基于信息融合的柴油机缸套磨损故障诊断研究

针对柴油机缸套磨损故障进行模拟实验,获取了柴油机机体表面振动、铁谱分析故障信息,并对多源多维故障信息进行预处理,解决了模糊神经网络的输入矢量的模糊特性化、输出矢量的隶属函数、学习样本的选择及网络的学习训练等问题;在上述工作的基础上,建立了柴油机缸套磨损故障诊断的模糊神经网络模型.为验证诊断模型的有效性,选取了四组分别来自不同故障类别的数据作为检验样本,运用模糊神经网络模型进行诊断,其诊断结果与实际情况十分吻合.研究表明,基于多信息的模糊神经网络模型能较有效地对柴油机缸套磨损故障进行诊断,此方法能减小故障诊断的不确定性,提高诊断精度.     

基于多信息的柴油机缸套磨损故障诊断研究

采用了模糊神经网络模型，对柴油机缸套磨损故障以及缸套破坏性磨损故障进行了诊断研究．通过缸套磨损故障的模拟实验，获取柴油机机身振动和铁谱分析等多源多雏故障信息，并对融合故障信息进行预处理，解决了模糊神经网络输入矢量的模糊特性化、输出矢量的隶属函数及网络的学习训练问题，对缸套不同磨损故障进行了诊断．研究表明，这种基于多信息的诊断方法减小了故障诊断的不确定性，提高了诊断精度．     

基于D-S证据理论信息融合的转辙机故障诊断方法研究

在列车提速后S700K型电动转辙机被普遍安装在正线道岔的背景下,本文针对单一故障诊断方法的诊断精度偏低问题,提出了基于信息融合故障诊断模型和故障诊断方法.该方法分别用BP神经网络和模糊综合评判对转辙机进行故障诊断,利用神经网络输出和模糊综合评判输出来构造D-S证据理论中的概率分配,然后利用D-S证据理论将BP神经网络和模糊综合评判对转辙机的故障诊断结果在决策级进行融合,诊断转辙机是否有故障并判断故障的模式.诊断结果表明,该诊断方法具有较高的故障诊断精度,诊断结论的可信度有明显提高.     

旋转机械振动故障诊断的一种模糊神经网络方法研究

介绍了一种基于多层感知器的模糊神经网络分类器，并针对其在旋转机械故障诊断中的应用，研究了网络构造过程中输入和输出模糊化的问题。文中利用振动频谱特征就旋转机械中几种典型的故障模式，采用模糊神经网络方法作了识别，且将其与传统的ＢＰ网络及模糊诊断方法进行了比较。研究结果表明：将模糊神经网络方法应用于旋转机械工况识别是有效的，它在处理分类边界模糊的数据时比传统的ＢＰ网络和模糊诊断方法具有更大的优越性。     

基于CNN与多通道声学信号的齿轮故障诊断

针对齿轮故障诊断任务中,振动信号受设备或工矿环境的影响难以获取,传统的单通道声学诊断法只能采集部分信息用于局部诊断,多通道声学诊断法权值确定过程复杂、实时性差等问题,结合深度学习理论,提出一种基于卷积神经网络与多通道声学信号齿轮故障诊断法。通过将传感器布置在不同测量点位以获取不同敏感度的故障信息,再以卷积神经网络作为融合技术,对4路齿轮声学信号进行特征级融合,实现对多级传动齿轮的故障诊断。实验结果表明:相比于单个传感器多个特征量信息的传统声学诊断方法,该文所提出的方法在齿轮故障识别率上有显著提升,可达99.8%。     

BP神经网络在齿轮箱故障诊断中的应用

针对齿轮箱进行神经网络故障诊断研究。齿轮传动是机械传动中最重要的传动之一,它的损伤和失效常常导致机械设备的故障,从而导致重大安全事故。因此,齿轮箱装置的状态监测与故障诊断受到越来越多的关注和研究。本文简要介绍齿轮振动机理和BP神经网络的原理与结构,并将神经网络应用于齿轮箱故障检测和诊断。利用matlab语言建立神经网络模型,通过对振动信号提取的特征向量对已建立的神经网络模型进行训练。利用训练好的BP神经网络模型对齿轮箱进行故障检测,取得了较好的效果。     

基于多重分形理论与神经网络的齿轮故障诊断

针对齿轮故障振动信号具有多重分形特征,提出多重分形与神经网络相结合的机械故障诊断方法。采用多重分形理论计算出振动时间序列的多分形谱f(α)和广义分形维数D(q),并将多分形谱能和广义分形维数谱能作为特征量,构成二维特征向量。将该特征向量作为概率神经网络的输入参量,对采自齿轮故障台的振动信号进行故障分类。作为对比,将关联维数作为特征量输入同样参数的概率神经网络并进行故障识别,结果表明,所提出的方法具有更高的识别率。     

基于模糊神经网络的设备故障预测研究

对模糊神经网络技术进行了研究，提出了预测分析的模糊神经网络模型；建立了故障指标评定方法，利用预测算法运用参数历史故障指标对参数指标进行趋势预测，预测得到的参数指标可以根据专家诊断系统判据进行诊断，对未来设备的健康状况进行可信度较高的评估。经仿真结果验证，该算法预测精度较高，预测结果可信.     

基于引力搜索神经网络的风电机组传动链故障识别

针对风电机组传动链故障识别由风电场制定合理维修策略可减少停机时间、降低维修费用问题,将引力搜索算法用于BP神经网络初始权值及阈值优化,提出基于引力搜索神经网络的风电机组传动链故障识别方法。算例结果表明,所提方法精度较BP神经网络高,能准确识别齿轮磨损、齿轮断齿、轴承松动等风电机组传动链典型故障,验证该方法的有效性。     

模糊神经网络在精密三轴转台机械台体故障诊断中的应用研究

针对三轴转台机械台体故障,提出了一种基于模糊神经网络的故障诊断方法,给出了模糊神经网络的结构和学习算法,并阐述了模糊故障诊断原理和故障判别方法将振动信号和电流噪声信号结构用于机械台体的故障诊断,测试结果表明,该方法是有效的。     

基于模糊神经网络的机载设备智能故障诊断系统

针对某型飞机机载设备故障多,且具有模糊性、复杂性的特点,本文将模糊逻辑和神经网络相结合,采用模糊隶属函数来描述这些故障的程度,建立了模糊神经网络故障诊断模型.采用图形化编程技术,开发了一种故障诊断推理流程图,方便了用户的开发.该系统依据专家知识和测试数据,可将故障隔离到内场可更换单元(SRU)或某个功能电路.实践证明该诊断系统是有效的,具有推广应用价值.     

基于BP神经网络的吸运风机故障诊断

 吸运风机是农业现代化生产机械联合收割机的重要组成设备.针对目前吸运风机经常出现的故障,收集了吸运风机故障征兆和其对应的故障类型.将故障样本数据和模糊神经网络相结合,并根据BP神经网络确定网络的输入和输出向量,对风机进行故障诊断,诊断结果与实际情况比较吻合.运用MATLAB实现神经网络故障诊断仿真,仿真结果表明诊断误差较小,输出向量与实际故障矩阵结果接近.     

遗传算法和BP神经网络在电机故障诊断中的应用研究

人工智能方法在电机故障诊断中的应用，使得电机故障能够得到及时准确的预测和诊断，保障了电机的安全运行。介绍了BP神经网络及遗传算法的基本原理及组成结构，针对BP神经网络容易陷入局部极小点及收敛速度慢的问题，利用遗传算法对BP神经网络的权值和阀值优化，改善了BP神经网络的诊断性能；通过GA-BP网络对电机的三种故障模式进行了诊断识别，其实验仿真结果表明：无论是在诊断速度上还是诊断精度上，GA-BP神经网络诊断性能都比单独的运用BP网络有了很大提高。     

神经网络在电路诊断中的应用

目的：阐述了目前电路基于数据库技术和人工智能专家系统及神经网络原理的故障诊断系统。方法：将所记录的模糊症状输入到系统中，通过模糊运算后，运用神经网络学习算法来寻找故障类型。结果：介绍了人工神经网络技术在电路诊断中的应用，并给出系统故障诊断软件的设计，结论：所用专家系统和神经网络相结合的方法改进电子电路故障诊断是可行的。     

一种基于软计算的转子故障诊断方法

提出了一种基于软计算的转子故障诊断方法。该方法充分利用软计算中的模糊集合理论,人工神经网 络,粗糙集理论和遗传算法等计算方法优势,弥补它们相互的不足,进行故障诊断。首先利用粗糙集理论对样本数据进 行初步规则获取,并计算规则的依赖度和条件覆盖度,然后根据这些规则进行网络设计,其中,网络隐层节点的数目等于 规则的数目,初始网络权重由规则的依赖度和条件覆盖度确定,最后用遗传算法对模糊神经网络参数进行优化。使用该 网络对转子类常见故障进行诊断。实验表明,和一般模糊神经网络相比,这种基于软计算的诊断方法具有训练时间短、 诊断准确率高的特点。     

基于DDE和小波分析的神经网络故障诊断

应用DDE技术对小波分解后的故障信号进行特征提取 ,利用BP网络进行故障诊断 ,并给出了齿轮箱的故障诊断实例 ,实验证明 ,此方法能取得较好的效果。     

Fault Diagnosis of Power Electronic Circuits Based on Adaptive Simulated Annealing Particle Swarm Optimization

In the field of energy conversion, the increasing attention on power electronic equipment is fault detection and diagnosis. A power electronic circuit is an essential part of a power electronic system. The state of its internal components affects the performance of the system. The stability and reliability of an energy system can be improved by studying the fault diagnosis of power electronic circuits. Therefore, an algorithm based on adaptive simulated annealing particle swarm optimization (ASAPSO) was used in the present study to optimize a backpropagation (BP) neural network employed for the online fault diagnosis of a power electronic circuit. We built a circuit simulation model in MATLAB to obtain its DC output voltage. Using Fourier analysis, we extracted fault features. These were normalized as training samples and input to an unoptimized BP neural network and BP neural networks optimized by particle swarm optimization (PSO) and the ASAPSO algorithm. The accuracy of fault diagnosis was compared for the three networks. The simulation results demonstrate that a BP neural network optimized with the ASAPSO algorithm has higher fault diagnosis accuracy, better reliability, and adaptability and can more effectively diagnose and locate faults in power electronic circuits.     

Fault detection,classification, and location for active distribution network based on neural network and phase angle analysis

The improved radial basis function (RBF) method utilizes an orthogonal regression matrix to produce an artificial neural network structure based on regularized least square. The phase angle and amplitude signal of fault voltage and current are extracted based on frequency domain analysis. The proposed method adopts the fault signal for fault diagnosis synchronously. The IEEE 13-bus active distribution network (ADN) simulation model is set up in Matlab. Test results demonstrate that accuracy of the fault diagnosis can reach 98.07% and the response time of the fault classification method is less than 0.04s. The wavelet neural network (WNN) model is developed to extract the maximum decomposition level and time series behavior. The WNN method can resist noise effects and improve the fault classification accuracy by 4.3%. The effect of fault type and fault resistance on the fault location method is researched. The fault simulation result shows that the proposed method can locate a fault precisely and synchronously. The improved RBF method can diagnose the fault section, classify the fault type and locate a fault accurately in ADN. The research is significant to maintain system stability against realistic fault and network restore.     

改进的BP神经网络在风机故障诊断中的应用

采用动量法和学习速率自适应的改进BP神经网络建立风机故障诊断系统。在网络训练过程中分别采用标准训练样本和含有白噪声的训练样本来训练网络,使网络具有一定的容错性。最后通过仿真实验和风机的故障诊断实例表明：改进的BP神经网络减少训练次数,提高了学习效率,而且有效地抑制网络陷于局部极小,是风机故障诊断的有效方法。     

基于小波神经网络辨识器的模糊神经自适应控制在VAV空调系统中的应用

针对空调温度控制的大惯性、大滞后、非线性等特点,提出采用基于小波神经网络辨识器的模糊神经自适应控制的中央空调房间温度控制器的设计方案。由于小波神经网络的非线性映射能力比一般神经网络要强,所以基于小波神经网络的辨识器可以获得很高的辨识精度。而且,模糊神经自适应控制器随着系统动态特性的改变可以在线改变其控制规则,从而进行客观准确的控制。与普通模糊控制方法相比较,仿真试验说明系统设计的有效性。