小波网络在振动信号时间序列预报中的应用

介绍了离散仿射小波神经网络的原理及其构建方法 ,用正交最小二乘算法进行小波基函数的选择 ,用最小二乘算法确定小波网络权值。说明小波神经网络具有高度的非线性函数逼近能力 ,可以用于建立时间序列预报模型 ,最后给出了小波网络用于建立旋转机械振动信号时间序列预报模型实例。     

基于LMBP神经网络的故障预报方法及其应用

利用具有二阶收敛效应的Levenberg-M arquardt(L-M)算法优化BP的权值修正量,提出了一种快速收敛的LMBP学习算法,给出了基于LMBP神经网络的故障预报方法,并应用于某陀螺仪的故障预报。结果表明:较之BP和传统改进BP网络,LMBP网络有着更高的收敛速度;基于该网络的时间序列预测模型可以实现性能优越的非线性预报器,将其应用于非线性系统的故障预报能够取得良好的效果。     

多分辨小波网络的理论及应用

从小波多分辨分析的理论入手，描述一个单隐层的人工神经网络－小波网络，小波网络是以多分析理论的基础，使用正交小波和尺度函数作为激励函数进行局部学习的，给出小波网络的结构模型及训练过程，网络的学习是按层次进行的，首先是学习全局拟和，然后通过在不同的分辨级别增加ψ结点来减少全局和局部拟的误差，用小波网络对机械振动时间序列作出预报，经过训练后的网络具有很高的精确度，说明网络达到了全局最优。     

力觉临场感系统中操作环境动力学的小波神经网络模型

在力觉临场感系统中机器人操作环境经常是非线性的和未知的。为使本地操作者了解环境特性，需对操作环境进行建模。为此，进一步研究力觉临场感系统中机器人操作环境动力学模型，提出一种新的基于小波神经网络的环境非线性动力学模型的建立方法，分析网络的拓扑结构，给出网络参数训练和初始化方法。采用引入动量项的最速下降法训练网络权值、尺度因子和平移因子，将小波网络参数的初始化与小波类型、小波时频参数和学习样本等联系起来。结果表明，采用小波神经网络的力觉临场感系统中操作环境模型优于同等规模的BP网络，具有训练方法收敛速度更快、非线性逼近能力更强及建模精度更高等优点。     

转子径向摩擦故障振动的非线性特征的研究

本文从“正向”和“逆向”两方面对转子径向摩擦故障的非线性特征进行了分析，首先从机理上对径向摩擦进行了力学描述，分析了其非线性振动的原因，并基于振动波形分析，阐述了其频域特征；然后利用时间序列分析方法讨论了摩擦序列的非线性特性，并用基于条件期望估价的模型结构辨识方法，给出了摩擦故障的最佳时序模型。     

一种基于小波网络的切削刀具故障监测

提出了一种基于小波神经网络的切削刀具故障监测方法，即提取反映刀具磨损状态的多源特征参数，利用小波神经网络的非线性模型和学习机制，实现在线状态监测；同时针对故障诊断的多输入输出问题带来的网络规模增大、收敛速度慢等问题，提出一种网络优化算法，即采用尺度参数的自适应调整法及平移参数的寻优搜索法，寻找最优小波基元，从而简化小波网络并加快收敛，仿真实例证明了该方法的有效性。     

用于过程软测量的多小波网络

提出了一种用于系统建模的多重小波网络，给出了网络的结构，结合偏最小二乘法的网络构造方法，最后用于辨识非线性系统和建立过程软测量模型。该方法通用性好、精度高和鲁棒性强，仿真研究表明，方法有效、可行。     

基于小波网络航空发动机滑油系统故障诊断方法研究

研究基于小波神经网络的非线性系统的故障检测和诊断方法.把小波分析与前馈神经网络相融合,并推导出其具体的算法.应用小波神经网络时航空发动机滑油系统进行故障诊断.实验和仿真的结果表明:小波网络应用于故障诊断时具有收敛速度快,对网络输入不敏感等特点,为非线性系统的故障诊断提供了新的理论和方法.     

基于小波网络的下肢携行外骨骼系统模型辨识研究

采用虚拟样机技术对外骨骼进行建模,同时应用虚拟样机模型对系统动态方程的逆模型采用小波网络进行学习逼近,充分利用了小波网络在时域及频域所具有的非线性映射能力。理论分析及仿真结果证明了此模型逼近方法的可行性及有效性。     

小波分析和神经网络技术在故障诊断中的应用

介绍了智能诊断技术、小波分析技术及神经网络技术，阐述了小波与神经网络相结合的两种方式——松散型小波神经网络和紧致型小波神经网络。在此基础上，以松散型小波神经网络对刀具故障的在线监测为例，说明了小波分析和神经网络技术对刀具故障进行在线监测，故障预报正确率为87.7％。     

一种改进的灰色网络算法在早期故障预测中的应用

早期故障预测是大型工况设备故障诊断技术的一项重要内容,它以设备运行时的多种性能参数为依据,通过建立早期故障预测模型,准确地推断出下一时刻及以后时刻系统的运行参数,协助人们在故障发生早期及时采取处理措施。文章将非平稳信号分析中常用的小波变换、灰色预测、神经网络和马尔可夫过程有效地结合在一起,提出了一种改进的灰色网络模型算法,较好地发挥了灰色预测模型累加生成操作（AGO）,使数据更加规则有序,神经网络高度非线性、自学习及自组织的优点更为显著。实验分析表明,该算法在早期故障预测中具有较高的预测精度和较好的收敛效果。     

Comparative analysis of neural network and regression based condition monitoring approaches for wind turbine fault detection

This paper presents the research results of a comparison of three different model based approaches for wind turbine fault detection in online SCADA data, by applying developed models to five real measured faults and anomalies. The regression based model as the simplest approach to build a normal behavior model is compared to two artificial neural network based approaches, which are a full signal reconstruction and an autoregressive normal behavior model. Based on a real time series containing two generator bearing damages the capabilities of identifying the incipient fault prior to the actual failure are investigated. The period after the first bearing damage is used to develop the three normal behavior models. The developed or trained models are used to investigate how the second damage manifests in the prediction error. Furthermore the full signal reconstruction and the autoregressive approach are applied to further real time series containing gearbox bearing damages and stator temperature anomalies.The comparison revealed all three models being capable of detecting incipient faults. However, they differ in the effort required for model development and the remaining operational time after first indication of damage. The general nonlinear neural network approaches outperform the regression model. The remaining seasonality in the regression model prediction error makes it difficult to detect abnormality and leads to increased alarm levels and thus a shorter remaining operational period. For the bearing damages and the stator anomalies under investigation the full signal reconstruction neural network gave the best fault visibility and thus led to the highest confidence level.     

设备故障趋势预测的分析与应用

研究了设备故障趋势的预测方法，介绍了非线性自回归模型，提出将BP神经网络与非线性自回归模型相结合，针对实验室JZQ250型齿轮箱的测试系统建立了基于振动信号的神经网络预测模型。采用MATLAB软件中自带的神经网络工具箱，利用模块化的编程思想，编程实现了神经网络预测模型．并利用实验室数据的峭度指标进行了实验。首先给出网络的输入及对应的目标输出，然后经过训练获得网络的权值和阈值，最终构建齿轮箱故障趋势的预测神经网络，用来预测齿轮箱的故障趋势。结果表明，该模型能够有效地短期预测齿轮箱的典型故障，可以用于齿轮箱的故障诊断。     

光谱油样分析数据的神经网络多变量预测技术

针对非等间隔的受加油因素影响的光谱油样分析数据的建模预测问题，利用人工神经网络高度的并行分布式、联想记忆能力、自组织学习能力和极强的非线性映射能力，建立了BP神经网络的多变量预测模型。同时，用遗传算法对网络参数进行了优化。最后，利用两组实际的航空发动机油样光谱分析数据对模型进行了验证。结果表明，提出的神经网络多变量预测模型能有效解决实际的受多因素影响的油样分析数据建模问题，具有较强的工程实用价值和通用性。     

基于混沌时间序列的旋转机械非平稳状态预测方法研究

针对旋转机械设备的非平稳运行状态,以混沌理论为基础,将最大Lyapunov指数的预测模型引入旋转机械故障趋势预示,阐述了构造预报函数f或F的两种方法,提供了混沌时间序列的最大可预测时间的计算方法,通过对大型机组实验数据的分析,证明了在最大预测时间内,该预测方法是较理想的。^^     

基于GRU-XGBoost的风电场功率短期预测

随着风电技术的不断发展,更多的风电机组并入电网运行。考虑到电网的安全性与稳定性,精确的风电场发电短期预测技术越发重要。在利用自适应噪声的完备经验模态分解(CEEMDAN)风电原始序列信号的基础上,采用GRU-XGBoost模型对非线性、非平稳的功率序列进行建模和预测,以提高模型的预测能力和泛化能力。首先利用CEEMDAN将风电功率原始序列分解为一系列不同时间尺度的分量,将分解后的信号输入GRU神经网络输出预测信号,再输入XGBoost进行校正。通过与多种预测模型进行比较证明此模型拥有更好的预测精度。     

基于 CSA-NARX 模型的电梯钢丝绳动态张力预测方法

为了预测曳引式电梯钢丝绳的动态张力,对带有外部输入的非线性自回归神经网络( NARX )进行研究,利用变色龙优化算法( CSA )对其关键参数进行优化,提出了 CSA-NARX 神经网络模型。该模型在计算速度以及预测精度方面皆优于 NARX 基础模型。最后,利用提出的神经网络模型对电梯上行过程中钢丝绳的动态张力进行预测,其预测精度达到了 97% 。以传统的非平稳时间序列分析模型 ARMA 和 LSTM 为对比,所提出模型的精度更高,验证了所提出模型的有效性。     

非线性模拟动态电路故障诊断的频域方法

提出了用Volterra频域核作为故障特征对弱非线性定常动态网络进行故障诊断的方法，利用计算方法求出网络响应在各种常见故障状态下的Volterra级数解的各阶频域核，并输入给BP神经网络，利用BPNN的分类功能建立故障字典，用对实测的故障网络的各阶频域核进行测试样本分类来实现故障诊断。给出了各阶频域核的统一递推算式，讨论了Volterra频域核的测量，并给出了故障诊断实例。     

热力参数的KPCA-RBF网络建模及传感器故障诊断方法

针对复杂恶劣环境下机组热力参数的数据监测及传感器故障诊断问题,建立了融合机理分析、核主元分析(kernel principle component analysis,简称KPCA)与径向基神经网络(radial basis function,简称RBF)的发电机组热力参数预测及传感器故障检测模型。首先,根据机理分析得到完备的辅助变量集,并利用核主元分析提取辅助变量的特征信息以有效处理发电机组中高维、强耦合的非线性数据;其次,将主元变量集输入径向基神经网络进行学习,实现热力参数的重构;最后,基于预测模型与窗口移动法实现传感器的故障诊断,并对故障数据进行及时修复和准确替换。以燃气轮机排气温度为例进行验证的结果表明,该预测模型具有更高的精度和泛化能力,能在传感器故障发生初期及时发现并识别故障类型,检测效果优良。