轴承故障融合诊断方法

针对传统人工神经网络在故障诊断中应用的局限性,提出一种基于小波变换、遗传算法与神经网络的融合故障诊断方法。该方法选用小波变换对原始采样信号进行特征提取,再用遗传算法优化选择最为重要的特征作为神经网络的输入参数。最后,由神经网络进行状态识别和特征分类,这样不仅减少网络训练时间,降低网络计算量,而且有效提高分类的准确性及故障诊断的可靠性,轴承故障诊断实验结果表明,该方法是有效的。     

基于深度学习的轴承故障智能诊断方法研究

针对一些轴承传统故障诊断算法模型简易造成的诊断结果精度不高且稳定度不高的问题,进一步提高故障诊断的精度和稳定度,文章提出了基于深度学习的轴承故障智能诊断方法。首先采用小波对数据进行去噪处理;然后使用深度卷积神经网络训练数据自动学习特征,并加入Dropout正则化技术避免模型的过拟合;最后使用机器学习SKlearn库下的SVC模块搭建SVM分类器并使用Adam算法进行模型的搭建和优化。实验结果表明,文章提出的故障诊断方法平均故障诊断率达到99.7%,对工业生产中的设备故障诊断具有较大意义。     

轴承故障融合诊断方法

针对传统人工神经网络在故障诊断中应用的局限性 ,提出一种基于小波变换、遗传算法与神经网络的融合故障诊断方法。该方法先用小波变换对原始采样信号进行特征提取 ,再用遗传算法优化选择最为重要的特征作为神经网络的输入参数。最后 ,由神经网络进行状态识别和特征分类。这样不仅减少网络训练时间 ,降低网络计算量 ,而且有效提高分类的准确性及故障诊断的可靠性。轴承故障诊断实验结果表明 ,该方法是有效的。     

带式输送机传动滚筒轴承故障智能诊断

带式输送机工作环境恶劣,导致采集获得的滚动轴承信号受噪声影响较大,很难提取故障信号的特征频率。针对上述问题,提出了一种带式输送机传动滚筒轴承故障智能诊断方法。通过对滚动轴承振动信号的谱峭度进行分析,识别出瞬态冲击及其在频带中分布位置,同时根据谱峭度最大化原则确定最优中心频率和带宽,由此设计带通滤波器对滚动轴承信号进行滤波;对经过滤波处理后的滚动轴承有效信号进行谱峭度分析,确定故障特征信号,再进行希尔伯特变换获得包络谱,最终获得准确的故障特征。仿真结果表明,通过自适应谱峭度特征提取后,倍频信号更加清晰,特征频率更加明显准确,能有效识别滚动轴承故障。     

轴承智能故障诊断

轴承振动信号作为一种时间序列数据,其时间维度特征在分类中起着关键作用,单独使用卷积神经网络（CNN）进行轴承故障诊断会造成时间维度信息的丢失,导致诊断精度下降。针对上述问题,提出了一种结合一维CNN、双向门控循环单元（Bi GRU）和注意力机制的轴承故障诊断模型。首先利用CNN自适应提取一维振动信号局部空间特征;然后将该特征信息作为Bi GRU的输入,利用Bi GRU将提取的特征信息进行时间维度的融合,并引入注意力机制对多个时刻的特征信息进行加权,提取出更关键的故障特征;最后将故障特征输入全连接层得到分类结果,实现轴承智能故障诊断。实验结果表明：(1)在测试集混淆矩阵上,轴承运行状态基本分类正确,只有部分标记类型没有被完全分类正确,但是召回率达到了95%以上,总的故障识别准确率为99.3%。(2)利用t-SNE技术对降维处理后的数据进行可视化,轴承各运行状态的数据很好地聚集在各自的空间内,只有少量数据被混杂到其他区域,说明该模型具有较强的特征提取能力。(3)在恒定负载情况下,该模型故障诊断准确率较一维CNN、Bi GRU和注意力CNN等模型的平均准确率分别提高了0.8%、0.6%和0....     

基于模糊神经网络的机械轴承故障诊断方法研究

针对机械轴承智能化故障诊断的需求,提出了一种融合模糊逻辑和神经网络的故障诊断方法。利用EMD-AR谱提取机械故障振动信号特征,将提取的特征向量作为训练样本库和检验样本库,运用模糊神经网络实现故障诊断。最后设计机械轴承故障诊断专家系统,并通过轴承故障诊断实例,验证了智能诊断技术在机械故障诊断领域可以较好地满足诊断需求。     

基于模糊神经网络的智能诊断系统的研制

提出了把模糊理论与人工神经网络结构起来应用到故障诊断中的应用,并采用面向对象的分析方法和编程技术实现了故障的智能诊断。     

基于计算智能方法的动态系统故障诊断技术

简要地综述了基于计算智能方法的动态系统故障诊断技术的最新进展。将计算智能方法与基于模型的方法结合，用于不确定非线性动态系统的故障诊断是这一领域新的发展趋势。重点分析了用于非线性系统故障诊断的基于状态／参数估计的计算智能方法，主要包括神经网络、模糊逻辑、遗传算法。探讨了提高诊断算法鲁棒性的途径。同时也对无模型的基于计算智能的故障诊断方法中的一些研究热点问题进行了分析。最后探讨了该领域今后的发展方向。     

基于DHMM的轴承故障音频诊断方法

轴承音频信号包含了大量的运行状态信息,与振动信号相比,音频信号的采集是非接触式的,具有使用方便和成本低廉等优势。通过提取机械轴承音频信号的Mel频率倒谱系数（MFCC）特征参数,并使用具有良好识别和抗噪性能的隐马尔可夫模型（HMM）分析轴承运行状态,首次将HMM对音频信号的分析方法应用于故障诊断。为了能够实现对轴承故障的实时诊断,采用计算量较小的离散HMM（DHMM）模型加快训练和识别速度。实验结果表明,该方法对轴承运行状态的识别正确率接近90%,识别时间约为31 ms,效果较好,有效可行,具有很好的应用前景。     

用于轴承故障诊断的两步迁移学习法

由于轴承故障数据存在数据量少和分布不均衡的问题,将迁移学习引入故障诊断领域,同时由于轴承故障数据的分布与源数据集分布差异巨大,直接采用迁移学习的方法会产生负迁移效应,即由于源数据集与目标数据集间分布差异过大而导致无法学习到源数据集的知识,提出一种对迁移学习进行改进的诊断新方法:即两步迁移学习法,使用DCGAN来制作辅助...     

故障诊断专家系统综合智能推理技术研究

推理机在故障诊断专家系统中起着非常重要的作用。提出普通规则、模糊逻辑和模糊神经网络推理相结合的综合智能推理机应用于故障诊断专家系统。综合智能推理机既能提高诊断推理的速度,又可以提高诊断推理的准确程度。通过对某型号导弹故障诊断验证,采用综合智能推理机诊断快速、准确率高,取得了较好的诊断效果。     

装甲车辆电源系统智能故障诊断方法研究

针对电源系统建模复杂的问题,通过Matlab/simulink建立装甲车辆电源系统仿真模型,应用小波包能量法提取电源系统在各种状态下电压及电流信号的能量特征向量,并将其作为故障分类器的输入向量;结合SOM神经网络无监督聚类和BP网络有监督学习的能力,构建两层的故障分类器对各种故障状态进行识别和诊断;以车辆电源系统中整流桥故障为例进行仿真分析,结果表明该方法具有快速准确的故障诊断能力。     

复杂过程的智能集成故障诊断模型研究

由于复杂过程与一般工业过程的本质区别,使得传统的依赖对象精确数学模型的故障诊断方法难以取得令人满意的结果。而智能技术具有无需建立对象精确模型的优势,并且可以充分利用人类专家的经验知识,因此利用智能故障诊断模型研究适合复杂过程实现的故障诊断技术既是必要的也是可行的。通过比较目前研究较多的智能故障诊断模型,提出基于模糊逻辑、神经网络与专家系统的智能集成故障诊断模型,以便有效地解决复杂过程的故障诊断问题,并具体分析了模型组成机理、结构和网络学习算法,从而为复杂过程的故障诊断技术研究提供了新的途径。     

ANFIS模糊神经推理机在故障诊断中的应用

传统的故障诊断专家系统大多是基于知识的故障诊断系统，有一定的局限性。模糊神经网络技术的引入，给故障诊断专家系统带来了新的思路，将模糊理论与神经网络融合，利用神经网络来实现系统的模糊逻辑推理，建立了一种基于模糊系统（FS）与神经网络（NN）融合的系统故障诊断方法，并利用MATLAB中的ANFIS模糊工具来实现其模糊神经推理过程，通过对系统进行仿真，得到了比较满意的结果，实例表明，该工具用于故障诊断的模糊推理是高效可行的     

基于组合RBF网络的故障诊断方法及应用研究

针对一般的神经网络诊断方法不具备渐进学习能力、易发生漏诊或误诊的问题，研究了一种组合 ＲＢＦ网络结构以及基于这种组合网络的故障诊断方法；诊断实例表明，该诊断方法能识别异常类故障，具有渐进学习能力。     

基于补偿神经网络的航空电子故障智能诊断系统及应用

针对航空电子系统中故障诊断的问题,提出一种将神经网络中的BP算法与模糊逻辑系统相结合、自动产生并自动修正模糊规则的自适应的模糊逻辑推理机。通过函数逼近仿真分析和航空电子系统故障诊断的实际应用,证明此方法简单有效,故障诊断的精度高,取得了较好的效果,具有一定的应用前景。     

逆变电路智能故障诊断系统

针对逆变器由于具有非线性的特征而无法采用精确数学模型进行故障诊断的情况,本文提出一种基于小波分析和神经网络的新型逆变电路故障检测与诊断方法。建立三相SPWM逆变电源的非线性MATLAB仿真模型,以三相输出故障电压作为故障信息,利用小波分析的方法提取低频能量值作为特征向量,通过神经网络实现逆变器故障桥臂定位,最后利利用逆变三相电压同一桥臂故障电压的对称性的特点,用一种简单的判断逻辑实现故障元件的分离。设计了基于DSP的PWM逆变电路在线智能故障诊断系统。测试结果表明,该系统具有良好的故障诊断效果,具有一定的实用价值。     

嵌入式系统在液压状态监测与智能故障诊断中的应用

针对国产地F元轨采矿设备液压系统故障率高,而其检测和故障诊断手段落后的背景,提出了一种基于嵌入式系统的液搓状态监测与智能故障诊断模型,陔故障诊断模型通过没置在液压系统中的多源异质传感器实时采集设备特征信息,并采用模糊神经网络来实现数据的融合处理,诊断结果通过界而友好的LCD显示,实现了故障状态的实时岭测和故障的智能诊断。通过该故障诊断模型,有效地解决了无轨采矿没备液搓系统故障率高而其检测和故障诊断手段落后的问题。提高了设备故障诊断的自动化和错能化．增强了设备的市场竞争力。