小波-神经网络在齿轮故障诊断中的应用

基于齿轮箱故障齿轮的特征提取,提出了将小波包分析与神经网络结合的齿轮故障诊断方法.对齿轮信号进行3层小波包分解,构造小波包特征向量作为故障样本.用训练好的BP神经网络进行故障诊断,实验结果表明该方法能够有效地诊断出齿轮的故障类型.     

基于小波包与改进BP神经网络的齿轮故障诊断

对齿轮振动信号应用小波包分解提取故障特征向量,并以此作为改进BP神经网络的输入,对神经网络进行训练,建立齿轮运行状态分类器,用以诊断齿轮的运行状态。结果表明,该方法对齿轮故障诊断十分有效。     

基于小波神经网络(WNN)的齿轮故障诊断

在研究齿轮故障诊断模型以及齿轮故障诊断策略的基础上,选择基于知识方法的小波神经网络方法用于齿轮故障诊断,提出了学习速率自适应调整的梯度下降法来修正小波神经网络的各个系数;最后通过实验证明,利用小波神经网络技术能够实现准确识别齿轮故障.     

基于小波包特征向量与神经网络的滚动轴承故障诊断

基于故障轴承的特征提取,提出了将小波包分析与神经网络结合的滚动轴承故障诊断方法.对滚动轴承信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,试验结果表明,该方法能够有效地诊断出滚动轴承的故障类型.     

基于小波分析和修正指数分布的齿轮故障诊断方法

提出了基于小波分析和修正指数分布(modifiedexponentialdistribution,MED)的齿轮故障诊断方法,该方法采用小波包将齿轮振动信号分解为若干个频率段,然后选择合适的频率段进行小波包重构,对重构后的信号进行MED分析,得到齿轮振动信号的小波包时-频分布,进而从中提取齿轮振动信号故障的故障特征.对具有裂纹的齿轮振动信号分析结果表明了基于小波分析和MED的齿轮故障诊断方法的有效性.     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。     

基于小波包变换与神经网络的齿轮故障诊断方法

对齿轮箱故障诊断问题进行研究,由于齿轮的振动信号是非平稳信号,常规的齿轮特征提取方法难以从振动信号中提取有效故障特征信息。笔者采用小波包理论对齿轮振动信号应用db12小波进行多层分解后,从而对信号进行消噪,并对消噪后的信号进行小波包3层分解及系数重构,再次对各频段能量进行处理分析从而得到特征向量。最终应用归一化方法对特征向量处理后再结合RBF神经网络进行故障诊断,并且取得了良好的诊断效果。     

基于小波包和SOM神经网络的齿轮故障诊断仿真研究

鉴于齿轮振动信号非平稳的特征,提出用小波包分析和SOM神经网络相结合的新诊断方法。首先运用虚拟样机技术建立齿轮模型,模拟出各种故障,并提取出振动信号;然后用小波包分析提取能量特征,再用SOM网络对数据进行分类得到各种故障类型的标准样本,最后通过用待检测样本与标准样本进行对比分析得出诊断结果。仿真结果表明该方法对齿轮的故障诊断十分有效,对其他旋转机械的故障诊断和维修保养具有指导意义。     

基于遗传优化小波神经网络的微动齿轮故障诊断

给出了微动齿轮的机械振动机理和故障特征,建立了三层小波神经网络,并结合遗传算法进行小波神经网络参数优化。将微动齿轮故障分为无故障、齿轮断层、齿轮面磨损脱落、齿轮面损伤,齿轮面裂痕等五种故障,通过振动试验测试故障信息,将其作为小波神经网络的训练样本,并结合遗传优化实现网络隐层节点和小波参数最佳值。仿真结果表明遗传优化的小波神经网络能够有效避免神经网络不收敛的缺点,提高学习速度,采用遗传优化神经网络进行微动齿轮故障诊断,具有较高的诊断精度和效率,可以有效应用于其他系统的故障诊断工程中。     

差分进化小波神经网络在微动齿轮故障诊断中的应用

构建立了三层小波神经网络,给出了小波神经网络结构及算法,给出了差分进化的原理和实施步骤.给出了微动齿轮的机械振动机理和故障特征,将微动齿轮故障分为无故障、齿轮断层、齿轮面磨损脱落、齿轮面损伤,齿轮面裂痕等五种故障,通过振动试验测试故障信息,将其作为小波神经网络的训练样本,将差分进化应用于小波神经网络结构和参数的优化中.仿真结果表明差分进化小波神经网络能够有效避免神经网络不收敛的缺点,提高学习速度,采用差分进化小波神经网络进行微动齿轮故障诊断,具有较高的诊断精度和效率,可以有效应用于其他系统的故障诊断工程中.     

基于小波能量法的变速箱齿轮故障诊断技术研究

利用小波包分析并结合小波包能量谱尺度图的方法,通过小波包分解利用各频带范围信号能量的改变,进行了变速箱齿轮故障的诊断。按此方法准确地识别了某汽车H型变速箱的故障。研究表明,对变速箱齿轮故障诊断是一种行之有效的方法。     

基于小波包特征提取的ART1网络故障诊断研究

系统阐述了小波包分解及ART1神经网络的基本理论和特点,在对故障诊断进行理论分析的基础上,结合ART1神经网络对输入矢量的要求,提出了一种差值门限方法,将小波包特征提取与ART1神经网络相结合进行动态系统的故障诊断。用MATLAB仿真了系统及其故障,对上述故障诊断方法进行了测试实验。实验结果表明,基于小波包特征提取的ART1神经网络故障诊断方法是可行的,能够应用于多个领域,其发展前景广阔。     

基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法

针对表征齿轮故障特征信息难提取与极限学习机输入权值与隐含层节点阈值随机选取,致使齿轮故障分类模型泛化能力弱、精度差的问题,提出一种基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法。该方法首先将齿轮振动信号经过小波包分解,再利用分解所得各节点信号与原信号的相关系数选取出最优节点并计算其能量特征;其次,利用蝙蝠算法优化极限学习机的输入权值与隐含层节点阈值,建立BA-ELM的齿轮故障分类模型;最后,将所得小波包最优节点能量特征向量作为模型输入进行齿轮不同故障状态的分类识别。实验结果表明,与基于SVM和ELM的故障分类方法相比,基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法具有更高的分类精度,更强的泛化能力。     

基于小波BP神经网络的城轨列车辅助逆变系统故障诊断

在研究城轨列车辅助逆变系统故障诊断模型的基础上,提出一种基于小波包和神经网络相结合的故障诊断方法.该方法首先对采集到的电压信号进行小波降噪,再经过小波包分解和重构,构造特征向量,以此为故障样本对BP（Back propagation）神经网络进行训练,实现智能化故障诊断.实验结果表明：该方法能够很好地诊断出城轨列车辅助逆变系统的故障类型,这为辅助逆变系统的故障诊断和故障动态监测提供了新的参考,具有一定的工程应用价值.     

基于小波包-神经网络的电厂发电机组故障诊断研究

电厂发电机组齿轮箱通常工作在高速高负载和润滑不良的恶劣环境中,研究对其工作过程的有效监测和故障诊断具有重要意义。针对齿轮箱故障信号的非平稳特征,提出了基于小波包分解和神经网络的故障诊断方法。以故障信号小波包分解后的能量信息作为输入向量,以BP神经网络作为分类器对其进行识别和诊断。通过对齿轮箱的正常工况、齿面磨损、缺齿和复合故障等4种类型的分析表明,提出的小波神经网络故障诊断方法可以识别齿轮箱的故障类型。     

基于神经网络的齿轮故障诊断专家系统

基于齿轮典型故障机理及其信号特征,采用时域、幅值域与频谱分析相结合的诊断方法,建立了齿轮故障诊断神经网络模型,试验验证模型诊断结果具有较高准确性。基于Windows平台和Visual C＋＋语言,开发了基于神经网络的齿轮故障诊断专家系统,将传统的时频信号分析理论与现代小波分析、神经网络和专家系统技术融入齿轮故障诊断之中,形成一个更加完善基于神经网络的齿轮故障诊断专家系统。     

基于LVQ神经网络的异步电动机故障诊断

应用小波包分析法和学习矢量量化网络对异步电动机的故障进行诊断。采用小波包分析法对采集的异步电机振动信号进行小波包分解,选取特殊频段的能量特征值作为LVQ神经网络的输入样本,通过训练,使构造的学习矢量量化网络能够反应能量特征值和故障类型的映射关系,从而达到故障诊断的目的。仿真结果表明,与常规方法相比,小波包分析法与LVQ网络结合构成的故障诊断分类器能更准确、更有效地实现异步电动机故障诊断。     

基于小波包分解和BP神经网络的轴承故障诊断

针对滚动轴承的故障诊断,提出了小波包分解与BP神经网络结合的诊断方法。对轴承振动信号进行3层小波包分解,构造其特征向量,输入神经网络进行训练和测试。Matlab仿真结果表明,该方法能有效地诊断出轴承的故障类型。     

基于小波包与神经网络相结合的主轴箱齿轮故障识别

用加速度传感器获取主轴箱振动信号,应用小波包分解提取故障特征向量,进一步用特征向量训练前向传播BP神经网络,建一立齿轮运行状态分类器,对齿轮故障进行识别。实验结果表明,基于小波包分解能量提取故障特征是十分有效的。     

改进小波包与RBF网络在轴承诊断中的应用

基于故障轴承的特征提取,提出一种基于小波包与径向基RBF神经网络相结合的故障诊断方法,克服了以往常用诊断方法中的小波BP神经网络网络收敛慢、训练时间长、而且常常陷入局部极小点的缺点。采用小波滤波技术对采集到的滚动轴承振动信号进行滤波处理,利用小波包分解获得滚动轴承振动信号的特征向量作为故障样本对RBF网络进行训练,进行了详细的故障诊断试验研究。实验结果表明训练好的RBF网络能够很好地诊断出轴承故障类型,故本方法在旋转机械故障诊断方面具有良好的应用价值。