基于BP神经网络的重型卡车齿轮箱故障诊断方法研究

油液分析是齿轮箱故障诊断中常用的诊断技术,依据齿轮箱油液光铁谱数据,提出了一种基于BP神经网络的重型卡车齿轮箱故障诊断方法。首先创建BP神经网络,然后对采集得到的重卡齿轮箱油液数据进行网络训练,最后用训练好的网络对测试数据进行仿真测试。仿真结果表明该BP网络能准确诊断出齿轮箱具体故障类型。     

大型复杂机械系统性能监测和故障诊断

由于大型机械系统元件多、系统比较复杂,从而使其性能监测与故障诊断不同于一般单一的机械设备,有其自身所具有的特殊性。本文针对大型复杂机械系统的特点,对各种监测和诊断理论方法进行了较为详尽的评述,指出了各理论方法的不足。同时,本文对神经网络理论引入大型复杂机械系统性能监测与故障诊断进行了着重的阐述,展望了其发展前景,并提出了大型复杂机械系统性能监测和故障诊断的组合神经网络专家系统。再者,对于系统在运行过程中出现以往人们所不熟悉的故障模式时,如何进行诊断,本文也进行了较为深入的探讨。     

基于神经网络的故障诊断方法研究

简要介绍了故障诊断的发展历程,并分析了BP神经网络的模型,运用试验加仿真来研究基于BP神经网络的智能故障诊断方法。     

基于多层前向神经网络的应力传感器故障诊断

文中采用多层前向神经网络（BP网）建立数学模型，在此基础上对应变片传感器进行故障诊断。     

基于BP神经网络的摊铺机智能故障诊断

针对大型复杂的工程机械，建立基于BP(逆向传播)神经网络的智能故障诊断系统。给出了该系统的诊断方法和故障诊断步骤，并提供了对工程机械液压系统故障诊断的调试实例。     

基于BP神经网络的全贯流电机泵故障诊断

BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,可用于数据的运算分类及预测,在故障诊断分析方面应用广泛。全贯流电机泵特点是电机的转子代替了水泵的叶轮外壳,电机泵的电机故障特点比普通电机多且复杂。目前,全贯流泵故障诊断的研究较少,但BP神经网络算法对电机故障诊断分析的研究应用成熟。运用BP神经网络算法尝试对全贯流泵可能存在的故障进行模拟诊断分析与研究,得到了较好的效果。     

BP神经网络技术在雨刮电动机故障诊断中的应用

在电动机故障诊断技术中,最能全面反映电动机运行状态的唯独有振动信号。因此,提出一种基于小波分析和BP神经网络的电动机故障诊断方法。首先该方法采用小波包分析对振动信号消噪滤波并计算频带能量,随后根据振动信号大小提取其能量特征值,并以此建立电动机故障诊断的BP神经网络模型,再以Matlab软件的仿真模块为平台,最终开发了雨刮电动机故障诊断的智能检测系统。试验表明该系统的建立能够提高雨刮电动机故障诊断的效率和准确性。     

基于改进BPNN的电子化指挥系统故障诊断

基于BP神经网络和案例推理模型,建立导弹电子化指挥系统故障诊断专家系统的基本结构,并给出一个具体的应用实例.首先对导弹电子化指挥系统的故障机理进行分析,在此基础上研究基于BP神经网络和案例推理相结合模型的故障诊断技术的应用,确定了基于改进BP神经网络的故障诊断专家系统的设计思想和实现方法,并建立了基于BP神经网络和案例推理结合模型的导弹测控系统故障诊断专家系统,弥补了单一故障诊断推理模型的不足.通过对某型导弹电子化指挥系统中语音系统的故障诊断实例,说明了该故障诊断专家系统的可行性.     

AGA-BP神经网络的变压器分接开关机械故障诊断

由于变压器有载调压分接开关(On-Load Tap Changer,OLTC)机械故障征兆与机械故障类型之间有着复杂的非线性关系,采用传统的BP神经网络诊断具有准确率低、收敛速度慢和易陷入局部极小值等缺点,提出了一种自适应遗传算法(Adaptive Genetic Algorithm,AGA)优化BP神经网络的故障诊断方法。利用自适应遗传算法对BP神经网络的权值和阈值进行优化,将优化后的BP神经网络应用于OLTC机械故障诊断。仿真结果表明,AGA算法优化BP神经网络的故障诊断模型明显优于传统BP神经网络方法,有效地提高了OLTC的机械故障诊断精度和速度。     

基于粗糙遗传BP神经网络的滚动轴承故障诊断

为了提高滚动轴承的故障诊断效率和精度,将粗糙集理论和遗传BP神经网络相结合,提出了一种新的滚动轴承故障诊断方法。首先利用粗糙集理论对故障诊断决策表进行属性约简,以简化BP神经网络的结构及降低计算量。然后利用遗传算法来优化BP神经网络的参数以达到最优泛化能力,从而建立粗糙遗传BP神经网络故障诊断模型。以美国凯斯西储大学的轴承数据为例,通过MATLAB仿真,结果表明该方法不仅可以克服BP神经网络的缺陷、减少遗传寻优迭代次数,还能提高故障诊断精确度。     

润滑油光谱分析特征信息研究

光谱分析技术是基于油液检测的机械设备故障诊断和分析零件失效的主要手段和方法,而为了建立基于油液检测故障诊断专家系统所必需的知识库,要求对获得的光谱分析数据进行真实准确的信息提取,并能够提供相应的数学模型,以便于信息的识别。本文对油液检测手段中的油料光谱分析进行描述,分别建立了光谱分析的元素质量分数、相关元素质量分数比、元素质量分数梯度、相关元素质量分数梯度比4个参数。将建立的4个参数用于柴油机台架磨合试验数据的分析,表明光谱分析特征信息可以较好地反映柴油机磨合过程,实现了对柴油机台架磨合过程的状态监控。     

基于不确定性推理在抽油机故障诊断中的应用

介绍了游梁式抽油机各部件在运行过程中可能出现的故障情况,各运行状态参数的监测诊断方法。阐述了基于不确定性推理理论及C-F模型算法在抽油机故障诊断中的推理应用,分析研究结果表明,基于C-F模型的不确定性传递算法易于实现抽油机故障的自动诊断,并能提高故障诊断的准确性。     

油液分析技术在压缩机故障诊断中的应用

为提高设备利用率和预防意外事故的发生,根据大连石化四酮苯车间机组情况制定压缩机润滑油监测方案,采用铁谱分析仪监测油液中的磨粒状况,进而预测和诊断压缩机工作状态。实践证明该方法可有效提高机组总体运行可靠性。     

采煤机牵引液压系统的失效分析与故障诊断

进行了采煤机牵引液压系统的失效分析，建立了以油液分析为主要手段的设备管理和故障诊断体系。     

数控机床故障的诊断和维修

数控机床的故障诊断和维修,是保障数控机床正常加工的重要工作.快速准确判断数控机床故障的部位、产生原因以及及时排除故障是保证数控机床正常运行的重要前提条件.根据数控系统的原理及维修方法,结合实际维修案例,阐述数控机床故障的诊断方法、常见故障分析及故障的处理对策,为数控机床的诊断和维修提供借鉴.     

基于二叉树的支持向量机旋转机械故障诊断方法

支持向量机理论最初是针对两类模式识别问题而提出的.在故障诊断领域,多类故障诊断问题更为普遍.针对支持向量机常用的多类分类算法进行了分析,在此基础上提出了一种基于聚类思想的二叉树多类分类算法,并运用该算法对转子模拟试验台几种典型的故障进行了模式识别,实验结果表明新方法能有效地、准确地识别故障模式,比较符合实际工程要求,具有较高的推广性能.     

基于局部切空间排列和K-最近邻分类器的转子故障诊断方法

为了解决大型机械设备故障数据难以准确快速提取的问题,提出了一种基于局部切空间排列(LTSA)和K-最近邻分类器的转子故障诊断模型。首先基于转子的振动信号构造一个高维多征兆矩阵,利用LTSA提取高维矩阵的低维特征向量,映射在可视空间里;然后将提取的低维特征向量输入K-最近邻分类器进行故障模式识别。试验和数据降维仿真过程表明,该模型的准确度和快速性均优于LTSA和神经网络以及LTSA和支持向量机组成的故障诊断模型。     

基于XGBoost特征提取的数据驱动故障诊断方法

针对目前用于故障诊断领域的机器学习方法尚不能够充分挖掘数据中隐含故障特征信息，存在逼近精度不足的问题，提出一种基于XGBoost算法的隐含特征信息提取方法。根据故障数据与故障类型自定义XGBoost算法的损失函数，迭代构建故障分裂树；提取样本在故障树中的叶子节点位置索引向量并进行特征编码重构，得到隐含故障信息的智能化表征；基于该表征矩阵，使用SVM等机器学习算法建立故障诊断模型，实现多故障模式的识别诊断；最后，以某驱动器的故障诊断为例对方法进行了验证，结果表明：与原始特征下的故障诊断模型相比，基于XGBoost算法提取隐含特征下的诊断模型准确度更高，鲁棒性更好，同时能给出特征变量的重要性排序。     

基于GNN的全寿命期砼泵液压系统故障分析

液压系统是机、电、液耦合的复杂系统,实践表明工程机械有70%的故障是由液压系统引起的,液压系统的故障诊断已成为国内外学者研究的热点,其中智能化诊断已成为当前发展趋势,以神经网络应用最为广泛。然而研究发现,各类BP网络模型在样本点的选取上均没有考虑液压系统寿命周期不同对故障诊断所造成的影响,为解决这个问题,构建了全寿命期砼泵液压系统故障分析模型,在神经网络分析的基础上考虑设备寿命期对系统故障分析的影响,并结合遗传算法对BP神经网络进行优化。     

基于VW-FDA的盾构机液压系统故障诊断方法研究

盾构机规模庞大,施工过程中检测变量众多,液压系统故障易发。为了实现在线监测,提高液压系统故障诊断的准确性,探究与盾构机适应的快速准确有效的故障识别方法,提出使用加权因子与传统费歇尔判别法相结合的加权费歇尔判别法(Variable-Weighted-Fisher Discriminant Analysis,VW-FDA)。通过AMESim软件建立推进系统模型,仿真四类故障,运用仿真故障数据得到每一类故障的加权向量,建立VW-FDA模型。结果表明:对于盾构机液压推进系统,VW-FDA比传统FDA具有更强的故障诊断能力,能够将故障信息进行有效的分类,正确地做出故障诊断。