基于遗传小波网络的飞控系统故障诊断研究

针对飞行控制系统的传感器故障诊断问题,构造基于Mexico hat小波的小波神经网络,采用改进的自适应遗传算法优化所构造的小波网络的网络参数,并应用训练好的小波网络对飞行控制系统的传感器故障进行诊断.通过在Matlab/Simulink中建立飞控系统传感器的数字仿真模型并进行计算机仿真,得出所构造的小波网络能很好地诊断出飞控系统传感器的三类故障.仿真结果表明,用遗传算法训练小波网络,收敛速度快,且不会陷入局部最优点,训练好的小波神经网络的收敛性、故障诊断能力及泛化性均强于传统的BP神经网络.     

基于小波神经网络的故障诊断方法研究

研究了基于小波分析和神经网络松散型结合的故障诊断方法。用信号的小波包分解结果作为神经网络的输入特征向量,采用遗传算法对神经网络的参数进行全局优化,最后用训练过的神经网络进行故障诊断。仿真结果表明,该方法较L-M算法有更高的计算速度和精度。将该方法应用于平流泵故障诊断,证实了它的可行性和有效性。     

基于Java的发动机紧致型小波神经网络故障诊断

鉴于发动机是一种复杂的机电液一体化设备,其故障现象和原因之间存在复杂的非线性关联。本文结合小波变换的良好时频域特性和神经网络良好的非线性映射的优势,将MexicanHat小波基作为神经网络的传递函数,组建紧致型小波神经网络,用于发动机的故障诊断;本文以小波神经网络为算法基础,应用具有跨平台、可移植优点的Java语言和SQL Server2005数据库,开发出发动机智能故障诊断软件。     

基于遗传算法小波神经网络的电力变压器故障诊断

本文提出了一种基于遗传算法小波神经网络的变压器故障诊断方法。首先构造了基于Mexicohat小波的小波神经网络,其次利用遗传算法优化小波网络的参数,并将其应用到基于溶解气体分析的变压器故障诊断中,最后通过实例证明了本方法的有效性和可行性。     

基于小波包神经网络的传感器故障诊断方法

讨论了小波包神经网络在传感器故障诊断中的应用问题.文中提出了将小波包分解提取各个节点特征能量与RBF神经网络进行模式分类的传感器故障诊断方法.通过三层小波包分解得到各个节点的分解系数,通过一定的削减算法使得故障的瞬态信号的特征得到加强,再根据重构的时域信号计算各个节点对应的能量,作为特征向量训练RBF神经网络.通过各种故障模式特征数据的训练,RBF网络具有了传感器故障诊断的功能.最后,通过工业锅炉流量传感器数据对训练之后的RBF神经网络进行检验,验证了这种方法的实用性和有效性.     

基于自联想小波网络的汽轮发电机组故障诊断

针对电厂汽轮发电机组故障诊断问题,将小波变换和自联想神经网络结合构造了一个多层的自联想小波网络故障诊断系统。在输入层对振动信号进行二进离散小波变换,提取其在多尺度下的细节系数作为故障特征向量,根据这些特征向量进行自联想网络的学习,用学习过的自联想网络诊断故障。将该方法成功地应用于汽轮发电机组故障诊断,实验仿真结果表明,该方法优于常规的BP网络方法：某些单一故障的识别率提高了31.2%,综合故障的识别率提高了26.6%。     

基于小波神经网络的陀螺仪故障诊断

为了准确可靠地发现和预测陀螺仪的故障,提出了一种基于RBF小波神经网络的陀螺仪故障检测方法;该方法是将陀螺仪的输出信号进行三层小波包分解,再对分解得到的8个不同频段上的节点进行特征提取,将提取后的8维特征向量作为RBF神经网络的输入;当陀螺仪发生故障时,陀螺仪的输出信号中会产生突变成分,进行训练后的RBF神经网络可以准确地诊断出陀螺仪的故障类型;应用Matlab实现了RBF小波神经网络诊断陀螺仪故障类型的仿真;仿真结果表明,应用RBF小波神经网络进行陀螺仪故障诊断有很好的效果。     

基于小波变换的自动机故障诊断

对自动机故障诊断特点和方法进行分析,并举例介绍了小波变换在自动机故障诊断中的应用。利用小波变换对自动机信号进行分解,重构以及提取信号包络谱,快速准确判断出自动机设备运行状态是否异常,比传统方法更有效。     

基于小波分析的故障诊断

本文通过各种实例，有选择地对信号进行小波分解或小波包分解，并对分解的数据进行处理或重构，最终达到故障信号的检测、信噪分离和信号频带分离的目的，证实了该方法作为故障诊断手段的有效性。     

基于小波熵的电机故障诊断

小波分析的方法为弱信号检测技术开辟了一条新途径,但小波变换对弱信号进行特征提取的关键在于确定小波系数的阈值．基于小波熵分析的方法能够在强噪声环境中对微弱信号准确定位,实现低能量的瞬变信号有效提取。仿真实验证明小波分析技术对电机声频故障诊断十分有效,有进一步的研究的必要,在电机的故障诊断方面小波有良好的应用前景。     

基于小波神经网络的齿轮箱故障诊断研究

论述了小波神经网络的系统结构及算法,并根据齿轮振动信号的频域变化特征,提取特征向量作为输入,利用小波神经网络建立特征向量与故障模式之间的映射关系,建立了基于该算法的齿轮故障诊断模型。仿真结果表明：与传统的BP神经网络相比,该模型显著缩短了训练时间。该小波神经网络进行机械故障诊断是有效的。     

基于SOM神经网络的三电平逆变器的故障诊断

针对三电平逆变器的开路故障,采用一种基于小波包变换与自组织映射神经网络(SOM)的故障诊断方法。测量三电平逆变器的上、中、下桥臂电压进行故障模式的分类,桥臂电压经过小波包分解后进行故障特征向量提取,将故障向量作为SOM神经网络的输入进行故障模式识别。仿真和实验表明,该诊断方法对三电平逆变器故障的分类准确且快速,能够降低检修人员的故障识别难度,有效提高诊断效率,对于实现三电平逆变器的在线故障诊断具有广阔的应用前景。     

基于小波包与SOM神经网络的传感器故障诊断

研究传感器实时故障诊断问题.首先采用MATLAB2015仿真得到传感器各种典型工作状态下的运行数据样本;其次将这些故障样本作3层小波包分解,分别求出第3层小波包基对应的各频率段的能量,利用这些能量值与正常工作时各频段的能量值之比构造出传感器故障诊断的特征向量;最后构建基于3×3的SOM神经网络的传感器故障诊断算法.测试证明了所提算法的有效性和准确性.     

小波神经网络在滚动轴承故障诊断中的应用

结合小波变换和神经网络的优势给出小波神经网络的结构模型,研究了小波神经网络的学习算法;针对传统算法收敛速度慢等问题,从学习率和引入动量项两个方面对算法进行改进。应用小波网络对滚动轴承的典型故障进行实例诊断。以7216圆锥轴承在实验台上所测取的数据进行网络训练。用振动信号为网络输入向量,给出训练结果。仿真实例表明,采用小波神经网络能够很好地对故障进行分类,其收敛速度明显要快于相同条件BP神经网络,有效地实现了滚动轴承的故障诊断。     

基于小波神经网络的空调系统传感器故障诊断

详细阐述了小波神经网络(WNN)的原理、结构,并对传统的BP算法进行了改进。以空调系统传感器故障检测问题为目标,提出了基于WNN的故障诊断方法。通过采集天津博物馆中的传感器数据,对训练好的WNN进行了传感器故障诊断能力的验证,对温度传感器的1℃偏差故障、0.05℃/s速率漂移故障、完全故障、与不同方差下的精度等级下降故障进行了仿真,结果表明:这种方法对传感器故障具有很好的诊断效果。     

基于模糊神经网络的平显设备故障诊断研究*

针对平视显示器（HUD）设备自检测和地面故障诊断设备的不足,提出了一种基于模糊BP神经网络的HUD故障诊断方法。简化了故障诊断系统的结构,实现了自动性能检测和故障诊断,能够有效地辨识故障源,隔离了从LRU 级到SRU级的故障,并给出了典型测试项的故障诊断实例。作为一种先进有效的故障诊断技术已经应用于某型飞机HUD和相关系统的故障诊断。     

Hilbert-小波变换的齿轮箱故障诊断*

采用希尔伯特—小波变换对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用小波变换分解获得振动响应信号的各层高频信号小波系数和低频信号小波系数,对小波系数进行重构获得具有不同特征时间尺度的各高频信号和低频信号;再对分解的信号进行希尔伯特变换获得时频信息谱以提取系统的统计特征信息,实现监测齿轮运转工作状态,及时发现齿轮的早期故障,提高机械运行的安全性。仿真研究结果表明,小波变换分解和希尔伯特边际谱方法在故障信息诊断方面是可行和有效的,提高了故障检测的可靠性。     

基于小波变换和DBN的汽车衡传感器故障诊断

称重传感器作为动态汽车衡的核心部件,一旦发生故障将会对动态称重系统造成严重影响.为了准确地对称重传感器进行故障诊断,提出了一种基于小波变换和深度信念网络(DBN)的故障诊断方法.该方法不仅可以有效地判断出传感器信号是正常波动还是故障,还可以通过将DBN模型的预测值代替实测故障值,保证动态称重系统输出的准确性.通过仿真实验证明:该方法能够对故障传感器进行判别与估计,有效提高了动态称重系统的精度.     

基于改进免疫遗传算法的电网故障诊断研究

针对电网故障的特点,应用一种改进的免疫遗传算法对电网故障进行研究。该算法能够较好地解决传统遗传算法的不足。通过引入新的交叉和变异率,更多考虑了种群的全局特征,采用动态自适应方式提取疫苗,避免了传统遗传算法收敛速度较慢的缺点。改进的算法本着优胜劣汰的思想,删除适值较低的抗体群,取而代之的是随机生成的部分新抗体,保持种群的多样性。建立一个新的目标函数,通过对一个电网的分析,验证了方法的有效性。     

基于小波包和RBF神经网络的瓦斯传感器故障诊断

针对瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期型传感器输出故障为研究对象,提出了一种基于减聚类( SCM)与粒子群( PSO)算法优化的RBF神经网络进行模式分类与辨识的瓦斯传感器故障诊断方法。首先,利用三层小波包分解得到各个节点的分解系数,采用一定的削减算法使故障的瞬态信号特征得到加强,获取最优的特征能量谱。再利用SCM￣PSO算法优化RBF神经网络,使粒子的搜索速度更快,更有利于发现全局最优解。最后通过实验对比分析,该方法具有训练速度快、分类精度高的特点,辨识正确率在95％以上,能够显著提高故障诊断的速度和准确性。