基于遗传算法优化BP神经网络的液压系统故障诊断

液压系统作为控制和动力传输设备的核心部件,在现代工业生产机械中被广泛应用,准确诊断其故障具有提高生产效率和保障工作安全性等重要的工程意义。液压系统一旦发生故障往往是多故障同时出现,传统BP神经网络故障诊断算法往往不能满足多故障诊断准确率,提出一种基于遗传算法改进BP神经网络（GA-BP）的液压系统故障诊断方法,针对不同采样频率下多传感器信息融合的液压系统3种典型的故障模式进行对比分析。结果表明：GA-BP故障诊断算法相对于传统的BP神经网络具有更好的诊断性能。     

基于数据融合与虚拟仪器技术的液压系统故障诊断研究

本文对某型机械化桥液压系统的故障失效模式进行了全面的分析，提出了一种基于多传感器数据融合与虚拟仪器技术的故障诊断系统，通过对液压系统供油回路的信号测试过程及信息融合方案的设计分析，阐明了液压系统故障检测和诊断的实现过程。     

基于主特征模式的机电系统故障诊断算法(英文)

机电设备运行状态的监测对保障系统稳定可靠运行、预防重大事故发生有重要意义.针对传统诊断方法由于故障信息不足导致的诊断精确度差,提出了一种基于主特征模式识别的故障诊断方法.基于多源特征信息融合,研究了基于多传感器系统的特征融合故障诊断模型,讨论了反映系统运动状态特征的指标体系及故障诊断算法.文中以滚动轴承系统故障诊断为例,首先计算了各传感器获取信号的时域特征参数,然后,借助主特征模式对特征信息进行融合与降维处理,实验测试数据显示出与传统诊断方法相比较该算法有更好的故障诊断性能.研究结果表明了该方法在重型机电设备故障诊断中应用的可行性与合理性.     

多传感器信息融合技术与液压系统状态监测、故障诊断

本文从多传感器信息融合系统概念、信息融合的层次和方法等方面对多传感器信息融合技术的现状进行了阐述，提出了基于多传感器信息融合技术的液压系统状态监测与故障诊断的系统框图，并介绍了诊断系统的组成、工作原理及主要特点。     

基于多传感器数据融合的液压泵故障诊断研究

将D—S证据理论应用于多传感器数据融合，提出了多传感器数据融合一般化方法，并将其应用于液压泵故障诊断。通过数据融合诊断结果与单传感器诊断结果的比较，证明多传感器数据融合能明显提高故障诊断的准确率。     

��������еĶഫ������Ϣ�ںϼ���

 多传感器信息融合是一个新的研究领域，它应用到故障诊断领域还是近几年的事。文章主要论述了多传感器信息融合技术的基本概念、工作原理及常用方法，同时还介绍了其在故障诊断中的应用实例。     

一种基于证据理论的多源信息融合管道泄漏诊断

受强背景噪声、复杂工况以及传感器自身缺陷等因素的影响,单传感器管道泄漏检测方法存在诊断精度差和识别不确定性的问题。结合无线传感器网络技术和信息融合技术,提出一种基于D-S证据理论的多传感器数据融合的泄漏诊断算法。该方法依据分簇的网络结构模型,分别将簇内不同节点上多种传感器的多个测量周期的诊断信息作为独立证据体,采用分布式数据融合结构和修正证据合成法则,逐级进行单传感器时域、单节点空域以及多节点空域的融合,最后通过决策法则输出结果。实验结果表明,该方法降低了识别的不确定性,有效提高了管道泄漏诊断的精度。     

基于特征信息融合的离散小波SVM齿轮故障诊断方法研究

针对齿轮振动信号故障特征微弱及故障样本不足,提出基于特征信息融合的小波-SVM(支持向量机)故障诊断方法,用于多类齿轮故障诊断。该方法采用离散小波变换对齿轮的振动信号进行处理来构造特征向量,将多路信号融合后输入到SVM的多故障分类器中进行故障识别。实验结果表明:该方法能够在训练样本数量少的情况下,快速获得良好的分类结果,且其故障诊断准确率在96.67%以上;峰值和峰值因子对齿轮故障最敏感,以峰值或峰值因子为特征量的多传感器信息融合,其诊断准确率达95%。该方法更适合于实际齿轮故障诊断应用,并为多类齿轮故障快速诊断的进一步创新研究提供了理论基础。     

BP神经网络在液压试验台故障诊断中的应用

分析了BP神经网络的结构及算法，并对液压试验台的故障模式用BP神经网络来进行诊断，从而提出了一种新的解决液压试验台故障诊断的方法。     

融合多传感器信息的数控机床故障诊断专家系统开发

建立一种通用的数控机床故障监测和诊断专家系统,允许用户采用人机交互的方式建立故障树,以产生式规则表示故障树知识,在此基础上融合多种传感器信息,实现了正反向混合推理。实验结果表明:该专家系统能够利用多种传感器信息诊断出故障原因并给出维修方案,实现了对数控机床的故障诊断。     

基于级联森林模型的液压泵信息融合状态诊断

为了提高对液压泵复杂条件下的故障诊断能力，综合运用传感器数据融合与级联森林模型来实现液压泵的健康评价。运用特征级与决策级融合技术来实现对柱塞泵各传感器信息的快速融合，以随机森林模型对初步特征重要性实施评价并从中选择具备高重要度的初始特征参数，通过级联森林模型对液压泵健康检测结果实施分类。结果表明：以多传感器信息融合方法构建的级联森林模型进行预测时可以实现对液压泵健康状态的准确诊断，只设置5%训练集时，液压泵健康诊断结果达到99.5%精确率；当采用单一温度特征无法同时满足精确率与召回率条件时，组合模式的各类预测精确率与召回率相对其他模式达到了更高的预测精度与召回率，其中，温度融合流量组合形式具备更大优势。     

基于多传感数据融合的变速运行齿轮异常振动故障诊断

变速运行齿轮异常振动故障诊断性能过差会增加汽车维护成本,缩短齿轮使用寿命。为了及时识别齿轮故障,保证汽车变速器总成具有良好的振动特性,提出基于多传感数据融合的变速运行齿轮异常振动故障诊断方法。通过分析多传感器数据融合技术,掌握变速运行齿轮异常振动故障诊断的理论框架,并以此为基础,参考传感器融合模块、特征级并行多神经网络局部诊断模块和终端分类模块,结合变分模态分解、多通道加权融合和单隐层前馈神经网络训练算法,从信号采集、信号特征提取和信号特征分类3个步骤实现变速运行齿轮异常振动故障诊断。实验结果表明：在齿轮发生轻度磨损时,磨损振动信号的幅值在20~40 mV之间,磨损振动信号的频率在0~4 000 Hz区间;中度磨损时,信号的幅值在30~55 mV之间,信号频率在3 000~7 000 Hz区间;重度磨损时,信号幅值在50~70 mV之间,信号频率在6 000~12 000 Hz区间,且各阶段诊断结果均与故障程度的实际转折点吻合。由此可知在各样本数量均相同的情况下,提出的故障诊断方法预测值与真实值均相同,故障程度和故障类型的诊断性能均较好。     

基于概率神经网络的液压管路泄漏故障程度识别

针对复杂环境下飞机的液压管路系统在故障诊断时存在的各种问题,提出一种基于概率神经网络的液压管路系统泄漏故障的诊断方法。在飞机液压管路系统中主要产生的故障是由于管路系统的振动导致的管路破裂、泄漏等。对飞机液压管进行建模,分析其工作状态下不同液压泄漏故障程度时的固有频率,选取前5阶固有频率作为故障诊断的特征值;构建PNN概率神经网络诊断模型,利用测试样本进行故障诊断实验。结果表明,该方法对液压管路故障具有较高识别率。该研究为液压管路系统的故障诊断提供了参考。     

基于物联网技术的动态GRNN模型的液压系统故障检测研究

液压系统因其独特的特性，在各个领域有着广泛的应用。液压设备的运行安全与状态监测是生产中的一项重要内容。由于液压系统的所有部件都在封闭油路中工作，故障源的定位比较困难。为了解决这个问题,本文提出了一种基于物联网技术的动态故障诊断方法GRNN模型的基于物联网的智能控制,利用无线传感器网络技术在分布式液压设备中各参数的实时测量和控制,远程数据共享、故障信号的采集输入GRNN模型故障观察器,检测阈值,通过实验模拟准确诊断系统故障。实验表明，该方法可以有效地应用于过程生产液压系统中，保证系统的正常运行，降低设备故障率，提高生产效率。     

基于模糊故障树理论的泵控马达系统故障诊断方法研究

本文主要以泵控马达系统为研究对象,通过分析该系统的故障形式,提出了基于模糊故障杩理论的故障诊断方法来解决液压系统的故障与诊断问题。通过建立该系统的模糊故障树,进行模糊故障树的量化分析,最后进行故障诊断的算法研究等几个步骤来阐明模糊故障树分析液压系统故障的原理、方法和特点。     

基于深度信念网络和多信息融合的复杂机电装备故障诊断方法

针对复杂机电装备故障诊断中存在的数据量大、提取故障特征困难等问题,结合深度学习理论强大的感知与自我学习能力,提出一种基于深度信念网络和多信息融合的复杂机电装备故障诊断方法。将多个传感器的原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对深度信念网络进行整体微调,提高分类准确性,同时在训练过程采用ReLu激活函数和加入Batch Normalization,减少过拟合出现概率的同时提高了网络收敛的速度。将此方法运用到复杂数控加工中心刀具的故障诊断中,结果表明该方法相比传统BPNN算法和采用Sigmoid激活函数的深度神经网络算法准确率更高。     

多尺度特征组合优化的航空液压管路故障诊断

为根据管路振动信号准确识别故障类型,提出一种多尺度特征组合优化的航空液压管路故障诊断方法。利用能量比值法确定变分模态分解参数,实现管路振动信号的优化分解,选取最佳模态分量信号进行重构,重构后的信号作为分析信号。选择重构信号的优化多尺度散布熵作为特征指标,构建具有代表性的特征向量集并输入到利用麻雀搜索算法优化的极限学习机网络进行训练,以实现航空液压管路的故障诊断。结果表明：利用所提方法能够准确识别航空液压管路故障类型,为区分航空液压管路故障提供了一种可行的思路。