基于多重结构神经网络的歼击机结构故障检测

提出了一种基于多重结构神经网络的故障检测方法。针对以歼击机为代表的非线性系统中存在的突发结构故障，构造了一个多重结构神经网络，在输入层对残差信号进行二进离散小波变换，提取其在多尺度下的细节系数作为故障特征向量，并将其输入到神经网络分类器进行相应的模式分类，之后再利用下一级的故障度辨识神经网络对故障的大小进行辨识。仿真结果表明，本文方法为歼击机组合结构故障的检测提供了有效的方法和途径。     

基于小波神经网络的模拟电路故障诊断技术

文章提出了一种基于小波神经网络的模拟电路故障诊断方法:通过分析被测电路的冲激响应来识别电路中的故障元件,利用小波理论中的多分辨率分析的方法提取出相应信号中的故障特征,组成特征向量后输入神经网络进行训练,实现故障诊断;该方法减少了神经网络的输入、简化了其结构、并缩短了训练和处理时间,文中分别用小波神经网络和传统的BP神经网络对实例电路进行故障诊断,仿真结果发现:小波神经网络相比BP网络方法收敛速度更快,诊断率更高。     

基于小波包和CS-BP神经网络的矿用电力电缆故障诊断

针对矿用电力电缆故障类型诊断实时性和准确性不足等问题,提出一种基于小波包信息熵和布谷鸟搜索优化BP神经网络的方法对矿用电力电缆进行故障诊断.通过PSCAD对电缆故障进行仿真,将故障电压信号进行三层小波包分解和重构,再提取小波包信息熵构造特征向量.训练CS-BP神经网络使其输入特征向量后能够有效检测并输出电力电缆的故障类型,以实现对电力电缆的故障诊断.实验结果表明,该方法可以有效地诊断电力电缆的故障类型,并且优于同参数下的BP神经网络和PSO-BP神经网络模型.     

模拟电路故障诊断新方法

提出了一种新颖的基于多小波神经网络的模拟电路故障诊断方法。介绍了多小波的原理,分析了多小波神经网络的结构、逼近性质及多小波神经网络的算法,提出了用多小波来处理故障信号,提取故障特征向量输入给神经网络,从而进行模拟电路故障诊断。由于多小波函数具有连续、对称性及支撑集短等一系列优点,所以用多小波神经网络来进行模拟电路故障诊断比一般的小波神经网络具有诊断精度高、诊断速度快的优点。给出了仿真诊断实例,验证了该方法的有效性。     

基于自联想小波网络的汽轮发电机组故障诊断

针对电厂汽轮发电机组故障诊断问题,将小波变换和自联想神经网络结合构造了一个多层的自联想小波网络故障诊断系统。在输入层对振动信号进行二进离散小波变换,提取其在多尺度下的细节系数作为故障特征向量,根据这些特征向量进行自联想网络的学习,用学习过的自联想网络诊断故障。将该方法成功地应用于汽轮发电机组故障诊断,实验仿真结果表明,该方法优于常规的BP网络方法：某些单一故障的识别率提高了31.2%,综合故障的识别率提高了26.6%。     

基于小波多分辨率分析的并发故障检测方法

提出了利用小波多分辨率分析技术进行多重并发故障检测的方法。根据信号分解重构后的时间位置不变这一事实,将信号进行多尺度的小波分解,并根据奇变信号和噪声信号小波变换后的系数差异,采用软阈值法,对其高频分量进行去噪重构,根据重构后的故障信号高频分量在不同尺度上的特征,对其进行故障特征提取,并将不同尺度上的故障特征进行综合,获得并发故障各自特征,进而可以实现对多重并发故障的检测和识别。对一电网信号分析的仿真结果证实了该方法的正确性和可行性。     

动态递归小波神经网络在回转窑故障诊断中的应用

针对回转窑作为一个复杂的非线性系统而难以提取有效故障特征的问题,构造了一种动态递归小波神经网络。采用基于梯度符号变化的变学习率以及引入动量项的算法,以回转窑窑尾温度、分解炉温度、窑尾负压、窑头负压、窑头温度、烧成带温度、窑电流、筒体表面温度8个物理量,作为神经网络的8个输入节点,将小波神经网络理论较好地应用在回转窑故障诊断中。归纳了回转窑的主要故障及现象。采用动态递归小波神经网络,从输出层反馈到输入层形成关联层,以存储上一时刻的输出信息。小波神经网络在网络训练时可以有效地利用输出信号。对回转窑故障数据进行归一化处理并作为网络的输入向量,再用小波函数代替神经网络中的激励函数,以故障序列作为网络的输出向量。试验仿真结果表明,该网络具有较好的故障识别率和时间收敛性能。     

基于三层小波包分解的陀螺仪故障诊断

通过三层小波包分解将陀螺仪的输出信号进行分解,对分解得到的八个不同频段上的节点进行特征提取,提取后的8维特征向量作为神经网络的输入.对RBF神经网络进行训练,训练后的神经网络进行故障诊断.对神经网络进行测试,经测试当系统输入向量存在故障时,系统可以准确的诊断出故障类型.     

基于小波包和神经网络的瓦斯传感器故障诊断

针对瓦斯传感器常见的故障,提出了基于小波包和神经网络的故障诊断方法.通过对瓦斯传感器的输出信号进行三层小波包分解,得到8个不同频段的分解信号,再对其进行特征提取得到一个八维的特征向量,作为故障样本对三层神经网络进行训练,建立故障类型分类器,对瓦斯传感器故障进行诊断.仿真结果表明:该方法可以准确地诊断出故障类型.     

基于关键输入和多输入层高维小波网络

提出一种基于关键输入和加工工序的多输入层高维小波神经网络结构,该网络结构 是在传统前馈神经网络的基础上,将一部分输入节点根据实际情况移到神经网络的相关隐 层,关键输入节点不仅与随后一层隐节点相连,而且与输出节点相连,更真实地反映了大工 业生产过程中变量之间复杂的函数关系.将该种小波网络模型应用于连铸连轧生产线产品质 量建模,其效果较其他4种神经网络为优越.     

基于小波包神经网络的传感器故障诊断方法

讨论了小波包神经网络在传感器故障诊断中的应用问题.文中提出了将小波包分解提取各个节点特征能量与RBF神经网络进行模式分类的传感器故障诊断方法.通过三层小波包分解得到各个节点的分解系数,通过一定的削减算法使得故障的瞬态信号的特征得到加强,再根据重构的时域信号计算各个节点对应的能量,作为特征向量训练RBF神经网络.通过各种故障模式特征数据的训练,RBF网络具有了传感器故障诊断的功能.最后,通过工业锅炉流量传感器数据对训练之后的RBF神经网络进行检验,验证了这种方法的实用性和有效性.     

基于谐波小波包的旋转机械故障诊断新方法

针对旋转机械的故障振动信号通常为复杂的动态非平稳信号,提出一种基于谐波小波包和Elman神经网络的故障诊断新方法。应用谐波小波包对信号进行分解,提取倍频能量特征向量,代入Elman神经网络,实现故障分类。通过试验分析及与BP网络的诊断结果对比,表明该方法在旋转机械的故障诊断方面具有显著优势。     

小波包在故障诊断中的应用

主要研究小波包变换和神经网络相结合的故障诊断技术。首先利用小波包的多分辨率分析的特点,对故障信号进行多尺度的分解,正交和归一化处理后,根据主成份分析原理提取故障特征向量作为神经网络的训练样本,设计故障类型识别器。仿真结果证实了该方法的有效性和可行性。     

大功率可控整流电路的故障诊断技术研究

利用现代电力电子变换技术和控制系统仿真软件研究了一种大功率可控整流电路的故障诊断技术;在详细分析了大功率可控整流电路可能发生的各种故障模式的基础上,提出基于小波神经网络的故障诊断方法;针对故障模拟信号,采用小波变换多分辨率分析和模极大值方法提取故障特征向量,利用神经网络的非线性映射与学习推理特性,对所提取的故障特征进行了模式识别,并通过仿真试验证明了该方法的可行性和有效性。     

一种基于LabVIEW DSP模块的风机故障诊断系统

设计一种基于图形化开发环境LabVIEW DSP模块的风机故障诊断系统开发方案。方案以32位浮点DSP芯片TMS320C6713为核心,采集风机噪声信号并利用信号的功率谱重心、A声级和小波分解相关频段的能量构成故障诊断的特征向量,以BP网络作为故障的智能分类器,建立起智能诊断系统。实验结果表明,以噪声信号作为诊断对象,采用提升小波和神经网络相融合的诊断与识别技术具有良好的特征提取能力和自适应学习能力,可以准确地识别设备状态。     

Fault diagnosis of rolling bearing based on back propagation neural network optimized by cuckoo search algorithm

In order to improve the accuracy of rolling bearing fault diagnosis in mechanical equipment, a new fault diagnosis method based on back propagation neural network optimized by cuckoo search algorithm is proposed. This method use the global search ability of the cuckoo search algorithm to constantly search for the best weights and thresholds, and then give it to the back propagation neural network. In this paper, wavelet packet decomposition is used for feature extraction of vibration signals. The energy values of different frequency bands are obtained through wavelet packet decomposition, and they are input as feature vectors into optimized back propagation neural network to identify different fault types of rolling bearings. Through the three sets of simulation comparison experiments of Matlab, the experimental results show that, Under the same conditions, compared with the other five models, the proposed back propagation neural network optimized by cuckoo search algorithm has the least number of training iterations and the highest diagnostic accuracy rate. And in the complex classification experiment with the same fault location but different bearing diameters, the fault recognition correct rate of the back propagation neural network optimized by cuckoo search algorithm is 96.25%.

     

一种推挽式电路故障诊断方法的仿真研究*

提出了基于小波变换和神经网络的推挽式电路故障诊断方法。先仿真得到各种故障状态下的输出电压信号,然后对输出电压信号进行Daubechies小波变换获取多尺度低频系数和高频系数,并对小波系数进行处理提取故障特征量,最后利用故障特征矢量训练神经网络确定了推挽式电路故障诊断的神经网络模型。仿真结果表明基于小波变换和神经网络的推挽式电路故障诊断方法取得了较好的效果。     

基于可视化异类特征优选融合的滚动轴承故障诊断

针对故障诊断过程中基于简单的多类故障特征联合决策存在特征集维数多、数据冗余、故障识别率不高的缺点,提出了一种基于异类特征优选融合的故障诊断方法。该方法根据多类特征数据的轮廓图,分析各维特征数据的聚类特性,去除聚类性弱、对故障区分无益的冗余特征维度,仅保留聚类性强的特征维度用于故障识别。在轴承故障诊断实验中,选用故障信号时域统计量和小波包能量两类多维特征进行优选融合,并采用反向传播（BP）神经网络进行故障模式识别。故障识别率达到100%,显著高于无特征优选的故障诊断方法。实验结果表明所提出的方法简便易行,可以显著提高故障识别率。