基于神经网络的汽车故障诊断分析

文章研究了一种基于BP神经网络的汽车故障诊断方法。通过分析BP神经网络模型,以汽车电气系统故障诊断为例,将故障作为神经网络的输出,利用BP神经网络预测模型对故障诊断进行模拟学习,最终确定故障具体原因。研究表明,该方法用于汽车故障诊断具有较高的可行性,可广泛推广。     

基于神经网络的汽车防抱死系统故障模式识别

汽车故障诊断需要采集汽车各系统动态信号,对采集信息进行分析处理,确认其是否属异常表现,预测故障发展趋势。提出了一种采用BP神经网络获得对ABS故障模式识别预测的方法,采用BP算法对故障样本进行分类,通过对故障实例的训练和学习,提高了ABS执行器与传感器发生故障时的行为模式识别与诊断的能力。仿真结果表明了该方法的有效性。     

一种BP神经网络的汽车齿轮箱故障诊断方法及实验验证

在小波神经网络算法的基础上,从时域和频域两方面对汽车齿轮箱的振动信号进行分析并提取时频域的多个表征值,设计了一种应用于汽车齿轮箱故障诊断的BP神经网络算法。采用经验模态分解法对齿轮箱时频域下的多维故障特征值进行分析和提取,导出了BP神经网络算法步骤和诊断模型;进一步以JZQ! 250齿轮箱为研究对象,对该算法进行数据训练和验证,其状态实验数据结果表明,该算法能够在考虑汽车齿轮箱复杂故障下实现正确诊断,其用于汽车变速箱故障诊断具有较好的实用性,对汽车齿轮箱的故障诊断提供了一定借鉴。     

基于改进BP神经网络的水轮机进水蝶阀故障诊断方法

传统水轮机进水蝶阀故障诊断方法 RMSE性能较差,无法有效精准诊断到故障,提出基于改进BP神经网络的水轮机进水蝶阀故障诊断方法。建立BP神经网络,利用粒子群算法改进网络参数,采用传感器采集进水蝶阀振动、噪声以及压力等数据,利用改进后的BP神经网络分析故障信息,提取故障特征,识别与诊断进水蝶阀故障类型,实现故障诊断。经实验证明,设计方法 RMSE值在0.2以下,诊断精度较高,具有良好的应用前景。     

BP神经网络汽车故障诊断专家系统在异响故障中的探讨

针对汽车异响故障诊断的复杂性,提出了将BP神经网络技术引入汽车故障诊断专家系统的思想,并对基于神经网络的专家系统的原理进行探讨。最后,给出了一基于三层BP网的汽车发动机异响故障诊断专家系统的诊断过程。     

基于MATLAB软件包程序的电喷发动机故障诊断

目前国内外常用的汽车故障诊断仪(解码仪)功能并不全面,不能诊断不出现故障码的机械类故障.为了解决这个问题,提出了一种利用径向基函数神经网络进行电喷发动机故障诊断的方法.该方法通过MATLAB软件包与ACCESS数据库相结合编制故障诊断程序,从而实现了无故障码的故障诊断.同时还将径向基函数网络与BP网络进行了比较.实验表明,径向基函数网络更适用于故障诊断.     

遗传算法优化BP神经网络港口起重机故障诊断

针对港口起重机故障诊断问题,提出了一种基于遗传算法优化BP神经网络的故障诊断方法。规避传统BP神经网络算法的不足,同时建立起所对应的优化神经网络算法模型。采用Matlab中的NNTool工具箱,以港口起重机其中一个支腿液压阀故障为实例,分析该诊断方法的理论原理和具体实施过程。结果表明遗传算法优化的BP神经网络比传统的BP神经网络在港口起重机故障诊断问题中具有更好的诊断效率和准确度。     

基于粗糙集-BP神经网络的垃圾破碎机故障诊断

针对目前垃圾破碎机故障诊断效率低的问题,设计了一种基于粗糙集理论与BP神经网络的故障诊断系统。结合粗糙集理论和BP神经网络的优点,首先利用粗糙集对原始故障诊断样本进行处理,然后对条件属性进行约简,删除冗余的信息,减少神经网络输入端的数据,从而简化神经网络的结构。并将基于粗糙集-BP神经网络的故障诊断系统对垃圾破碎机进行故障诊断。利用粗糙集对故障知识进行约简,简化BP神经网络结构,提高故障诊断的速度及准确度。将此方法应用于某型号垃圾破碎机的故障诊断中,诊断结果表明所提诊断方法可简化神经网络结构,提高诊断效率。     

蚁群优化BP神经网络的电机故障诊断设计与实现

针对传统的故障诊断方法采用专家知识推理方法在获取知识方面的困难,提出了一种采用蚁群优化算法和BP神经网络的自适应电机故障诊断系统。使用BP神经网络对样本数据进行训练,可以建立故障征兆到故障之间的对应关系,从而可以克服专家系统的不足,同时,由于传统的BP算法采用梯度下降算法,具有收敛速度慢和容易陷入局部最优解的问题,且BP神经网络的网络结构和初始参数在确定时往往依靠经验,从而限制了其在故障诊断领域的进一步发展。蚁群算法是一种启发式的模拟进化优化算法,具有正反馈及其分布式计算等特点,因此,将蚁群算法应用于BP神经网络的结构和参数进行优化,然后采用优化后的BP神经网络进行故障诊断,电机诊断实例证明文中方法较BP神经网络和遗传算法优化的BP神经网络具有更高的诊断精度和训练效率。     

基于BP神经网络的翻车机液压系统故障诊断

为了快速诊断出翻车机液压系统故障产生的位置以及故障原因,提出了一种基于BP神经网络算法的翻车机液压系统故障诊断方法,在此基础上提出了大型液压系统故障诊断分块建模的原则。利用某公司C型转子式翻车机故障数据样本建立了整体、分块故障诊断BP神经网络模型,对比实验数据分析表明,采用分块建模原则建立的BP神经网络故障诊断模型对翻车机液压系统故障具有较高识别精度,对提高翻车机液压系统状态监测与故障诊断能力有较大实用价值和工程意义。     

基于神经网络的旋转机械振动故障诊断

介绍了一种通过神经网络算法进行故障诊断的方法,神经网络的输入为通过对转子模拟信号进行傅里叶变换得到的典型频谱特征,将旋转机械不对中、不平衡、碰摩、涡动四种典型的故障作为网络的输出.首先用传统的BP网络算法进行诊断,得到故障诊断的精度,再将模糊理论与神经网络相结合,取长补短,组成模糊神经网络,对故障进行识别,从而得出模糊神经网络在模式识别方面具有更大的优越性的结论.     

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.     

蚁群算法融合BP神经网络的齿轮故障模式识别

为了提高齿轮故障诊断的准确性,引入了一种蚁群算法融合BP神经网络的方法。根据齿轮的故障特征量,建立其神经网络的故障诊断模型。以网络的权值和阈值为自变量,通过蚁群算法的迭代运算,搜索出误差全局最小值,再进行网络的二次学习训练,最终实现对齿轮的故障诊断。实例仿真结果表明,该方法具有较高的故障诊断精度,可减少诊断的不确定性。     

基于RBF神经网络的电喷发动机故障诊断研究

研究了RBF神经网络用于电喷发动机故障诊断的方法,并建立了神经网络故障诊断模型.最后,以桑塔纳2000型(GSI)轿车AJR型发动机怠速不稳故障为例,通过V.A.G1552汽车故障诊断仪测量出所需的数据流,在Matlab环境下,对电喷发动机怠速不稳的2种故障原因进行故障模式识别和诊断.     

基于小波变换和ICA特征提取的开关电流电路故障诊断

提出了采用小波变换和独立成分分析(ICA)作为预处理器来进行特征提取的神经网络开关电流电路故障诊断方法。该方法对采集到的故障响应信号进行Haar小波正交滤波器分解,获得低频近似信息和高频细节信息;然后利用独立成分分析方法进行ICA故障特征提取;最后将所得到的最优故障特征输入到BP神经网络中进行故障分类。对六阶切比雪夫低通滤波器和六阶椭圆带通滤波器电路进行了仿真实验验证,获得了100%的故障诊断准确率,与其他方法进行比较,实验结果显示了该方法的优越性。     

Fault detection and classification in chemical processes based on neural networks with feature extraction

Feed forward neural networks are investigated here for fault diagnosis in chemical processes, especially batch processes. The use of the neural model prediction error as the residual for fault diagnosis of sensor and component is analyzed. To reduce the training time required for the neural process model, an input feature extraction process for the neural model is implemented. An additional radial basis function neural classifier is developed to isolate faults from the residual generated, and results are presented to demonstrate the satisfactory detection and isolation of faults using this approach.     

基于经验模态分解包络谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征和传统包络分析法的缺陷,提出了一种基于经验模态分解包络谱的滚动轴承故障诊断方法.该方法首先采用经验模态分解将原始信号分解为若干个平稳的固有模态函数之和,然后求出包含主要故障信息的若干个固有模态函数分量的包络谱,再定义包络谱中故障特征频率处的幅值比为特征幅值比,最后以特征幅值比作为故障特征向量,输入神经网络,以神经网络的输出来判断滚动轴承的工作状态和故障类型.对滚动轴承内圈、外圈故障振动信号的分析结果表明,基于经验模态分解包络谱的故障诊断方法能有效地提取滚动轴承的故障特征.     

基于实例的学习矢量量化神经网络诊断方法及其应用

基于CBR良好的可扩充性、可移植性和神经网络极强的分类能力,提出了基于实例的学习矢量量化神经网络诊断方法。该方法应用于机械故障诊断系统中,可以减小实例搜索空间,提高实例检索效率。论述了系统的设计方法和应用步骤。     

无人机指挥控制系统的神经网络专家故障诊断

将神经网络与专家系统相结合，提出了一种应用于无人机指挥控制系统的智能故障诊断方法。给出了该故障诊断系统的结构组成，详细阐述了它故障诊断的原理。利用MATLAB对系统仿真的结果表明，该方法应用于无人机指挥控制系统的故障诊断是有效的。     

基于多特征参数和概率神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特性,提出了一种基于多特征参数和概率神经网络的滚动轴承故障诊断方法。首先利用经验模态分解（EMD）方法将采集到的滚动轴承原始振动信号分解为有限个固有模式函数（IMF）之和,然后提取表征故障信息的若干个IMF的能量、峭度和偏度作为概率神经网络的输入参数来进行故障分类。试验结果表明,该方法可以准确、有效地识别滚动轴承的工作状态和故障类型,是一种可行的滚动轴承故障诊断方法。