小波一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.     

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。