基于DDE和小波分析的神经网络故障诊断

应用DDE技术对小波分解后的故障信号进行特征提取 ,利用BP网络进行故障诊断 ,并给出了齿轮箱的故障诊断实例 ,实验证明 ,此方法能取得较好的效果。     

SOM-BP复合神经网络在齿轮箱故障诊断中的应用研究

针对齿轮箱的故障模式和特征量之间复杂的非线性关系，采用SOM-BP复合神经网络，引用齿轮箱常见的故障及其相关参数作为训练样本建立诊断模型。在Matlab环境下，通过仿真试验并与BP网络进行比较，验证了此复合神经网络用于齿轮箱故障诊断的正确性和精确性，具有一定的工程应用价值。     

基于小波包和BP神经网络的风机齿轮箱故障诊断

为了对风力发电机组中最容易发生故障的核心部件齿轮箱进行故障诊断,提出基于小波包变换和BP(Back Propagation)神经网络的齿轮箱故障诊断方法。首先,根据齿轮箱工作时的振动信号特性,通过小波包变换方法对振动信号进行去噪、分解与重构,有效提取不同故障下各频段能量的故障特征;其次,将提取的能量故障特征输入至BP神经网络诊断系统中进行识别,实现故障的智能诊断。通过试验证明了该方法的有效性。     

BP神经网络在齿轮箱故障诊断中的应用

针对齿轮箱进行神经网络故障诊断研究。齿轮传动是机械传动中最重要的传动之一,它的损伤和失效常常导致机械设备的故障,从而导致重大安全事故。因此,齿轮箱装置的状态监测与故障诊断受到越来越多的关注和研究。本文简要介绍齿轮振动机理和BP神经网络的原理与结构,并将神经网络应用于齿轮箱故障检测和诊断。利用matlab语言建立神经网络模型,通过对振动信号提取的特征向量对已建立的神经网络模型进行训练。利用训练好的BP神经网络模型对齿轮箱进行故障检测,取得了较好的效果。     

基于双谱的BP神经网络的齿轮故障模式识别

本文以双谱分析为基础,对双谱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。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诊断方法是判断故障类型的一种有效方法。     

旋转机械故障诊断的神经网络方法研究

BP神经网络具有较好的非线性映射能力,可以描述频率特征和故障之间的关系,而概率神经网络学习规则简单、训练速度快、避免局部极小和反复训练的问题。根据两种神经网络的原理选择合适的参数建立两个旋转机械故障诊断模型,并利用模型对某旋转机械的故障数据进行处理,结果显示两种网络在故障诊断方面的实用价值。通过对故障数据的结果对比可以看到PNN网络比BP网络具有更好的容错能力。     

遗传算法和BP神经网络在电机故障诊断中的应用研究

人工智能方法在电机故障诊断中的应用,使得电机故障能够得到及时准确的预测和诊断,保障了电机的安全运行。介绍了BP神经网络及遗传算法的基本原理及组成结构,针对BP神经网络容易陷入局部极小点及收敛速度慢的问题,利用遗传算法对BP神经网络的权值和阀值优化,改善了BP神经网络的诊断性能;通过GA-BP网络对电机的三种故障模式进行了诊断识别,其实验仿真结果表明：无论是在诊断速度上还是诊断精度上,GA-BP神经网络诊断性能都比单独的运用BP网络有了很大提高。     

齿轮箱故障诊断技术现状及展望

从齿轮箱故障机理研究、信号处理技术、故障诊断方法等方面对齿轮箱诊断技术的现状进行了讨论.列举并分析了小波分析、模态分析、粗糙集理论、群体智能理论、生物免疫机理等理论在齿轮箱故障诊断中的应用,展望了齿轮箱故障诊断技术的发展.对现有齿轮箱诊断技术研究急待解决的问题提出了看法.     

基于改进Murphy规则的锅炉智能融合故障诊断方法

锅炉故障是火力发电厂的一个重要问题,它具有高温高压高耦合性的特点。针对这一问题,提出一种基于改进Murphy规则的智能融合故障诊断方法。首先利用Relief算法对锅炉的各个变量进行特征提取与选择,获得11个模型输入变量;然后利用SVM、LVQ、 PNN、BP 4种不同的分类器进行故障模型训练,并对每个模型进行性能评估;最后利用改进Murphy规则对4个分类器的结果进行融合,得到最终的故障诊断结果。运行结果证实该智能融合故障诊断方法可以有效诊断出锅炉故障,提高故障诊断的准确率,有效降低故障诊断的误报率与漏报率。     

基于L-M算法的雷达板级电路快速故障诊断

新型雷达可更换的板级电路很多,为了快速诊断板级电路故障,将一种基于L-M算法的神经网络用于故障诊断;分析了L-M算法BP网络进行雷达板级电路故障诊断的原理;建立了故障诊断样本训练和测试平台;并以实例在该平台上对L-M算法BP网络进行训练和实际诊断,结果表明,该方法诊断准确性高,比其它方法更为快速有效,较好地解决了雷达可更换板级电路的故障诊断问题。     

基于果蝇算法优化模糊RBF网络的液压破碎锤故障诊断

针对液压破碎锤故障原因具有多样性和不确定性,为避免传统模糊BP网络故障诊断存在收敛速度慢、易陷入局部极小值等缺陷,提出将果蝇算法优化模糊RBF网络方法用于液压破碎锤故障诊断.综合神经网络的联想记忆、并行处理能力和模糊理论的定性知识、模糊推理能力,同时利用果蝇算法对模糊RBF网络的扩展参数进行全局优化,建立了液压破碎锤系统输入故障征兆与输出故障原因间的映射.利用MATLAB软件编程进行仿真实验,结果表明:果蝇算法优化模糊RBF网络方法精度高,收敛速度快.利用该法对液压破碎锤故障诊断,结果与目标输出相符,证明该方法可行.     

BP神经网络在机械故障诊断中的应用

随着现代化生产的进行,机械设备的故障诊断技术日益受到重视.介绍BP算法神经网络模型,给出BP神经网络应用于机械故障诊断的基本步骤.阐述三层BP神经网络采用数据驱动正向推理的故障诊断策略.即从初始状态出发,向前推理到达目标状态为止.介绍BP神经网络在机械故障诊断中的应用及实例,对某型号拖拉机变速箱中的主要零件——齿轮和轴承进行故障诊断振动测试,对部分齿轮和轴承发生故障时的振动信号进行测量.虽然BP网络在机械故障诊断中已得到广泛的应用,但由于神经网络本身还处于发展之中,还有不少问题需要进一步深入研究.     

基于遗传BP网络的模拟电路故障诊断

提出了一种用故障的典型特征作为训练样本、遗传算法与BP网络相结合的模拟电路故障诊断新方法.该法采用故障的典型特征作为样本训练网络,遗传算法来优化BP网络的结构与初始权值分布的策略.详述了其诊断原理及诊断步骤,并给出了仿真实例及工程应用.结果表明,该方法具有特征提取简便、测前工作量小、故障诊断速度快及故障定位准确率高等特点.     

基于RBF网络的除湿机故障诊断

应用基于人工神经网络的故障诊断方法,建立了除湿机故障诊断的RBF网络模型,并利用六种典型故障状态参数样本数据对神经网络进行训练。结果表明对于训练样本集和检验数据集,网络的输出与希望结果相符,表明基于人工神经网络的除湿机系统的故障诊断是行之有效的。     

基于深度置信网络的制动器故障诊断方法

针对吊车制动器故障诊断中故障机理复杂、先验知识欠缺、传统的故障诊断方法精度不高和人工依赖大等问题,本文提出一种基于深度置信网络(DBN)的制动器故障诊断方法。该方法通过柔性薄膜传感器阵列获取制动器不同工况的实时特征数据及信号,利用网络的无监督特征学习和有监督微调,构建制动器故障诊断的深层网络模型,从而实现了对制动器的故障诊断及预测。最后,分别与支持向量机(SVM)和遗传算法(GA)优化的BP神经网络(GA-BP)进行了对比研究,通过实验证明了本文方法的优越性。     

基于灵敏度预分类的BP神经网络故障诊断方法

故障特征信息的获取和处理对电路故障的可靠分类和准确诊断有很大的影响．在电路故障诊断时,对于不同的故障模式,存在信息混叠的现象,需要解决特征信息的有效提取和故障的可靠分类等问题．为此,本文提出了一种结合灵敏度特性分析的BP神经网络故障诊断方法．基本思想是通过灵敏度的计算,对电路故障样本作预分类,再根据电路灵敏度的计算结果分别提取相应特征信息,以此构造故障样本特征集,然后作为BP神经网络的输入对网络训练,并进行故障诊断．对滤波器的仿真结果表明,该方法能分类不同的元件故障,且对模拟电路故障诊断的平均正确率优于传统方法．     

基于SWD-AVDIF的齿轮箱复合故障诊断方法

针对由噪声干扰和故障强度分布不均引起的齿轮箱复合故障诊断问题,论文提出了基于群分解和平均差值形态算子（Swarm Decomposition- Average Difference Filter,简称SWD-AVDIF）的齿轮箱复合故障诊断方法。首先运用群分解（Swarm Decomposition, 简称SWD）将齿轮箱振动信号分解为若干单一模态振荡分量（Oscillatory Components,简称OCs）;然后对分量进行AVDIF解调,得到SWD-AVDIF解调谱;最后根据解调结果判别故障类型。与EMD对比,仿真信号验证了SWD方法在频率区分能力上的优越性;运用齿轮箱复合故障仿真信号和实验信号进行分析,结果表明该方法能够有效地分离不同故障信号并加强故障特征,为齿轮箱复合故障诊断提供了一种新的方法。     

齿轮箱轴承故障诊断的应用实践

本文通过运用齿轮箱故障诊断的方法对齿轮箱轴承进行故障诊断，准确判断出齿轮箱轴承存在的故障，预防性的处理设备故障，取得了显著的经济效益和社会效益。     

基于神经网络的电子线路故障诊断

分析了故障字典法在实际应用中存在的不足,提出将单位BP算法应用到电子线路的故障诊断中。对基于该方法的航空装备电子线路故障诊断进行了计算机仿真,并分析了网络参数的变化对训练结果的影响。仿真结果表明了该方法的合理性和有效性。     

基于DSmT与小波网络的齿轮箱早期故障融合诊断

针对齿轮箱早期故障特征十分微弱难以有效辨识问题,提出基于DSmT理论与小波神经网络的齿轮箱早期故障融合诊断模型。利用多个振动传感器合理布置在齿轮箱的多个关键部位采集多源振动信息并进行特征提取;利用多个并联小波神经网络实现齿轮箱早期故障的初级诊断获得彼此独立的多个证据;利用DSmT理论对多个独立证据进行融合决策得出齿轮箱的最终诊断结论。DSmT理论克服了传统DST证据理论的局限性,小波神经网络实现多源证据信度分配的客观化。诊断实验结果表明,该方法能有效提高齿轮箱早期故障特征的辨识精度、降低诊断的不确定性。