基于提升小波和递推LSSVM的实时故障诊断方法

提出了一种基于提升小波(LW)与递推最小二乘支持向量机(RISSVM)相集合的实时故障诊断方法(LW-RLSSVM).该方法首先通过提升小波变换对数据实时去噪,再通过实时算法训练最小二乘支持向量机分类器.由于采用了递推算法,节省了存储空间和运算时间,同时增加了诊断模型的适应性.为验证所提方法的有效性,将LW-RLSSVM应用于TE过程和青霉素发酵过程.实验结果表明,LW-RLSSVM集合方法能有效实现实时故障诊断,在诊断速度和适应性方面,优于基于第一代小波与LSSVM相集合(W-LSSVM)的故障诊断方法;在诊断精度等方面,该方法优于LSSVM、RLSSVM等方法.     

基于DWT和PNN的印刷过程实时监测和故障诊断

提出了一种新的基于离散小波变换和概率神经网络的印刷过程振动信号的实时监测和故障诊断系统。利用小波包分解技术对印刷过程振动信号进行降噪处理,并选择特殊频段进行小波包重构,有效捕捉和分离了处于信号不同频段的印刷过程振动信号故障特征分量。对提取的故障特征参数应用概率神经网络映射,实现对印刷过程振动信号运行状态的实时监测和故障诊断。仿真结果表明,该诊断方法快速、准确且易于工程实现。     

基于DCS的三容水箱液位控制实验平台的研究

本课题以实验室教改项目为背景。该实验平台是将“三容水箱”为控制对象的实验装置和重点实验室“工业过程控制与仿真实验室”提供的Symphony分散控制系统连接起来而形成的闭环控制系统。可以模拟工业生产过程中的液位、流量等变量，并对这些变量进行控制、测量及观测。该综合实验平台具有强大的实验功能，能完成一阶及多阶对象。多输入-多输出解耦等实验；具有很好的人机界面功能。直观的显示出水箱液位。     

基于小波分析与概率神经网络的化工过程故障诊断

针对复杂化工过程,提出了一种结合小波分析与概率神经网络（PNN）的故障诊断方法（HWPNN方法）,即利用Haar小波分析对过程原始数据进行消噪处理,然后将重构的逼近系数作为输入样本送入概率神经网络完成故障诊断。将HWPNN方法应用于TE过程（一个化工生产过程,由Tennessee Eastman公司控制小组提出）的15种故障进行实验,并与将原始数据直接送入概率神经网络作故障诊断的PNN方法进行了比较,实验结果表明HWPNN方法的故障诊断的准确率明显高于PNN方法。HWPNN方法的诊断准确率达到了100％,是一种可行而有效的化工过程的故障诊断方法。     

提升小波在齿轮箱故障诊断中的应用

利用小波变换进行信号特征提取时,特征提取效果依赖于小波基的选择。为了避免这一限制,引入一种基于提升小波的根据故障特征波形特点实现小波构造的方法。对齿轮箱振动信号的分析和故障特征信息提取结果表明,利用提升小波能比一般小波更好地与齿轮箱故障特征信号相匹配,提取出更有效的故障特征,为后续的故障诊断和分析提供了良好的条件。     

概率神经网络PNN在发动机故障诊断中的应用

介绍了概率神经网络的模型，分析了其特点，并探讨了基于PNN的发动机故障诊断方法。通过MATLAB进行仿真试验，结果表明基于概率神经网络的故障诊断方法可以最大程度地利用故障先验知识，提高发动机故障诊断的准确率。     

基于小波神经网络的车辆发动机故障诊断

为有效诊断车辆发动机的柴油系统故障,本文将小波变换与BP神经网络相结合,用小波变换来抽取故障的特征向量,以此作为BP神经网络的输入参数,从而构建了小波神经网络。该方法依据小波变换模极大值来研究油管中柴油压力信号的奇异性来抽取故障特征向量,首先利用故障采集数据来获得学习样本,然后根据网络训练来构建起BP神经网络输出与输入间的非线性映射,从而依据特征向量输入进BP神经网络进行诊断故障。通过实验我们发现该方法有较好的的诊断效果。     

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。     

时域新指标和PNN在滚动轴承故障诊断中的应用

针对传统时域指标在滚动轴承信号特征提取时分类精度不高的问题。首先,选取适合在线简单快速判别的时域指标,并根据轴承疲劳损伤大小和局部损伤数量增加,分析时域指标对故障的敏感性;其次,融合传统时域指标,得到了两个更为敏感的时域新指标TALAF和THIKAT;最后,利用实时性较好的概率神经网络训练和测试包括两个新指标的数据集,并与未加入新指标的数据集训练和测试结果进行比较,仿真结果验证了TALAF和THIKAT指标有效提高了轴承故障诊断的准确性。     

基于遗传PNN网络的组合导航故障诊断研究

针对INS/GPS组合导航系统观测信息无冗余且观测信息可能存在故障的情形,提出一种基于状态x2检验与自适应概率神经网络( APNN)相结合的组合导航故障诊断方法.该方法通过监测组合导航系统状态分量,提取故障的特征值并利用APNN确定故障的类别,从而实现故障的定位与隔离.APNN采用高斯函数作为激励函数,通过遗传算法获得模式层矢量最佳数目及匹配的平滑因子参数集,使每个神经元传递函数具有不同的平滑参数,提高了网络的泛化能力以及诊断精度.数值仿真结果表明,该算法能够有效地识别出INS/GPS组合导航系统的故障,确保了系统的安全性和可靠性.     

基于PNN的电力变压器故障诊断方法

对油中溶解气体进行深入分析后,以改良的三比值法为基础,提出一种基于概率神经网络(PNN)的变压器故障诊断方法。该方法利用PNN的强大的非线性分类能力,将故障样本空间映射到故障模式空间中,可形成一个具有较强容错能力和结构自适应能力的诊断网络系统,从而提高故障诊断的准确率。仿真结果表明,实际案例数据验证了此方法准确率高,是一种有效的故障诊断方法。     

基于小波变换预处理的模拟电路故障诊断

把小波变换用于模拟电路故障诊断中。输出信号的低频系数反映了信号的概貌特征．表征了电路的故障情况,因此,利用小波变换有效地提取故障特征信息。提出了“小波系数-故障”的故障诊断方法。计算和实验结果表明：该方法可以简化神经网络的结构和减少它的训练时间,快速高效地进行模拟电路故障诊断与定位。     

基于小波神经网络的模拟电路故障诊断

本文对模拟电路提出了一种基于小波神经网络的故障诊断方法。该法利用小波空间中函数的多分辨率分解思想，构造了一种激励函数为具有紧支撑集的尺度函数和小波函数的小波神经网络。这种小波神经网络隐层节点数的选取有理论根据，解决了传统神经网络隐层节点数难以确定的问题。分别用本文提出的小波神经网络和传统BP网络对实例电路进行故障诊断，结果发现，小波网络比传统BP网络方法不仅学习收敛速度快，而且有效地避免了局部最小值问题。     

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。     

基于神经网络的数控机床故障诊断专家系统

针对传统专家系统在处理故障诊断中的不足,提出了将神经网络技术与专家系统融合的诊断模型,并用于数控机床的故障诊断中.介绍了诊断系统结构、功能及改进的BP神经网络算法,并给出了应用实例.试验结果表明,该方案合理、可行,有较好的应用前景.     

基于小波变换的滚动轴承故障诊断系统

在分析了滚动轴承振动与故障之间联系的基础上,提出了通过共振解调法和小波多尺度分析对轴承进行故障诊断的方法.采用小波变换能有效地对滚动轴承振动信号进行带通滤波,分离出高频固有信号,对其进行包络分析,以获得故障特征频率,诊断故障发生的部位.仿真实验证明,该方法具有令人满意的效果.     

基于SSA-PNN的电力变压器故障诊断

为了提高变压器故障诊断的准确率,在改良三比值法的基础上,采用麻雀搜索算法优化概率神经网络构建一种新型变压器故障诊断网络模型,并设计相应的故障诊断方法。分析表明,与基于概率神经网络的变压器故障诊断方法相比,基于该网络模型的诊断方法提高了变压器故障识别与故障分类的准确率,在电力变压器的故障诊断中具有一定的实际工程意义。     

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.