基于双隐含层RWPSO-BP神经网络的齿轮箱故障诊断研究

针对齿轮箱故障诊断过程中采集到的振动信号通常都比较复杂多变,随机性和偶然性也比较强的特点,提出了一种基于随机权重粒子群优化(Random Weight Particle Swarm Optimization,RWPSO)算法的双隐含层反向传播(Back Propa-gation,BBP)神经网络(RWPSO-BP)的齿轮箱故障诊断方法.对江苏千鹏诊断工程有限公司所公布的齿轮箱故障诊断实验中的原始振动数据进行多特征值提取;利用主成分分析法(Principal Component Analysis,PCA)对特征集进行降维处理,将多个变量的数据集转变为较少新变量的数据集(即主成分),把所选主成分归一化处理后利用双隐含层RWPSO-BP 神经网络进行诊断分析;将分析结果与单隐含层RWPSO-BP神经网络对测试样本的识别结果作对比.最后的诊断结果为:双隐含层RWPSO-BP神经网络的误差更小,可以较为准确地对齿轮箱故障类型进行有效的识别.     

基于双隐含层RWPSO-BP神经网络的齿轮箱故障诊断研究

针对齿轮箱故障诊断过程中采集到的振动信号通常都比较复杂多变,随机性和偶然性也比较强的特点,提出了一种基于随机权重粒子群优化(Random Weight Particle Swarm Optimization,RWPSO)算法的双隐含层反向传播(Back Propa-gation,BBP)神经网络(RWPSO-BP)的齿轮箱故障诊断方法.对江苏千鹏诊断工程有限公司所公布的齿轮箱故障诊断实验中的原始振动数据进行多特征值提取;利用主成分分析法(Principal Component Analysis,PCA)对特征集进行降维处理,将多个变量的数据集转变为较少新变量的数据集(即主成分),把所选主成分归一化处理后利用双隐含层RWPSO-BP 神经网络进行诊断分析;将分析结果与单隐含层RWPSO-BP神经网络对测试样本的识别结果作对比.最后的诊断结果为:双隐含层RWPSO-BP神经网络的误差更小,可以较为准确地对齿轮箱故障类型进行有效的识别.     

基于PCA-改进BP神经网络的齿轮箱故障诊断方法研究

针对BP神经网络存在局部极小值和收敛速度慢等问题,文章提出了一种PCA-改进的BP神经网络的方法。实验表明,基于PCA-改进的BP神经网络的方法可以大大提高故障诊断的准确性,缩短了诊断时间。     

基于Elman神经网络的齿轮箱故障诊断研究

介绍了Elman神经网络的原理、算法,并用Elman网络对齿轮箱机械传动系统的故障进行了诊断。实例结果表明：该方法能够准确地诊断齿轮箱故障,同时具有训练速度快、结构简单、精度高等特点,是1种行之有效的诊断方法。     

基于RBF神经网络的齿轮箱故障诊断

阐述径向基函数(radial base function,RBF)神经网络的基本原理和算法,将其应用于齿轮箱故障诊断与识别,建立齿轮箱的BRF故障诊断模型,并与BP(back propagation)神经网络、学习率自适应BP神经网络进行对比分析研究。结果表明,RBF神经网络性能优于BP神经网络,具有较快的训练速度、较强的非线性映射能力和精度较高的故障识别能力,非常适用于齿轮箱的状态监测和故障诊断。但在具体应用中应当注意,RBF网络的训练样本必须含有一定的噪声,以提高网络的容噪性能;各类故障的训练样本数不能太少,否则RBF网络的故障分类能力很差。     

基于粗糙集与神经网络的齿轮箱故障诊断

对粗糙集的属性离散化和约简算法进行了研究,提出了一种基于粗糙集与神经网络相融合的故障诊断方法。首先提出一种优化NS断点集的方法用于离散化决策表,然后采用差别矩阵和差别函数直接求取最小属性约简集,最后采用神经网络对JZQ-250齿轮箱进行故障诊断,并比较了约简前后特征集的诊断结果,实验表明粗糙神经网络能够简化网络结构,有较强的容错和抗干扰能力,且迭代次数少,收敛速度快,诊断精度高,是一种有效的齿轮箱故障诊断方法。     

齿轮箱故障诊断灰色神经网络模型的研究

传统的信号处理方法不易提取故障特征,给齿轮箱的故障诊断带来很大困难。建立了齿轮箱故障诊断的灰色神经网络模型,结果验证该模型的诊断结果具有较高准确性,适于提取故障信号的非线性特征,理论上为齿轮箱故障诊断提供了一个快速有效的方法。     

故障诊断中基于神经网络的特征提取方法研究

在电路状态检测与故障诊断过程中,恰当地选择特征参数是诊断成败的关键。本文研究了基于神经网络的特征评价和特征提取方法,利用神经网络的训练结果对特征参数进行合理的评价。由于神经网络满足高分辨率信息压缩所需的非线性映射条件,通过特征提取将电路故障模式识别中复杂的分类问题转移到特征处理阶段,利用神经网络有效地实现了特征参数的提取。诊断实例验证了该方法的有效性。     

基于改进卷积神经网络的行星齿轮箱故障诊断研究

行星齿轮箱作为机械设备的重要传动部件,其运行的好坏直接影响到整个设备的运行状况.通过引入批量归一化层和丢弃层对卷积神经网络模型进行改进,提出了基于改进卷积神经网络的齿轮箱故障诊断模型.搭建齿轮箱实验平台,使用该模型对齿轮箱的振动信号进行故障识别.实验结果表明:该模型能够有效地对齿轮箱不同的故障类型进行识别分类,分类准确...     

基于BP神经网络的齿轮箱故障模式识别

以双谱分析为基础,对分析的结果进行特征提取,提出了双谱-BP网络故障诊断方法,并以双谱为BP神经网络的输入特征向量,对所提出的方法进行了实验研究,结果表明所提出的双谱-BP诊断方法是判断齿轮箱故障类型的一种有效方法。     

改进Elman网络在发动机齿轮箱故障诊断中的研究

针对发动机齿轮箱故障诊断系统,在Elman网络的理论框架的基础之上,分析了Elman网络用于故障诊断的不足,提出了改进Elman网络,并应用于发动机齿轮箱故障的故障诊断.本文采取经典的"频域"分析方法对齿轮箱进行故障诊断,并建立了基于改进Elman神经网络的齿轮箱故障诊断模型,结果表明:该方法具有精度高、收敛快、可以避免局部最小的优点,从而为发动机齿轮箱故障诊断提供了一种更有效的方法.     

基于加权概率神经网络的齿轮箱抗噪故障诊断

针对齿轮箱现场故障诊断易受噪声干扰、诊断精度低的问题,提出了一种基于区分性权重概率神经网络的故障诊断方法。该方法考虑了不同子带特征受噪声的污染程度不同,提高噪声影响小的特征在诊断中的权重,降低噪声影响大的特征在诊断中的权重,以提高诊断的噪声鲁棒性,最终实现了齿轮箱故障的诊断。试验研究结果表明,与BP神经网络和概率神经网络诊断相比,该方法具有较高的诊断正确率和较强的诊断鲁棒性;并且该方法中平滑度参数对故障诊断精度影响不大,可以避免该参数选择困难的问题,具有良好的工程应用前景。     

基于改进的BP神经网络的柴油发动机故障诊断

柴油发动机采用高压共轨燃油喷射技术,提高了柴油机的综合性能,但高压共轨柴油机电控系统比较复杂,增大了柴油机故障诊断的难度。该文介绍了BP神经网路及LM算法,并利用改进的BP神经网络对发动机电控系统故障进行诊断研究。以长城哈佛GW2.8TC发动机为实验对象,让发动机在怠速状态下,对发动机进行故障设置,利用金德KT600故障诊断仪采集发动机的故障数据流,运用改进的BP神经网络建立诊断模型,诊断结果表明改进的BP神经网络的收敛速度快,运用改进的BP网络诊断柴油机电控系统故障是行之有效的。     

电梯故障诊断的RBF神经网络方法研究

以电梯曳引机为研究对象,在阐述其振动故障的基础上,针对涡轮蜗杆减速器故障,给出了故障特征现象和故障代码.对已发生的蜗杆不平衡故障,分别采用RBF神经网络和BP神经网络,利用Matlab工具建模,给出了故障诊断结果,并进行结果分析比较.多次数据离线检验和实时在线监测结果均表明采用RBF神经网络方法能够及时、有效地检测出曳引机工作过程中的故障,并能够满足曳引机运行的实时性和鲁棒性等要求.     

基于DGA与神经网络融合的变压器故障诊断方法

针对传统油中溶解气体分析法(DGA)的诊断方法存在的问题,提出了一种融合传统的DGA方法与人工神经网络的综合诊断方法.利用改良的三比值法、特征气体法、无编码比值法等传统DGA方法以及基于径向基函数(RBF)神经网络方法,分别进行了初级诊断,最后综合考虑了各种故障类型下初级诊断结果的可靠性差异,采用模糊积分的方式将初级诊断的结果进行了融合,并通过仿真验证了该方法的有效性.     

基于径向基函数神经网络的电机轴承智能故障诊断

本文提出了一种新的电机轴承故障诊断方法.首先把滚动轴承振动信号作为识别故障的特征向量,然后送入径向基函数神经网络中,进行故障类别的自动识别.试验结果表明,该诊断模型对电机轴承故障诊断具有良好的诊断效果,系统不仅能够检测到轴承故障的存在,而且能够比较准确地识别轴承的故障模式.     

基于RBF神经网络的门式起重机故障诊断系统的研究

门式起重机是港口码头、铁路集散中心常见的大型吊装设备,为了避免其发生故障影响工程作业的效率和进度,有必要对门机进行实时监控并对其发生的故障进行诊断和预测.探讨了基于径向基函数（RBF）神经网络的门机故障诊断系统,针对门机的几种常见故障进行诊断,结果表明该方法切实可行.