基于故障树与Rete算法的电泵井工况诊断方法研究

为了实现对电泵井运行过程中电泵工况与电机工况的智能诊断,对基于故障树与Rete算法的电泵井工况诊断方法进行研究。通过对电泵井工况故障的特征表现进行分析,构建了支持电泵工况与电机工况诊断的故障树与知识库,并结合Rete算法实现了基于产生式的规则引擎,用于推理得到电泵井的工况诊断结果,从而给出相应的优化建议。最后在电泵井基础数据和电机测试数据的事实数据基础上,对63口井进行了工况诊断。实践表明,诊断结果与实际相符,提高了工况故障定位的效率与精确度。     

基于神经网络的电气设备故障诊断

电气设备的故障诊断对于提高生产效率具有十分重要的意义。然而,随着设备内部复杂度的不断提高,故障诊断也成为一项越来越难的工作。在分析神经网络结构及其学习算法的基础上,提出一种基于3层BP神经网络的电气故障诊断方法,并以发动机故障检测为实例,分析特征向量提取、神经网络训练等问题。通过输入样本训练及神经网络测试表明,神经网络在故障检测诊断问题中具有很高的实用价值。     

模糊神经网络在汽车变速器故障诊断中的应用

本文提出了一种基于模糊神经网络的车辆变速器故障诊断方法,介绍了该方法的原理、结构及其实现算法。将该诊断方法运用到某汽车变速器轴承的故障诊断中,建立了基于模糊神经网络的变速器轴承故障诊断模型。该诊断模型通过模糊神经网络的双向模糊联想,对输入的故障征兆进行模式识别。通过实验表日月,该诊断方法对各种故障模式具有较高的识别率,并具有较强的泛化能力,是一种较好的故障诊断研究方法。     

基于Adaboost的网络设备故障诊断算法

传统的诊断方法效率低又耗费人力,具有较大的局限性.本文提出的基于Adaboost的网络设备故障诊断算法是一种机器学习算法,通过选择C4.5决策树弱分类器集成一个强分类器,从而具有效率高,分类效果等特点.通过与神经网络、KNN等方法进行实验结果比较,所提算法效率更优,能更好应用于网络设备的故障诊断.     

PNN神经网络在尾气分析发动机故障诊断中的应用

汽车尾气不仅对大气环境污染越来越严重,而且其排放成分浓度直接反映车辆运行工况,因此通过分析尾气成分浓度,利用PNN网络对尾气进行分析从而诊断发动机故障,可初步判断发动机故障所在。PNN网络结合径向神经网络和概率密度的优点,特别适合模式分类识别。文中以北京现代伊兰特为例,利用尾气分析仪采集汽车尾气CO,CO2,HC,O2和NOx的数据,运用PNN神经网络建立故障诊断模型,并对其进行验证。诊断及验证结果完全正确,表明PNN网络具有较高的准确率和使用价值。     

基于改进ALIF与FA-BP的滚动轴承故障诊断

针对滚动轴承的故障信号存在大量噪声信号和滚动轴承故障的准确诊断等问题，提出一种基于改进自适应迭代滤波算法与萤火虫算法优化BP神经网络相结合的故障诊断新方法。首先采用自适应迭代滤波算法对故障信号进行分解得到若干个内禀模态函数，再进行奇异值分解，绘制差分谱曲线并选择重构信号，对其进行二次降噪；然后通过萤火虫算法寻找BP神经网络的最佳参数，建立FA-BP故障诊断模型，提取降噪后的内禀模态函数中心频率形成特征矩阵，输入故障诊断模型；最后应用于美国凯斯西储大学的轴承数据进行检测，准确率达99.4%，诊断时间为3.18 s。该方法与BP神经网络、萤火虫算法网络、遗传算法网络、遗传算法优化BP神经网络的诊断模型相比，大大提高了诊断效率并具有较高准确率。     

基于VMD与多尺度一维卷积神经网络的故障诊断方法

针对旋转机械设备在多工况、小样本状态下故障诊断精度不高的问题，提出一种基于VMD与多尺度一维卷积神经网络（M1DCNN）的故障诊断方法。该方法首先利用VMD对原始振动信号进行分解，并以峭度为指标，筛选出峭度值最大的分量进行包络分析；然后构建包含多个不同尺度卷积核通道的卷积神经网络，并采用多尺度卷积核提取不同尺度下包络信号的特征信息，进而对故障进行识别。将该方法应用于齿轮箱中的齿轮和滚动轴承的振动数据分析，结果表明：该方法在多工况、小样本情况下均有较高的故障识别精度，且模型具有较强的泛化性能；同时，与单通道卷积神经网络（1DCNN）的对比分析表明，所搭建的多尺度卷积神经网络能更全面地提取信号特征，因而具有更高的诊断精度。     

基于广义神经网络的轨道电路故障诊断方法研究

针对ZPW-2000型轨道电路故障诊断难、诊断效率低等问题,提出一种基于模糊c均值聚类算法(FCM)和广义神经网络(GRNN)结合的ZPW-2000型轨道电路故障诊断方法。首先采用模糊c均值聚类对故障样本数据分为9类,并得到每类的聚类中心和个体模糊隶属度矩阵,再采用广义神经网络对样本数据作近一步判断,最后采用现场故障数据进行验证,得到较好的诊断精度,因此该法能够为现场维护人员提供诊断辅助,提高了诊断效率。     

基于自适应结构的径向基神经网络模式识别

为了提高神经网络模式识别的泛化能力,运用梯度下降、扩展卡尔曼滤波、无先导卡尔曼滤波和一种基于遗传算法与扩展卡尔曼滤波组合的新方法,对径向基神经网络的中心节点和权重进行了优化,建立了自适应结构的径向基神经网络模型,实现了对 IRIS 数据集的识别。通过仿真实验,对基于不同算法的径向基神经网络,从逼近能力、输出误差、学习效率与识别精确度等方面进行了分析比较。本文方法具有很强的非线性处理能力和自适应能力及较快的学习速度。     

基于小波包和神经网络激光冲击强化诊断研究

为了对激光冲击强化过程进行故障诊断,提出了一种基于小波包和BP神经网络的声学诊断方法,利用小波包提取出了激光冲击强化过程中所采集声波信号在某些频段的能量作为信号特征,并通过神经网络进行训练,能够较好地识别出模拟的故障情况,对于进一步加强声学诊断方法的研究具有重要意义。     

基于进化神经网络的电力变压器故障诊断

提出了基于进化神经网络（ENNs）的电力变压器故障诊断方法。基于文中所提算法,ENNs能自动调整神经网络的网络参数以达到最佳模型。应用进化算法的全局搜索能力和神经网络的高度非线性映射性质,ENNs可以识别变压器油中溶解气体含量和相应故障类型之间的复杂关系。文中所提的ENNs以某电力公司的诊断记录为依据进行测试,并与模糊诊断系统、人工神经网络和传统方法进行对比。测试结果证明ENNs比现有的方法更能准确诊断故障,所需学习时间更少。     

基亏改进神经网络的柴油机系统故障诊断

BP神经网络可以利用其高度的非线性映射和自组织能力有效解决柴油机系统的故障诊断定位问题。但是标准的BP网络有自身无法克服的一系列问题,因此对标准BP网络的学习方法做出改进．并以此理论建立柴油机系统故障诊断的整体模型。为了检验改进理论的准确性,根据柴油机燃油系统的故障建立网络模型并诊断进行检验．MATLAB仿真结果表明,改进算法有效地提高了学习的效率与稳定性,加快了收敛速度,能有效解决故障的诊断与定位．并且具有良好的稳定性。     

基于神经网络的故障诊断专家系统

介绍了一种基于神经网络故障诊断专家系统，给出了系统的结构，具体描述了神经网络专家系统的基本原理。并以抽油井井下故障诊断为例说明了神经网络故障诊断的推理过程，诊断结果表明了该方法的有效性。     

BP神经网络在设备故障诊断方面的应用

电子设备逐渐成为越来越复杂的大系统,因此如何对其进行高效快速的故障诊断,使其保持良好的工作状态,具有重要的意义。针对传统故障诊断技术的局限性,探讨了基于BP神经网络的故障诊断方法;并基于该诊断方法利用VC＋＋和Matlab混合编程开发了故障诊断软件。同时以雷达系统上的某些部件为例,对该软件在故障诊断方面的正确性及可靠性进行验证：将代表故障的信息输入训练好的神经网络后,由输出结果便可以判断发生故障的类型,从而实现对故障模块的精确定位。实验结果表明,该诊断软件提高了电子设备故障诊断的效率,具有一定的应用价值。     

基于神经网络的机载航炮故障诊断专家系统

在分析专家系统和神经网络单独应用于设备故障诊断的优缺点基础上，建立了基于神经网络的机载航炮故障诊断专家系统。实践证明，网络的学习时间显著缩短，整个系统推理效率明显提高，验证了集成式专家系统的诊断效果比传统的专家系统或神经网络更全面、准确和迅速。     

基于BP网络的雷达故障诊断

针对传统故障诊断技术的局限性,探讨了基于BP神经网络的故障诊断方法,并结合雷达系统故障诊断的特点,建立了基于神经网络的雷达故障诊断系统。系统在Windows环境下,使用面向对象程序设计,使故障诊断智能化、简单化。实验表明,该系统提高了故障诊断的效率。     

Wireless Sensor Network for Multi-channel 3D Data Synchronizing Acquisition System and Visual Simulation Research

A multi-channel three-dimension (3D) data synchronizing acquisition system based on wireless sensor network is proposed and used to collect underground three-dimension data in this paper. The channel number and the sampling rate of the data acquisition are the bottleneck of the seismic exploration. The synchronization precision of the multi-channel data affects the oil seismic exploration efficiency directly. The system adopts distributing collecting, conversion, storage and transfer multi-channel seismic data during specific time. The system can synchronizing gather 1024 channel data, and the collective data can form 3D data cube by corresponding process. The data structure of 3D data cube is analyzed and the 3D simulation model of underground oil reservoir is established. The methods of displaying slice for the 3D simulation model are studied using the technology of computer graphic and image processing, and we accomplish the horizontal slices, vertical slices of underground oil reservoir from multi-direction and multi-angle in this paper. Some typical simulation images for an underground oil reservoir are given by programming the corresponding algorithm and graphic display program using C++.     

基于CBR的雷达故障诊断专家系统研究

以故障诊断的理论和方法为基础,综合运用神经网络、基于案例推理和专家系统理论,对雷达装备的故障诊断问题进行研究,形成一个集成的智能诊断专家系统.介绍了系统的总体结构和工作原理,并给出具体的诊断实例,此方法充分利用神经网络和CBR的优点,将提高雷达装备故障诊断的正确性和效率.     

模拟数字电路故障诊断新方法

利用小波变换与神经网络相结合的方法,采用能量分布特征提取方法和改进BP算法,给出了一种基于小波变换和BP神经网络相结合的模拟电路故障诊断方法.用正弦信号仿真模拟电路,应用小波变换对模拟电路的采样信号进行多尺度分解,再进行能量分布特征提取,然后利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.在用神经网络诊断模拟电路的基础上,进行了将神经网络用于数字电路单故障诊断的研究.对两者的实例电路仿真结果表明,神经网络可以有效、方便地实现电路的故障检测和定位,准确率高,为故障诊断的研究提供了一种新思路.     

Detection of characteristic waves of sleep EEG by neural network analysis

In psychiatry, the sleep stage is one of the most important evidence for diagnosing mental disease. However, doctors require much labor and skill for diagnosis, so a quantitative and objective method is required for more accurate diagnosis since it depends on the doctor's experience. For this reason, an automatic diagnosis system must be developed. In this paper, we propose a new type of neural network (NN) model referred to as a sleep electroencephalogram (EEG) recognition neural network (SRNN) which enables us to detect several kinds of important characteristic waves in sleep EEG which are necessary for diagnosing sleep stages. Experimental results indicate that the proposed NN model was much more capable than other conventional methods for detecting characteristic waves.