向传播算法普遍存在收敛速度慢,容易陷入局部极小点,网络参数的选取只能凭实验和经验来确定等缺点,提出了一种基于遗传算法优化的小波神经网络并应用于齿轮的故障诊断。仿真结果表明,该方法充分的发挥了遗传算法的全局寻优能力,小波分析的非线性逼近能力和神经网络的自学习特性,优化了系统的收敛速度和故障诊断的精度。     

基于DWT和PNN的印刷过程实时监测和故障诊断

提出了一种新的基于离散小波变换和概率神经网络的印刷过程振动信号的实时监测和故障诊断系统。利用小波包分解技术对印刷过程振动信号进行降噪处理,并选择特殊频段进行小波包重构,有效捕捉和分离了处于信号不同频段的印刷过程振动信号故障特征分量。对提取的故障特征参数应用概率神经网络映射,实现对印刷过程振动信号运行状态的实时监测和故障诊断。仿真结果表明,该诊断方法快速、准确且易于工程实现。     

小波包与改进BP神经网络相结合的齿轮箱故障识别

应用小波包分解技术提取齿轮箱振动信号中的故障特征向量,并以此作为改进BP神经网络的输入,对神经网络进行训练,建立了齿轮箱运行状态分类器,用以识别齿轮箱的运行状态。试验结果表明,小波包分解与神经网络相结合的齿轮箱齿轮故障识别方法是可靠的,可以准确识别齿轮箱的故障。     

基于PSO优化的小波神经网络在刀具磨损识别中的应用

刀具状态监控是保证自动化加工顺利进行的重要环节,本文针对切削加工中功率信号的获取,以及反映刀具状态的信号特征抽取的问题,设计了采集功率信号,利用小波包分解的方法抽取反映刀具磨损状态的特征值作为神经网络输入值,采用神经网络对特征值进行训练,然后借用粒子群算法(PSO)算法优化神经网络及其结构的方法,获得了结构简单、准确性高、实时性好的神经网络,仿真和试验表明该方法对特征信号反映灵敏,对切削参数的变化不敏感,能够准确反映刀具的磨损状态。     

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诊断模型。试验证明,在训练集数据和测试集数据转速不同的情况下,该方法与BP神经网络相比,在诊断准确率和鲁棒性方面都有提升。该方法的研究为行星齿轮箱的故障诊断提供了参考。