基于小波和神经网络的齿轮箱故障诊断

对齿轮箱故障诊断特点和方法进行分析,举例介绍了小波变换在齿轮箱故障诊断中的应用。利用小波变换对齿轮箱工况信号进行分解,重构以及提取细节信号包络谱,快速准确判断出齿轮箱设备运行状态是否异常,并利用BP神经网络进行故障诊断定位,比传统方法更有效。     

基于BP神经网络技术的采煤机齿轮箱早期故障诊断

齿轮箱既是采煤机的核心部件,也是较容易出现故障的部件,一旦发生故障会导致严重的后果。因此,在齿轮箱出现问题的早期进行故障诊断具有重要意义。采用齿轮箱振动信号的5种特征指标作为BP神经网络的输入值,以齿轮箱的正常、齿轮磨损、齿面点蚀和齿根裂纹4种状态为神经网络的输出值,通过对BP神经网络进行训练和对故障类型进行编码,可以实现利用BP神经网络对齿轮箱早期缺陷的故障诊断。从实验仿真结果可知,诊断方法具有较高的准确率,为采煤机齿轮箱的早期故障诊断提供了新的研究思路。     

基于ALNAFSA优化BP神经网络的行星齿轮箱故障诊断

以行星齿轮箱为研究对象,提出了一种新型故障诊断方法。介绍了一种改进的自适应局部邻域人工鱼群算法(ALNAFSA),用该算法优化BP神经网络,避免了BP出现局部极值。对行星齿轮箱进行了实验,提取出5种工况的样本熵并构成特征向量,将其输入到ALNAFSA-BP模型中进行分类识别。与BP神经网络模型进行比较,结果表明,ALNAFSA-BP神经网络故障诊断准确率显著提高,达到95%。     

基于D-S证据理论和BP神经网络的齿轮箱故障诊断

在故障诊断时,需要从多方面获得关于同一对象的多维信息并进行融合,才能对设备进行更可靠更准确地诊断,以求得最佳诊断结果。以齿轮箱故障作为研究对象,提出了一种基于D-S证据理论和BP神经网络相结合的信息融合诊断方法,并进行了验证。首先利用BP神经网络对测量数据进行分析诊断,最后用D-S理论对诊断结果进行融合,结果满足需求,从而证明了D-S理论和BP神经网络相结合的诊断方法的实效性。     

基于提升小波的齿轮箱故障诊断

对齿轮箱的振动机理以及故障诊断特点、方法进行分析,介绍了提升小波的基本理论。并利用提升小波对齿轮箱工况信号进行消噪、分解、重构以及提取功率谱,采用BP神经网络模型识别齿轮箱运行状态以及定位故障类型和部位。     

基于DSP的小波神经网络齿轮箱故障诊断

齿轮箱作为一种传动机构,在机械传动、增速和减速等各方面获得广泛应用,它的工作状况直接影响到整机或机组的正常运行。设计并实现了基于DSP系统的小波神经网络故障诊断方法,可广泛应用于TI公司的C2000、C5000和C6000系列DSP平台上,具有很好的实用价值,在使用该系统对JZQ250型齿轮箱的故障进行诊断时取得了理想的结果。     

基于EMD的提升机齿轮箱故障诊断

介绍了EMD算法和EMD能量熵理论,并且运用此理论实现了提升机齿轮箱故障诊断。对振动信号进行EMD分解并求出各IMF分量的能量占总能量的百分比,由EMD能量熵的定义求出熵值,根据不同的熵值实现对齿轮箱正常状态和断齿故障的判别。     

基于EEMD-SVM的齿轮箱故障诊断

针对齿轮箱振动信号的非平稳特性和在现实条件下难以获得大量故障样本的实际情况,提出一种经验模态分解和支持向量机相结合的故障诊断方法。运用经验模态分解方法对齿轮箱故障的振动信号进行分析,进行EEMD分解得到相对平稳的本征模态IMF,并计算每个IMF的能量熵,将其作为支持向量机的输入特征向量以判断齿轮箱的工作状态和故障类型。     

基于EEMD的齿轮箱故障诊断

主要介绍了集合经验模态分解方法(EEMD),利用EEMD的自适应恒比例带通滤波器特性,以及分解后的噪声信号与故障信号在各阶IMFS中的不同特性,将齿轮箱故障信号进行整体的EMD分解,解决了EMD的频谱混叠问题,提取出了齿轮箱的故障特征。研究结果表明EEMD优越于EMD方法,是一种很有效的齿轮箱故障诊断方法。     

基于FASTICA与PNN的齿轮箱故障诊断研究

机械设备运行中得到的诊断信息往往存在信噪比低、信号混叠等问题,严重影响提取真实的故障信号特征,降低了诊断准确率。针对上述问题,提出一种新的基于快速独立分量分析与概率神经网络的设备故障诊断方法,FASTICA对振动信号降噪处理后提取特征,PNN实现故障识别。通过算法仿真以及LMS齿轮箱实验证明,该融合算法处理后的动态故障诊断能力和诊断精度都明显提高。     

基于RBF神经网络的滚动轴承故障诊断研究

介绍了RBF神经网络的模型及原理,阐述了滚动轴承故障的机理;通过滚动轴承的故障特征数据,构建的RBF神经网络,实现了轴承的智能故障诊断。     

基于HHT的齿轮箱复合故障诊断研究

提出一种基于HHT的齿轮箱复合故障诊断方法。该方法将齿轮箱故障振动信号进行Hilbert-Huang变换,得到信号的Hilbert能量谱,通过谱分析实现齿轮箱复合故障的识别。齿轮箱故障实验信号的研究结果表明:该方法能有效诊断齿轮箱的复合故障。     

基于模糊神经网络的风机故障诊断

风机是企业安全生产的关键设备,探讨有效的故障诊断方法有着实际意义。将故障树和模糊神经网络相结合,利用故障树信息和专家经验知识提取神经网络的训练数据,并应用在风机故障诊断中,实例证明此方法较其他分析方法更简明、有效。     

基于概率神经网络的风机故障诊断

针对风机常见故障征兆与故障类型之间的非线性映射关系,结合专家知识建立了风机系统故障知识库,提出了基于PNN神经网络的风机故障诊断方法,结果表明该方法能克服BP算法诊断过程中容易陷入局部极小的缺点,并能满足故障诊断的快速性和准确性要求,适用于在线检测,具有实际应用价值。     

基于SOM网络的带式输送机齿轮箱混合故障诊断研究

针对带式输送机齿轮箱故障信号成分复杂、故障识别难的问题,提出了基于自组织映射(SOM)网络的故障诊断方法。首先使用融入Shannon熵的小波降噪方法对齿轮箱振动信号进行预处理;然后利用齿轮箱不同状态的信号通过高斯混合分布模型对其参数使用最大期望算法进行估计,获得反映不同运行状态的特征向量;最后使用SOM网络对齿轮箱不同工况振动信号的特征进行分类识别,进而诊断出相应故障。结果表明:该方法可以有效地识别齿轮箱混合故障,总识别正确率达90%,其中有6种工况的识别正确率达100%。     

基于小波神经网络的牵引电机齿轮故障诊断研究

以小波变换、小波神经网络为工具,采用定子电流对HXD1B型机车的YQ1633异步牵引电动机开展牵引电机齿轮故障诊断研究。定子电流法相对于振动法更容易实施,有效克服了振动信号中包含的复杂干扰。由小波分析完成齿轮故障的特征量提取,通过神经网络对故障类型进行判断,实际测试表明,该方法具有较好的故障诊断性能。     

基于BP神经网络电路故障诊断系统研究

从几个方面介绍了存在于模拟电路中的故障类型。通过阐述BP神经网络的模式识别特点,提出了应用BP神经网络来解决电路故障诊断问题,并且分别应用BP算法和几种改进的BP算法进行结果比较。