基于振动信号特征融合的齿轮泵故障诊断

实验设置了齿轮泵常见故障,在适当位置安装了振动传感器,采集了相应的故障信号,提取了小波包能量谱和有效值RMS两种特征信号,应用RBF神经网络进行学习、训练和测试,与单一的传感器信号分析相比,具有更高的诊断精度和更好的诊断效果.     

基于小波分析和RBF神经网络的轴承故障诊断研究

为了提高轴承故障信号的诊断性能,采用小波分析和RBF神经网络相结合的方法对轴承振动信号进行故障分类。首先对轴承振动信号进行小波变化,采用软阈值去噪方法滤除振动信号噪声,然后对振动信号矩阵化处理,接着构建RBF神经网络,输入轴承振动信号特征向量,初始化权重和阈值,最后通过不断反向迭代得到稳定的RBF神经网络故障判别模型。实验证明：通过差异化设置隐藏层神经元数量,确定合适的RBF神经网络规模,经过小波去噪可以有效提高轴承故障判别准确率,相比于常见轴承故障分类算法,算法具有更高的故障判别准确率。     

基于压力信号分析与特征提取的齿轮泵故障诊断

以压力信号作为特征信息对齿轮泵进行故障诊断,通过压力信号分析,利用平稳小波分解与重构将压力信号的低频波动项与高频脉动项进行了分离,并对低频波动和高频脉动部分的功率谱进行了分析,得到了反映故障状态变化的特征.     

小波包分析方法在齿轮泵故障诊断中的应用

齿轮泵产生噪声时基本上都伴有振动。对齿轮泵的振动原因及振动信号进行分析,由于齿轮泵的振动信号包含大量的频谱,利用小波分析原理及小波包分解故障信号,并与正常信号比较,抽取与故障有关的几个频段进行重构,剔除正常振动分量和干扰项,从而使故障特征信号从复杂的振动信号中分离出来,便于判断齿轮泵的故障原因。     

基于深度置信网络的液压泵内泄漏状态的诊断

针对液压信号的高度复杂性以及难以识别的特点,提出一种基于深度置信网络的方法用于液压泵内泄漏状态的诊断。首先利用小波变换和HHT对压力信号和流量信号进行提取特征,然后利用堆叠RBM网络对原始特征集进行优化,并提取高级的融合特征,最后使用BP进行预测。实验结果表明：DBN能够有效地提取原始特征集的内在特征,使液压信号得到了更好的表达;DBN对液压泵内泄漏状态识别精度达到了98.77%;相比于SSAE和H-ELM分类器,DBN对液压泵内泄漏状态有更好的辨识能力和稳定性。     

神经网络在液压系统典型故障诊断中的应用

针对液压系统中的一种典型故障——油缸泄漏的故障诊断,提出通过监测油缸压力信号,提取时域组合特征并利用神经网络作为故障分类器的诊断方法。该诊断方法首先提取了油缸压力信号的时域组合特征作为特征向量,然后输入到神经网络分类器中进行故障的识别和分类。实验结果表明:该诊断方法能有效识别无泄漏、轻微泄漏、严重泄漏的3种状态,是液压系统故障诊断行之有效的方法。     

基于模糊C均值算法的齿轮泵故障诊断技术

以CB-KP63齿轮泵为研究对象,提出了利用小波包频带能量提取齿轮泵的信号特征,用模糊C均值聚类算法得到齿轮泵的故障模式,然后用模糊贴近度进行故障模式的识别.实验结果表明,在此算法下,齿轮泵4种不同工作状态下的振动信号具有明显的可分性,并且该诊断方法对不同类型的齿轮泵故障诊断、维修保养等都具有一定的实用性.     

小波包神经网络在齿轮泵故障诊断中的应用

采用小波包技术提取齿轮泵的振动信号的小波包能量谱及其谱熵,作为改进的BP网络的输入特征,进行齿轮泵的故障诊断.实验结果表明,该方法大大地提高了诊断的可靠性.     

小波分析结合神经网络的桩基缺陷检测

引入一种小波分析结合神经网络的桩基检测方法,根据桩基中超声波传播的特点,利用小波分析对采集的超声波信号进行小波包分解,对分解后的信号进行归一化处理,将超声波信号矩阵化,构建表征桩基缺陷信息的特征向量;再取多组特征向量作为神经网络的训练样本,对特征向量进行训练学习,并将未诊断样本输入神经网络进行识别验证。试验数据表明,通过小波分析方法获取超声波信号特征向量并构建的神经网络可以有效识别出桩基缺陷以及缺陷类型。     

基于小波变换的混凝土泵压力滤波方法研究

针对混凝土泵液压系统压力测量信号信噪比低且非平稳的特点,对混凝土泵工作过程中的液压系统压力测量信号进行小波变换滤波,通过选择coifN小波和heursure规则对压力测量信号进行小波分解和滤波处理,有效去除了压力测量信号中的噪声,取得了良好的滤波效果,为混凝土泵排量的实时测量以及工作状态实时监控和故障诊断提供处理和识别依据。     

基于AIC优化RBF网络的机床主轴轴承磨损状态分析

利用赤迟信息准则(AIC)确定RBF神经网络的隐含层节点数和中心,建立基于该神经网络的机床磨损状态分析模型,并利用实验获取的振动信号来判断机床主轴轴承磨损状况。实验及仿真结果表明:基于AIC的RBF网络技术的分析方法在机床磨损状态分析中是有效可行的,对单一磨损状态的正确识别率达到了97.5%,对其他复杂机械的振动分析同样具有参考价值。     

基于RBF神经网络与LMD的滚动轴承故障诊断方法

直升机传动系统故障诊断及预测对提高其运行时的可靠性和安全性具有重要意义。本研究首先采用小波包降噪与局部均值分解相结合的方法提取滚动轴承故障特征,其次用故障样本对设计好的RBF(Radial Basis Function Neural Net-work,简称RBF)诊断网络进行训练,最后利用训练好的RBF网络实现故障的智能诊断。实验结果验证了该方法能够有效地对滚动轴承故障进行分类识别。     

基于优化RBF神经网络挤出机温度压力系统辨识

为了精确在线辨识橡胶复合挤出机控制过程中主要干扰变量与内部耦合关系,更好地实现对挤出机温度压力耦合系统的精准控制,采用RBF神经网络进行系统辨识研究,同时结合PSO算法引入GA算法中编码、杂交、交叉、变异等概念,设计了混合型PSO算法进一步优化RBF神经网络,完成对温度压力耦合系统的精准在线辨识。借助MATLAB软件进行神经网络训练,辨识系统耦合关系,同时与混合型PSO算法优化神经网络权值所辨识的效果进行对比。试验结果表明:采用混合型PSO算法优化RBF神经网络训练效果更佳,可以实现RBF神经网络高精度系统辨识;混合型PSO算法优化RBF神经网络应用于挤出机温度压力控制系统辨识,可以在一定程度上提升系统的辨识精度以及挤出机械的智能化水平。     

基于RBF神经网络的内燃机活塞-缸套磨损故障诊断

以RBF网络为识别模型，对内燃机活塞-缸套磨损的几种故障进行分类训练，并应用于待识别故障样本的识别仿真，结果表明，基于RBF的故障诊断方法优于基于BP网络故障诊断，在活塞-缸套故障诊断中是行之有效的方法。     

基于VMD瞬时能量与GA- RBF的滚动轴承故障诊断

针对滚动轴承早期故障的有效识别,提出了一种基于VMD瞬时能量与GA优化的RBF神经网络的滚动轴承故障诊断方法,可以有效对滚动故障做出诊断。首先,VMD将滚动轴承振动信号进行分解成合适数目的本证模态函数;其次,计算本证模态函数分量的瞬时能量并组成特征向量;最后,将特征向量输入到GA优化的RBF神经网络实现轴承故障识别。通过滚动轴承故障诊断实验对该方法进行验证。结果表明,该方法识别滚动轴承故障的准确率为96.43%,较默认参数的RBF神经网络和EEMD瞬时能量与GA-RBF神经网络有明显的提高,证明了所提方法的可行性。     

基于FARX和RBFNN模型的压铸机液压系统故障诊断

提出了一种基于FARX和RBFNN的压铸机液压系统故障诊断新方法。模糊化之后的ARX模型不仅保留了其自回归系数对故障状态变化规律反映非常敏感的特性,而且能够实现对非线性故障特征更准确的描述。故障诊断中首先对目标系统的故障状态建立FARX模型,提取其故障特征作为RBF网络训练样本,根据RBF网络的输出结果确定故障类型。仿真实例验证了此方法的准确性和有效性。     

基于RBF神经网络的挤出机温度压力控制系统

为了确定橡胶复合挤出机控制过程中主要干扰变量与内部耦合关系并较好实现温度压力控制系统的模型辨识自适应控制与精确解耦控制,结合径向基函数(RBF)神经网络与PID神经元结构,设计了一个基于RBF神经网络辨识模型与自适应控制的模型,用于完成对熔体温度、机头压力的模型辨识与自适应控制,并采用优化RBF神经网络进行精确解耦控制。利用MATLAB软件建立温度压力耦合系统的辨识模型,并与传统辨识模型和解耦方式进行对比。结果表明:在干扰作用下,基于优化RBF神经网络的系统具有较好的辨识能力,能自适应地完成系统解耦控制;采用优化RBF神经网络建立的耦合辨识模型的耦合辨识与解耦效果理想,可在一定程度上提高温度压力控制系统精度和挤出半成品质量,实现精密化挤出成型。     

基于BP网络的减压阀故障诊断

提出一种使用BP神经网络检测减压阀故障信号的方法.通过提取减压阀振动时的正常信号和故障信号的均值、标准差、偏度和峰度,作为特征值对建立的BP网络进行训练,再进行故障辨识,取得了令人满意的结果.实验结果证明,利用BP网络进行机械故障检测是可行的.     

基于小波包与SVM的滚珠丝杠故障诊断

采取小波包方法对数控机床滚珠丝杠故障信号进行分析,结合时域分析,提取不同故障状态下的特征值,得到支持向量机（SVM）的输入特征向量;研究并确定了应用二叉树算法与RBF核函数,采用遗传算法对SVM的参数寻优,建立了SVM多故障分类器,实现了滚珠丝杠的故障诊断与分类。最后通过实验结果证明了多故障分类器的可行性与有效性。