基于最优小波包与SOM-BP融合的柴油机故障诊断

柴油机振动信号具有非平稳性,用最优小波包将不同故障的振动信号分解到不同频段。提取各频段的能量组成特征向量输入SOM-BP神经网络,通过神经网络输出结果判别柴油机的故障类型。与BP网络的训练结果相比较,证明将最优小波包分解与SOM-BP神经网络相结合的方法可以得到更好的分类结果,有一定的工程实用性。     

基于EMD和BP神经网络的大功率柴油机故障诊断

研究了将经验模式分解(EMD)和BP神经网络2种方法诊断大功率柴油机的振动故障信号。首先运用经验模式的分解方法对柴油机缸盖表面的振动信号进行分解并来提取特征参数;最后通过建立了BP神经网络模型对柴油机典型故障进行诊断。通过对150-12缸柴油机的验证,表明该方法能够准确识别柴油机供油系统的典型故障。     

煤矿风机小波神经网络故障诊断系统研究

针对煤矿风机振动信号非线性、非平稳特性,结合小波分析和神经网络技术,研究煤矿风机故障诊断方法。该方法运用小波包分解技术,提取风机信号各个频带的能量特征,构造特征向量作为BP神经网络的输入,并借助于LabVIEW平台实现风机故障诊断。通过对实验数据的分析表明,小波分析和神经网络相结合可以有效地识别风机故障。     

基于相对频谱能量矩和概率神经网络的柴油机气门间隙故障诊断方法

采集柴油机缸盖振动信号并进行VMD分解得到最优的振动信号IMF分量。计算IMF相对频谱能量矩得到有效的柴油机气门间隙故障特征参数并由此得到概率神经网络的训练样本,采用粒子群寻优算法建立柴油机气门间隙故障诊断的概率神经网络。实验数据表明基于VMD相对频谱能量矩的优化概率神经网络用于柴油机气门间隙故障诊断的正确率较高。     

基于小波包神经网络的电机故障诊断分析与研究

由于传统基于傅立叶变换的利用频域对电机故障的信号分析中无法对奇异信号点的时域信息进行检测。针对上述问题,提出基于小波包神经网络的电机故障诊断的方法。结合电机振动的非平稳随机性的特点。利用小波包多分辨率分析方法对电机的采样信号进行分解,提取电机故障状态特征并作为BP神经网络输入样本的特征向量,利用神经网络的自学习和模式识别的特点最终输出电机故障类型。通过MATLAB仿真结果可以证实该方法可行性。     

基于小波神经网络的矿用主通风机故障诊断研究

通过小波包分析对通风机转子的振动信号降噪分解,提取各频带重构信号的能量作为故障特征向量,并以此当做BP神经网络的训练样本和测试样本,进行网络训练和故障模式识别。以MATLAB为平台,测试了网络对通风机常见故障类型的识别验证率,结果表明方法可行有效,有较高精度,为旋转设备故障诊断提供了新的思路。     

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。     

基于小波包和bp神经网络的破碎机故障识别技术研究

在分析破碎机典型故障原理及其基本特征的基础上,利用小波包分析将振动信号分解到不同波段,采用能量归一化处理后形成特征向量输入bp神经网络,通过网络训练后用于实际故障识别,结果证明该方案具有较高的正确率,可有效识别和预警破碎机各类故障。     

基于小波包与概率神经网络相结合的滚动轴承故障诊断

基于小波变换的滚动轴承故障诊断,振动信号中的高频部分对诊断结果有一定影响,为克服此影响,首先运用小波包对SKF型滚动轴承故障信号进行预处理,以此为特征向量结合概率神经网络去验证模型的实用性和可行性。分析结果表明,小波包与概率神经网络相结合的故障诊断方法可以有效的应用于滚动轴承故障诊断。     

神经网络技术在柴油机故障诊断中的应用

提出了一种基于神经网络的柴油机磨损故障振动诊断技术,建立了从故障信号采集、预处理到诊断的整个框架,并在6135Q-1型柴油发动机上作了试验。     

基于小波包熵和流形学习的垮落煤岩识别

针对垮落煤岩识别的技术问题,基于垮落煤岩冲击液压支架后尾梁的振动信号,提出了一种基于小波包熵和流形学习的特征提取方法。该方法首先对振动信号进行小波包分解并单支重构,计算该信号的小波包能量熵,从而确定信号能量分布的复杂度,计算各频带的样本熵,从而确定各频带小波包系数的复杂度。以小波包能量熵和频带样本熵构造特征向量,输入BP神经网络识别垮落煤岩。然后利用局部线性嵌入(LLE)挖掘特征向量的低维流形结构,并输入神经网络对比其识别效果。并提出了未知样本低维估计方法以得到其低维嵌入。结果表明:基于小波包熵和LLE提取的特征向量准确又简单,输入神经网络识别率达到92.5%;基于低维估计方法得到的未知样本低维嵌入也较准确。     

小波神经网络在齿轮早期故障诊断中的应用

在单级齿轮传动运行试验的基础上 ,对齿轮箱表面振动进行同步信号平均采样处理 ,用小波分析来提取齿轮传动的故障信息特征 ,并以此作为前置处理手段为神经网络提供输入特征向量 ,利用神经网络的模式分类功能 ,有效地识别出正常齿轮传动、具有轮齿裂纹的齿轮传动和具有齿面剥落的齿轮传动 3种类型的齿轮传动的运行状态     

提升罐道故障诊断方法的研究

在分析提升罐道典型故障的基础上， 探讨了采用振动诊断方法对典型故障的检测和诊断的方法． 通过对振动信号采用频域和小波的信号奇异性的分析， 建立了典型故障和信号特征的关系， 为提升容器的安全平稳运行提供了依据．     

小波神经网络在电牵引采煤机故障诊断中的应用

提出一种基于小波神经网络非线性观测器的故障检测方法,它把信号分析和数学模型结合在一起进行分析,并利用小波信号对输入信号的去噪功能和人工神经网络的自学习本领,获得系统输入输出的非线性动力学特性,实时计算残差和进行逻辑判断。这种方法可提高电机故障检测的速度和准确率。通过对电牵引采煤机电机模型结构损伤故障的仿真研究表明,该方法是可行的。     

基于分形盒维数和小波包能量矩的垮落煤岩性状识别

针对综放工作面垮落煤岩性状识别的技术问题,采集了综放开采现场垮落煤岩冲击液压支架后尾梁的振动信号,提出了一种基于分形盒维数和小波包能量矩的识别方法。该方法结合分形盒维数对非线性信号整体定量描述的特点和小波包能量矩对非线性信号在各频带精细描述的特点,先对振动信号进行分形特征分析,求出其盒维数,然后对振动信号进行小波包变换,并计算各频带的能量矩。以分形盒维数和小波包能量矩构造特征向量,并作为BP神经网络的输入来识别顶煤垮落和顶板岩石垮落两种工况。试验结果表明:分形盒维数和小波包能量矩构造的特征向量可用于识别垮落煤岩,识别率达到95%。     

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。     

基于电涡流传感器及虚拟仪器的旋转机械碰摩故障特征研究

针对旋转机械碰摩故障的特征,运用电涡流传感器和虚拟仪器采集转子碰摩振动状态信息,对转子碰摩振动信号的时域波形特征、碰摩振动时的轴心运动轨迹特征进行分析,同时应用LabVIEW软件对转子碰摩振动信号进行频谱分析,研究其故障特征,由此对旋转机械的碰摩故障进行识别和诊断。