共查询到19条相似文献,搜索用时 93 毫秒
1.
以大型直线振动筛侧帮裂纹为研究对象,利用小波分析对振动信号进行降噪处理和故障特征提取,设计系统故障诊断的BP神经网络,并用遗传算法对网络结构、参数和学习规则进行优化。通过样本训练和测试,这种小波遗传神经网络具有较高的故障识别能力、分类精度和速度。 相似文献
2.
3.
4.
5.
小波神经网络的构成和学习算法应用在煤矿设计故障处理中,实现了故障诊断。文章针对小波神经网络在煤矿传感设备故障处理中的应用进行研究,希望对煤矿工作有所帮助,提供参考。 相似文献
6.
介绍小波神经网络的构成和学习算法,并针对提升机减速箱故障的复杂性构造了用于减速箱故障诊断的小波神经网络,对减速箱的状态进行判别,实现了故障诊断。实验结果表明,小波神经网络在减速箱故障诊断领域具有良好的实用性。 相似文献
7.
建立了小波神经网络的理论模型。针对传统小波神经网络的缺陷,提出了带动量项和变学习率的小波神经网络。确定了自卸车的输入向量和输出向量,并且对小波神经网络进行了训练。分别利用传统的小波神经网络和改进的小波神经网络对自卸车进行故障诊断,诊断结果表明,改进小波神经网络能够准确地对自卸车进行故障诊断。最后,分别从软件系统和硬件系统设计了自卸车故障监控系统。 相似文献
8.
9.
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。 相似文献
10.
针对采煤机在正常工作中经常发生轴承故障的问题,提出了小波包和BP神经网络相结合的故障诊断系统。即运用小波包的分解方法提取检测信号的故障信息作为BP神经网络的输入样本,经过训练的神经网络可对采煤机上轴承的工作状态进行诊断和分类。试验结果表明,此方法对轴承的常见故障可进行有效的识别和诊断,方法简单可靠。 相似文献
11.
以小波变换、小波神经网络为工具,采用定子电流对HXD1B型机车的YQ1633异步牵引电动机开展牵引电机齿轮故障诊断研究。定子电流法相对于振动法更容易实施,有效克服了振动信号中包含的复杂干扰。由小波分析完成齿轮故障的特征量提取,通过神经网络对故障类型进行判断,实际测试表明,该方法具有较好的故障诊断性能。 相似文献
12.
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。 相似文献
13.
对基本的遗传算法进行了改进,并将其与BP算法相结合构成混合算法应用到电动机故障诊断的小波神经网络训练中。仿真结果表明,该算法有效地解决了小波网络初值设置不合理,极易进入局部极小的区域,以致网络振荡增大、不收敛,而GA算法独立训练神经网络速度缓慢等缺点。用训练过的小波神经网络模型对5组电动机故障进行验证和诊断的仿真结果也表明了,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电动机故障诊断的有效性。 相似文献
14.
为了对煤矿主要通风机故障信息进行实时诊断,以通风机振动信号为研究对象,利用小波降噪和HHT变化的方法对煤矿主要通风机的振动信号进行处理,并利用模糊神经网络理论建立了通风机故障诊断系统。通过实际验证,证明了该故障诊断系统是可行的、可靠的,为确保煤矿主要通风机稳定运行提供了技术保障。 相似文献
15.
16.
17.
针对带式输送机齿轮箱故障信号成分复杂、故障识别难的问题,提出了基于自组织映射(SOM)网络的故障诊断方法。首先使用融入Shannon熵的小波降噪方法对齿轮箱振动信号进行预处理;然后利用齿轮箱不同状态的信号通过高斯混合分布模型对其参数使用最大期望算法进行估计,获得反映不同运行状态的特征向量;最后使用SOM网络对齿轮箱不同工况振动信号的特征进行分类识别,进而诊断出相应故障。结果表明:该方法可以有效地识别齿轮箱混合故障,总识别正确率达90%,其中有6种工况的识别正确率达100%。 相似文献
18.
19.
针对瓦斯传感器常见的偏置型、冲击型、漂移型和周期型4种突发型故障,以小波分析和RBF神经网络为基础,提出了由小波包分解提取特征能量谱与扩展Kalman滤波算法(EKF)优化的RBF神经网络进行模式分类辨识的瓦斯传感器故障诊断方法。对瓦斯传感器的输出信号进行小波包分解,运用基于代价函数的局域判别基(LDB)算法进行裁剪,获取最优的特征能量谱,经处理后作为特征向量训练EKF-RBF神经网络,采用参数增广和统计动力学方法,通过带有整定因子的EKF参数估计,用来辨识瓦斯传感器的故障类型。实验结果表明:该方法的辨识正确率在95%以上,误报率和漏报率都明显优于其他算法,能够有效用于瓦斯传感器的故障在线诊断。 相似文献