基于改进萤火虫算法神经网络的刮板输送机减速器故障诊断

为了对刮板输送机减速器故障进行准确诊断研究,提出了一种基于改进萤火虫算法优化神经网络故障诊断方法。首先对刮板输送机减速器故障特征参数进行特征提取,其次应用特征数据样本进行基于神经网络的故障诊断模型训练,利用改进萤火虫算法对神经网络权值、阈值进行优化,加快目标的优化求解,得到最优的网络模型。初步研究表明将改进萤火虫算法与BP(back propagation)神经网络结合可以有效地解决神经网络收敛速度慢,易陷入局部最优等问题,可以对刮板输送机减速器的故障进行准确诊断。     

轴承变工况故障的域自适应迁移深度学习诊断

为了实现变设备、变工况条件下的轴承故障精确识别,提出了基于域自适应迁移深度卷积神经网络的诊断方法。对于具有不同分布特征（即不同域）的训练集和测试集,在深度卷积神经网络中构造了故障特征提取模块、域识别模块、标签分类模块,以特征提取模块与域识别模块对抗训练的方式实现域自适应迁移能力,使深度卷积神经网络能够有效提取不同域的共同特征参数。使用凯斯西储大学和智能维护系统中心数据设计了4组迁移实验,传统深度卷积神经网络的识别精度均值为64.5%,域自适应迁移卷积神经网络的识别精度均值为94.9%,充分说明了域自适应迁移深度卷积神经网络能够有效识别变设备、变工况条件下的轴承故障。     

基于BP神经网络的金属裂纹声发射信号特征参数的提取

金属裂纹声发射信号特征提取是根据其进行故障诊断的关键,提出了BP神经网络和模式识别相结合的提取金属材料疲劳声发射信号特征的新方法,并利用美国PAC公司SAMOS声发射检测系统采集到声发射的各种参数,应用该方法选择出一些对分类识别最有效的特征参数;并采用可分离性判据进一步验证其正确性。     

基于粒子群优化径向基神经网络在模拟电路故障诊断中的应用

为检测和诊断模拟电路中的故障,提出粒子群算法优化RBF神经网络的故障诊断方法,即把通过特征提取获得的模拟电路故障特征量作为神经网络的输入,然后利用训练好的粒子群优化后的RBF神经网络进行故障诊断. 结果表明,该方法具有良好的分类效果,能够提高诊断精确度,对于模拟电路的故障是一种有效的诊断方法.     

递归定量分析在离心泵故障诊断中的运用

为了准确诊断离心泵的振动故障,针对振动信号的非平稳特征,提出了一种基于递归定量分析的离心泵振动故障诊断方法。采用递归定量分析(recurrence quantification analysis,简称RQA)方法提取离心泵振动信号的非线性特征参数,由这些特征参数构成特征向量,并以此作为改进Elman神经网络的输入,对神经网络进行训练,建立了离心泵运行状态分类器,用以诊断离心泵的不同状态。试验结果表明,递归定量分析与Elman神经网络相结合的方法可以准确诊断离心泵的振动故障。     

基于ID3-CNN的旋转机械故障诊断研究

为解决旋转机械故障类型多、等级不均衡的故障诊断难题,构建了一种基于ID3决策树与卷积神经网络（ID3-CNN）的故障诊断模型。首先对原始信号进行人工时域特征提取,使用t-SNE降维可视化提取出特征混叠的故障,而后利用卷积运算对特征混叠的故障进行二次特征提取,提高模型的特征表达能力,最后使用ID3决策树和卷积神经网络对不同等级的故障进行分类。在轴承数据集上对模型进行了验证,结果表明,严重故障的诊断准确率达到100%,轻微故障的诊断准确率达到95%。与传统的支持向量机及二维卷积神经网络比较,提高了模型的诊断准确率及特征提取能力。     

基于多通道一维卷积双向门控循环网络轴承故障诊断

针对于一维卷积神经网络使用单卷积核可能出现特征丢失,特征提取不充分,无法利用时间序列信息,以及Softmax无法进一步提升诊断准确率等问题。提出一种多通道一维卷积双向门控循环网络的深度学习算法。首先,设计一个3通道的一维卷积神经网络进行不同尺寸的故障特征提取;其次,引入双向门控循环单元挖掘特征信号中的动态时间序列关系;最后,采用支持向量机替换传统卷积神经网络中常用的Softmax进行故障分类,进一步提升诊断的准确率。实验证明,该方法将故障诊断的准确率提升至99.8%。通过与其他方法的对比,证明了该方法有着更高的准确率和更好的鲁棒性。     

基于小波分析的滚动轴承的故障特征提取技术

提出了一种新的滚动轴承电流信号的故障特征提取方法,利用电流传感器把测得的电流信号转变成电压信号,并对该信号进行小波降噪处理,有效地剔除噪声的干扰,提高了信号的信噪比.用小波分析提取降噪后电流信号的能量特征参数,以表征滚动轴承故障特征,在频谱图中建立起故障频带能量与滚动轴承状态的映射关系,为进一步应用神经网络进行故障诊断奠定了基础.     

基于特征选择与概率神经网络的轴承故障诊断研究

为提高航空发动机轴承故障诊断精度,应用距离评估准则和概率神经网络分类技术,提出了一种基于特征选择与概率神经网络的轴承故障诊断方法。首先,利用轴承故障试验数据,提取得到14个时域特征和13个频域特征,构成故障诊断多域特征集;其次,为提高分类效率,降低各特征量间的耦合特性对分类结果的影响,应用基于距离评估的特征选择方法,筛选得到分类性能更好的特征参数;在此基础上,应用概率神经网络方法进行了轴承故障诊断研究。应用轴承模拟故障实验数据进行验证,结果表明,与BP神经网络和支持向量机诊断方法相比,PNN方法诊断精度更高;同时由于采用了特征选择,诊断效率和精度又得到进一步提高。     

基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断

针对齿轮故障诊断问题,利用数理统计特征提取方法、深度学习神经网络、粒子群算法和支持向量机等技术,提出了一种基于深度学习特征提取和粒子群支持向量机状态识别相结合的智能诊断模型。该模型利用深度学习自适应提取的频谱特征与数理统计方法提取的时域特征相结合组成联合特征向量,然后利用粒子群支持向量机对联合特征向量进行故障诊断。该模型在对多级齿轮传动系统试验台的故障诊断中实现了中速轴大齿轮不同故障类型的可靠识别,获得了满意的诊断结果。应用结果也验证了基于深度学习自适应提取频谱特征的有效性。     

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。     

基于FFT和神经网络的APF故障诊断方法

针对有源电力滤波器APF（active power filter）逆变器中IGBT易发生故障的问题,对APF中IGBT开路故障的仿真、故障分类、特征提取、故障诊断等方面进行了研究.对IGBT开路故障与故障特征进行了分析,提出了一种基于快速傅里叶变换（FFT）和神经网络的APF故障诊断方法,用FFT提取的故障特征向量来训练神经网络,并将训练好的神经网络诊断系统对IGBT开路故障进行了测试.实验结果表明,该诊断方法能用于APF运行状态监测,并可快速有效地识别IGBT故障位置.     

基于小波网络的某放大电路故障检测

为了提高某放大电路故障诊断与故障定位的快速性和准确性,引入了小波网络对电路板进行故障诊断。神经网络具有良好的非线性映射及函数逼近能力,小波分析具有良好的时频局部化性质。将两者结合构成小波网络用于故障诊断,具有自适应分辨性和良好的容错性。实例证明该方法能够实现故障检测及定位,具有准确率高的特点。     

基于FrFT-FD和KPCA模拟电路故障特征提取方法

为获得有效的故障特征信息,提出一种基于分数阶傅里叶变换分形维的模拟电路故障特征提取方法。首先,把原始数据空间中的特征数据映射到不同的分数阶空间,分别计算不同分数阶次下故障响应信号的分形维数;然后,采用核主元分析进一步对候选特征实施降维;最后,将优化后的特征向量作为故障特征,利用神经网络进行分类诊断。仿真结果表明,本方法能很好地获取不同故障响应信号的细微差异,增强不同故障模式的可分性,提高故障诊断准确率。     

基于神经网络的高线中轧电机故障诊断的研究

在对中轧电机故障诊断的特点和要求基础上,提出了一种基于神经网络的故障诊断方法。对所采集的高线中轧电机的各参数进行数据预处理与特征提取、归一化后,把这些特征参数作为神经网络的输入,经过学习训练,以判断系统状态,识别系统的故障。工程实践表明该故障诊断方法可行、有效。     

基于DBN的故障特征提取及诊断方法研究

随着装备日趋复杂化,依靠专家经验或信号处理技术人工提取和选择故障特征变得越来越困难。此外,以BP神经网络、SVM为代表的浅层模型难以表征被测信号与装备健康状况之间复杂的映射关系,且面临维数灾难等问题。结合深度置信网络(DBN)在提取特征和处理高维、非线性数据等方面的优势,提出一种基于深度置信网络的故障特征提取及诊断方法。该方法通过深度学习利用原始时域信号训练深度置信网络并完成智能诊断,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智能诊断,该方法对时域信号没有周期性要求,具有较强的通用性和适应性。在仿真数据集和轴承数据集上进行了故障特征提取和诊断实验,实验结果表明:本文提出的方法能够有效地从原始信号中进行多种工况、多种故障位置和多种故障程度的故障特征提取和诊断,并且具有较高的故障识别精度。     

轧机伺服液压缸内泄漏故障诊断研究

针对目前轧机伺服液压缸故障诊断过程中,故障特征提取困难,信号非线性变化,数据量大的问题,提出了一种基于深度置信网络的轧机伺服液压缸故障诊断的方法.根据轧机系统工作原理,建立轧机系统仿真模型,对轧机内泄漏故障状况进行模拟.利用深度置信网络在智能故障诊断的优越性,将信号归一化处理后放入深度置信网络进行训练,然后通过反向传播...     

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。     

A fault diagnosis scheme for rotating machinery using hierarchical symbolic analysis and convolutional neural network

Fault diagnosis of rotating machinery is crucial to improve safety, enhance reliability and reduce maintenance cost. The manual feature extraction and selection of traditional fault diagnosis methods depend on signal processing skills and expert experience, which is labor-intensive and time-consuming. As a typical intelligent fault diagnosis method, the convolutional neural network automatically learns features from original data, but it is extremely difficult to design and train a deep network architecture. This paper proposes a fault diagnosis scheme combined of hierarchical symbolic analysis (HSA) and convolutional neural network (CNN), which achieves laborsaving and timesaving preliminary feature extraction and accomplishes automatically feature learning with simplified network architecture. Firstly, hierarchical symbolic analysis is employed to extract features from original signals. The extracted features are able to identify different health conditions under various operating conditions. Then, convolutional neural network instead of human labor is used to learn the complex non-linear relationship between features and health conditions automatically. The architecture of CNN diagnosis model is simple and convenient to implement. Finally, a centrifugal pump dataset and a motor bearing dataset are adopted to validate the effectiveness of the proposed method. The diagnosis results show that the proposed method exhibits superior performance compared with shallow methods and deep learning methods.     

基于小波神经网络的电路故障诊断方法

本文根据小波神经网络故障诊断的基本思想,提出了一种基于“小波系数特征故障”的小波预处理神经网络模拟电路故障诊断方法。实验仿真结果表明,使用该方法提取故障特征加快了BP神经网络的训练速度.能迅速有效地进行故障检测和定位。