基于小波包-GABP的滚动轴承故障诊断分析

为提高诊断滚动轴承故障的效率和准确率,本文将小波包变换、BP神经网络和遗传算法三者相结合,提出了一种基于小波包和GABP神经网络的故障诊断模型。由小波包的分解与重构在滚动轴承故障原始信号中提取有效的故障特征向量,并利用遗传算法优化BP神经网络,然后训练和诊断滚动轴承信号的故障类型。同时,运用Matlab软件把采集的数据进行仿真分析。仿真结果表明,相对于传统BP神经网络,利用遗传算法优化的神经网络对故障的诊断正确率更高,并且收敛速度较快,说明由遗传算法优化的BP神经网络在故障诊断方面具有较好的效果,而且遗传算法的引入使轴承故障诊断的适应度和准确率更高。该研究为滚动轴承的故障诊断提供了理论基础。     

基于RBF神经网络和自适应遗传算法的变压器故障诊断

由于变压器故障征兆与故障类型之间具有复杂的非线性关系,采用传统的BP神经网络诊断方法存在收敛速度慢、准确率低和自适应能力差等缺点.针对以上问题,提出了一种基于自适应遗传算法的RBF神经网络故障诊断方法,建立了以变压器的故障特征参数为输入、以主要故障类型为输出的故障诊断模型;将自适应遗传算法和RBF神经网络有机地结合起来,利用自适应遗传算法对RBF神经网络的基函数宽度和中心进行优化,将优化后的RBF神经网络应用于变压器故障诊断.仿真结果表明,该诊断模型加快了网络收敛速度,改善了RBF神经网络的泛化能力,提高了故障诊断正确率,具有良好的实用性.     

基于遗传优化的RBF-BP神经网络电液伺服阀故障诊断算法研究

电液伺服阀是液压伺服系统的核心元件,因此是故障诊断的重点对象,其故障原因经常呈现出非线性和不确定性等复杂状态.单一的BP网络是全局逼近神经网络,学习速度很慢,容易陷入局部极小,易产生震荡等不足,RBF网络是局部逼近神经网络,训练速度快,在训练时不会发生震荡,也不会陷入局部极小.基于它们各自的优缺点,通过将RBF神经网络和BP神经网络有效地结合在一起,取长补短,建立一个由RBF子网和一个BP子网两部分串联构成的双隐藏层RBFBP组合神经网络.该网络既具有BP网络较好的泛化性能,又具备RBF网络较快的逼近速度.用遗传算法优化该神经网络的初始权值和阈值.该网络同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测.     

基于双谱识别和人工免疫网络的智能故障检测

针对故障诊断中人为评估振动谱图而导致诊断结果不稳定的情况,提出基于振动谱图模式识别的故障诊断方法,利用Hilbert包络分析和双谱分析的组合方法来提取振动信号的故障频率特征,进而采用双谱图的灰度共生矩阵（GLCM）及其特征统计量来表征故障特征.改进了人工免疫网络（AIN）分类算法,将特征统计量作为抗原,通过对抗原的学习训练,形成记忆抗体集;通过判断待检验抗原与记忆抗体的匹配程度,实现故障分类识别.滚动轴承故障诊断实践证明,人工免疫网络分类方法具有良好的适应性,取得了较BP神经网络更好的检测准确率.     

基于灰色支持向量机模型的滚动轴承故障诊断与预测方法

提出基于GM(1,1)-SVM的滚动轴承故障诊断及预测方法.首先,提取滚动轴承各类故障和正常状态下振动信号的时域及频域特征值,然后,选取重要特征参数建立预测模型,进行特征值预测;最后,使用轴承各类故障特征值和正常状态特征值训练二叉树支持向量机,构造滚动轴承决策树,判别故障,实现对故障类型的分类,从而达到对轴承故障诊断,并通过预测值与支持向量机实现故障预测的目的,突破传统算法不能有效预测轴承故障的局限性.     

基于BP神经网络的三相电压源型逆变器开路故障诊断

为实现三相电压源型逆变器(three-phase voltage source inverter,TP-VSI)开路故障的诊断与精确定位,提高故障诊断效率,提出基于BP神经网络的TP-VSI开路故障诊断方法.首先,研究TP-VSI正常工作原理、开路故障机理,确定线电压作为检测量;其次,采用快速傅里叶变换(fast Fourier transform,FFT)提取不同故障下的特征值,构建故障特征向量;最后,建立一个3层BP神经网络,进行故障诊断,实现对开路故障的精确定位.该方法通过获取包含故障信息的故障特征值,经过FFT把时域信号变换到频域信号,再通过BP神经网络建立TP-VSI开路故障与特征值的一一对应关系.与其他智能诊断方法进行对比,证明了BP神经网络对TP-VSI开路故障诊断的可行性和较高的诊断准确度,实现了BP神经网络对TP-VSI开路故障的诊断与精确定位.     

基于神经网络和小波分析的机组振动故障诊断

对于水轮发电机组而言,尽快实施其故障诊断是十分必要的.小波包分析能有效地提取机组振动信号中的有用成分,采用小波包分解方法提取特殊频段上的能量特征值作为神经网络输入向量,针对南桠河水电厂实测数据采用单隐层BP网络进行训练并对不同故障模式进行识别,取得良好效果.     

分数阶BP神经网络滚动轴承故障诊断方法

研究基于分数阶BP神经网络滚动轴承故障诊断的问题。通过对滚动轴承5种状态类型特征信号的提取,以更全面的方式反映滚动轴承的工作特性。特征信号经过归一化处理后作为神经网络的输入,滚动轴承的故障类型作为神经网络的输出。运用分数阶BP神经网络对滚动轴承进行状态监测和故障诊断,判断其属于哪种故障类型。相较于整数阶BP神经网络,分数阶BP神经网络精度更高,且能更快地达到误差要求。仿真实验结果表明,分数阶BP神经网络能准确获取滚动轴承的运行状态。     

基于RBF -BP神经网络融合的医学数据分类研究

为改善传统的反向传播(BP)神经网络和径向基函数(RBF)神经网络的学习能力和分类性能的不足,提出一种融合RBF网络与BP网络的混合神经网络算法(HRBF -BP),并将其应用到医学数据分类问题中.在网络结构的实现上,将RBF隐藏层与BP隐藏层进行级联融合,即在连接BP网络输入层与隐藏层之间加入RBF核映射层; 在学习算法的实现上,先采用k-均值聚类算法来实现RBF核参数的估计,然后再使用基于随机梯度下降的BP算法实现级联BP网络的权值优化.将该算法与SGBP、KMRB、PFRBF等算法在不同的医学数据集上进行分类实验对比表明,该方法的网络训练精度以及测试精度均优于SGBP、KMRB、PFRBF算法; 因此,该方法对提高BP网络和RBF网络的学习能力和分类性能具有良好的参考价值.     

基于RBF与BP神经网络的建筑电气系统故障诊断比较研究

建筑电气系统的故障自诊断一直是国内外故障诊断领域的空白,其主要原因是建筑电气系统庞大、复杂,子系统多,难于建立数学模型.利用神经网络不依赖模型和收敛速度快的优势和特性,可以很好地解决该问题.由于神经网络在建筑电气故障领域的基础研究和应用非常少,通过对经典的RBF和PB神经网络故障诊断方法进行对比研究,为后续研究打下基础.通过利用建筑电气系统试验平台的数据进行实验,结果表明在两种神经网络未经优化的情况下,RBF网络在建筑电气故障诊断的应用上要优于BP网络.基于RBF网络的建筑电气故障诊断方法在工程上将有广阔的应用前景.