MCPSO与RBFNN在滚动轴承故障诊断中的应用

将多群体协同粒子群优化算法应用于RBF神经网络优化设计,不仅拓宽了算法本身的应用范围,而且在一定程度上提高了神经网络的泛化能力,为进一步利用神经网络解决实际工程问题提供了便利。利用优化后的RBF神经网络建立从滚动轴承故障特征向量到故障模式之间的映射,达到了滚动轴承故障模式识别的目的,具有重要的理论和实际意义。     

基于支持向量机的故障诊断方法研究

故障样本缺乏是制约智能故障诊断发展的重要原因。支持向量机是近10 a来提出的一种基于小样本的统计学习方法。将支持向量机分类算法用于滚动轴承的多类故障分类并与RBF神经网络进行对比研究。实验表明,在有限样本条件下,支持向量机算法比RBF神经网络具有更好的分类性能。     

基于人工神经网络技术的矿用带式输送机滚动轴承故障诊断

研究了人工神经网络的原理、结构和学习算法,并将该网络应用于带式输送机滚动轴承的故障诊断中。采集不同类型的滚动轴承故障信号,并对信号进行预处理。利用神经网络进行训练,当训练误差满足设定要求时,训练完成。利用训练成熟的神经网络对滚动轴承进行故障诊断。实验结果表明神经网络技术可以快速、准确地诊断出带式输送机滚动轴承的故障类型。     

基于BP神经网络的滚动轴承故障诊断

滚动轴承在煤机设备中广泛应用,在恶劣工况下容易发生故障。为了能够及时准确地获取滚动轴承的运转状态,采用BP神经网络算法与小波函数对轴承振动信号进行分解,从而对滚动轴承进行状态监测以及故障诊断。实验结果表明,BP神经网络能够准确获得滚动轴承的运动状态及故障类型。     

基于神经网络的煤矿机械滚动轴承故障诊断研究

滚动轴承失效是煤矿机械常见的故障之一,一旦出现此类故障较难及时发现并修复,造成极大的经济损失。为此提出了一种可在滚动轴承故障发生早期进行及时预测诊断的方法,可以根据滚动轴承故障早期振动信号的各种特征分量进行模式匹配,从而识别出故障类型以便及时采取措施。在进行故障预测和模式识别时,采用了原始BP神经网络和经过遗传算法优化的GA-BP神经网络,经过仿真比较显示,后者的性能更强。     

基于双树FB结构复小波和改进RBF网络的配电网单相接地故障选线方法

在引用双树FB结构复小波的奇异性检测理论和模极大值理论的基础上,提出了改进传统RBF神经网络的优化方法。即将Chaari复小波变换理论与RBF神经网络技术结合,进而实现了基于两者结合的综合选线方法。利用复小波变换提取发生故障后各支路零序电流的暂态信号特征,将其作为改进RBF神经网络的输入向量,再利用RBF神经网络强大的自适应、自学习能力,对特征量进行训练,确保其快速的收敛性以及选线的准确性。仿真实验结果,表明该方法能准确进行单相故障选线。     

基于小波分析和神经网络的刮板输送机刮板链故障诊断

刮板链是刮板输送机最易损坏的部件,维修难度大。快速定位故障可有效提高效率,因此采用小波分析和RBF神经网络对刮板链故障进行诊断。对刮板链故障类型进行分析。为减少RBF神经网络的计算量,采用小波分析方法对采集到的数据进行预处理。将刮板链节距、刮板长度、刮板厚度、空载时弯曲度和满载时垂直度作为神经网络的输入,对RBF神经网络进行训练。仿真结果显示,故障诊断结果与实际情况一致,且采用小波分析后迭代次数明显减少。     

基于遗传算法优化的RBF神经网络的压力传感器故障诊断

提出了一种基于遗传算法优化的RBF神经网络故障诊断方法,此诊断方法首先利用小波包分解的方法对传感器电路的各种故障数据进行特征提取,再将所得的特征向量输入到遗传算法优化的RBF神经网络进行故障诊断。经过MATLAB仿真,此故障诊断方法不仅对传感器故障进行准确分类,而且提高了BP神经网络的收敛性,从而验证了此方法是可行的。     

基于SAPSO优化的小波神经网络在滚动轴承故障诊断中的应用

针对滚动轴承振动信号复杂及故障类型难以预知的问题,提出一种基于模拟退火粒子群算法(SAPSO)优化小波神经网络来诊断滚动轴承故障的新方法,并将其应用于滚动轴承故障诊断。实验表明,该方法能减少迭代次数、提高收敛精度。     

基于LMD近似熵和PNN的轴承故障诊断

提出一种基于局部均值分解(LMD)近似熵和概率神经网络(PNN)的滚动轴承故障诊断方法。通过对信号LMD分解,非平稳信号能够转换成若干个平稳的乘积函数分量(PF)之和;轴承在发生不同故障时,产生频谱相异的信号,其近似熵不同,因此可通过提取原始信号的近似熵,来判别轴承的运行状态。实验表明,信号经过LMD分解得到若干PF分量,从中提取近似熵,组成N维特征向量,输入PNN模型,能够准确地判断故障类型;在小数据的情况下,相比于BP和RBF两种传统神经网络,PNN具有更优的故障分类能力。     

基于小波包-SVD和IPSO-BP的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳性和非线性特点以及BP神经网络结构参数差等因素导致滚动轴承故障识别准确率低的问题,提出一种基于小波包结合奇异值分解(SVD)和改进粒子群算法(IPSO)优化BP神经网络的滚动轴承故障诊断方法。首先通过小波包对振动信号进行分解与重构,得到不同频段的信号之后利用SVD提出有效的故障特征向量,输入到BP神经网络中进行测试。考虑到BP神经网络结构参数差等因素,使用IPSO对BP神经网络进行优化,最后测试得出结果。对比实验模拟和现场数据验证表明,基于小波包-SVD和IPSO-BP的滚动轴承故障诊断准确度大大提高。     

基于小波包分析和高阶模糊神经网络的滚动轴承故障诊断

滚动轴承是旋转机械中最易发生故障的元件之一,提出了一种基于小波包分析和高阶模糊BP神经网络的滚动轴承故障诊断新方法。该方法的具体诊断过程:采用小波包分解的方法提取样本信号各频段的Shannon熵值并结合其他一些量化指标,经筛选后作为特征向量输入滚动轴承故障诊断高阶模糊神经网络,对该网络进行训练与检验。实验表明这种方法与传统方法相比,在收敛速度及对训练总误差控制方面具有更大的优越性。     

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。     

基于改进粒子群优化RBF神经网络的轧制力预报

依据RBF神经网络的非线性逼近能力和自学习特性, 提出基于RBF神经网络的建模方法。将最近邻聚类用于RBF神经网络隐层中心向量的确定, 并采用改进粒子群算法对最近邻聚类的聚类半径进行优化, 合理确定了RBF神经网络的隐层结构, 提出了一种基于改进粒子群算法的RBF神经网络(IMPSO-RBF)。将该网络应用于轧制力的预报, 与基本粒子群算法优化的RBF神经网络比较, 仿真结果表明其在预报精度和收敛速度上都有很大提高。     

滚动轴承的故障特征提取技术与方法研究

基于小波分析获取轴承故障频率,并以该频率为中心点向前2.5 Hz和向后2.5 Hz的频带变化作为滚动轴承的特征值。通过归一化处理,将轴承内圈、外圈和滚动体的故障频带的能量作为故障特征参量,建立起故障频带能量与滚动轴承状态的映射关系,进而应用神经网络进行故障诊断,有效提高了轴承故障诊断的精确度