小波-神经网络在齿轮故障诊断中的应用

基于齿轮箱故障齿轮的特征提取,提出了将小波包分析与神经网络结合的齿轮故障诊断方法.对齿轮信号进行3层小波包分解,构造小波包特征向量作为故障样本.用训练好的BP神经网络进行故障诊断,实验结果表明该方法能够有效地诊断出齿轮的故障类型.     

基于小波包特征向量与神经网络的滚动轴承故障诊断

基于故障轴承的特征提取,提出了将小波包分析与神经网络结合的滚动轴承故障诊断方法.对滚动轴承信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,试验结果表明,该方法能够有效地诊断出滚动轴承的故障类型.     

小波一神经网络在齿轮故障诊断中的应用

基于齿轮箱故障齿轮的特征提取,提出了将小波包分析与神经网络结合的齿轮故障诊断方法。对齿轮信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,实验结果表明该方法能够有效地诊断出齿轮的故障类型。     

基于小波包特征提取的ART1网络故障诊断研究

系统阐述了小波包分解及ART1神经网络的基本理论和特点,在对故障诊断进行理论分析的基础上,结合ART1神经网络对输入矢量的要求,提出了一种差值门限方法,将小波包特征提取与ART1神经网络相结合进行动态系统的故障诊断。用MATLAB仿真了系统及其故障,对上述故障诊断方法进行了测试实验。实验结果表明,基于小波包特征提取的ART1神经网络故障诊断方法是可行的,能够应用于多个领域,其发展前景广阔。     

小波—BP神经网络在旋转机械故障诊断中的应用

利用小波分析和BP神经网络相结合的方法对旋转机械的故障进行识别.首先运用小波分析对故障信号进行降噪处理,然后运用小波包对信号进行分解和重构,提取各频带能量值,将该能量值作为BP神经网络输入端的特征向量,训练网络进行故障模式识别.实验表明,该方法在旋转机械故障诊断中切实可行.     

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。     

基于DWT和PNN的印刷过程实时监测和故障诊断

提出了一种新的基于离散小波变换和概率神经网络的印刷过程振动信号的实时监测和故障诊断系统。利用小波包分解技术对印刷过程振动信号进行降噪处理,并选择特殊频段进行小波包重构,有效捕捉和分离了处于信号不同频段的印刷过程振动信号故障特征分量。对提取的故障特征参数应用概率神经网络映射,实现对印刷过程振动信号运行状态的实时监测和故障诊断。仿真结果表明,该诊断方法快速、准确且易于工程实现。     

基于SVM的转向架故障诊断技术研究

分析了我国当前转向架故障诊断的技术特点,通过小波包变换提取列车转向架故障工况的能量特征向量,同时结合列车振动信号的时频特征,提出一种基于多维特征SVM模型的列车转向架故障诊断方法。并通过滚动振动试验台实测的转向架故障运行工况数据,对比了SVM算法和BP神经网络的诊断性能,验证了该方法的可行性。研究表明:通过分析列车的振动信号,以时域特征和能量特征结合的特征向量,在支持向量机方法下能有效区分列车不同故障工况,与传统的BP神经网络相比,SVM模型的故障诊断正确率更高,可作为故障诊断的依据之一。     

小波包能量与CNN相结合的滚动轴承故障诊断方法

针对滚动轴承故障种类繁多,故障信号特征不明显的问题,提出了一种小波包能量与卷积神经网络相结合的滚动轴承故障判别方法.首先对原始振动信号进行小波包分解,其次求取分解后各个子带信号的能量,归一化后得到一组特征向量,最后将该特征向量作为卷积神经网络的输入,进而判断输入信号所对应的故障类型.为验证所提方法的有效性和优越性,采用美国凯斯西储大学轴承数据集,将所提出的方法与另外两种故障诊断算法进行对比.在不同工况情况下的对比试验结果表明,小波包能量特征提取方法,能够有效提取出原始信号故障特征.相较于常见的卷积神经网络的故障诊断方法,所提方法能够有效提高故障识别准确率,且速度快、稳定性好.     

基于NI Compact-RIO控制器的城轨车辆故障诊断系统

城轨车辆的故障诊断系统是列车控制及监控的重要组成部分,随着国内外城轨车辆列车控制及监控技术的不断发展,城轨车辆的故障诊断系统越来越多地受到城轨车辆用户的重视。故障诊断系统要求故障检索快速、准确、实时性高且故障数据可存储,故障数据可追溯。本文叙述了一种基于NI Compact-RIO控制器的城轨车辆故障诊断系统的实现方式。     

基于改进小波神经网络的旋转机械故障诊断

根据旋转机械复杂的故障特点，提出了结合第2代小波分析、模糊理论和神经网络形成的改进小波神经网络。该诊断方法利用第2代小波分析对信号进行预处理-征向量的提取，然后用训练好的模糊神经网络进行故障识别，并对相应算法进行了优化。将改进小波神经网络运用于旋转机械的故障诊断，通过计算机仿真和试验的结果表明，该方法在处理多故障耦合的情况时优势明显，不仅可以正确识别故障的类型，还可以进一步对故障的严重程度及其发展趋势进行可靠的诊断。这表明改进的诊断方法是行之有效的，为旋转机械的故障诊断提供了理论支持。     

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。     

轨道车辆故障诊断研究进展

随着轨道交通事业的蓬勃发展,轨道车辆的运行速度、运输效率以及智能化水平得到不断提高。然而,作为这些技术发展的必要前提,轨道交通可靠性保障理论是轨道交通事业的重中之重。轨道车辆一般由车体、车门、动力及传动系统、走行部、制动系统、电气系统、车载信号系统和其他辅助功能部分组成,轨道车辆运行工况复杂多变、噪声干扰大以及故障模式难以预知等特点一直是其故障诊断面临的突出挑战。通过调研近15年的文献资料,归纳并总结轨道车辆各个子系统及关键部件在故障诊断理论、方法与技术成果,同时从故障检测和远程诊断两个侧面讨论了轨道车辆故障诊断的特点,最后尝试指出了该领域中迫切需求的故障诊断技术及理论发展方向,即应该深化思想内涵,加快表象到机理的研究速度,加快理论向应用的转化速度,切实提高轨道交通关键装备的故障诊断及健康管理能力。     

Machine fault diagnosis using a cluster-based wavelet feature extraction and probabilistic neural networks

In this paper, a cluster-based feature extraction from the coefficients of a discrete wavelet transform and probabilistic neural networks are proposed for machine fault diagnosis. The proposed approach first divides the matrix of wavelet coefficients into clusters, which are centered around the discriminative coefficient positions identified by an unsupervised procedure, based on the entropy value of coefficients from a set of representative signals. The features that contain the informative attributes of the signals are computed from the energy content of the obtained clusters. Then, machine faults are diagnosed based on these feature vectors using a probabilistic neural network. The experimental results from the application on bearing fault diagnosis have shown that the proposed approach is able to effectively extract important intrinsic information content of the test signals and increase the overall fault diagnostic accuracy, as compared to conventional methods.     

基于小波--神经网络模拟电路故障诊断方法的研究

对模拟电路提出了一种基于小波神经网络的故障诊断方法 ,该法用小波变换作为故障信号的预处理器 ,大大地减少了神经网络的输入数目 ,从而简化了神经网络的结构和减少了它的训练时间 ,并提高了辨识故障类别的能力。在简介该法故障诊断的基本原理后对实例电路进行了故障划类 ,小波函数及故障特征选择 ,给出了计算故障类别特征的仿真编程及故障类别的识别方法     

基于小波包能量谱和ELM的光伏逆变器多故障在线诊断

以三电平光伏逆变器为研究对象,提出一种多故障模式快速诊断新方法。首先,利用小波包分解提取出三电平逆变器的桥臂电压和上、下管电压信号的能量谱特征向量,并利用主成分分析降维后获取故障特征向量;然后,基于极端学习机诊断模型分离出单器件及多器件开路等多种故障模式。实验结果表明,相比于传统BP神经网络、最小二乘支持向量机故障诊断方法,该方法检测信号易获取,抗干扰性强,诊断速度快、精度高,减小了诊断成本和复杂性,适用于在线诊断。     

基于小波分析和支持向量机的旋转机械故障诊断方法

提出了一种基于小波分析和支持向量机相结合的旋转机械故障诊断方法.首先运用小波包对振动信号进行分解和重构,然后提取各个频带里的信号能量值,将该能量值作为特征参数输入到支持向量机,进行故障模式识别.通过对实验数据的分析表明,与BP神经网络相比,该方法可以获得更高的旋转机械故障诊断准确率.     

基于小波变换预处理的一种神经网络故障诊断方法的研究

针对无法区分干扰信号与有用信号一类系统提出了一种先用小波变换让信号在不同频段上进行分解,提出各分量故障信号的特征,然后应用ＢＰ神经网络进行故障诊断的一种方法。并将这种方法应用于液压系统的泄漏故障诊断,取得了比较满意的效果。     

便携式地铁列车辅助逆变器故障诊断系统设计

设计了一种便携式辅助逆变器故障智能诊断系统,对系统的工作原理、硬件结构及软件技术进行了详细描述。运用神经网络方法,分析故障产生的原因并确定故障发生的位置,以便及时维修。该诊断系统除具有“便携式”的特征外,还具有操作简便、诊断与分析自动化、智能化等特点,并且能够存储记录数据,方便以后分析查看,适用于车间检修和运营中突发故障现场对辅助逆变器故障进行快速、自动诊断。     

基于小波神经网络的模拟电路故障诊断

本文对模拟电路提出了一种基于小波神经网络的故障诊断方法。该法利用小波空间中函数的多分辨率分解思想，构造了一种激励函数为具有紧支撑集的尺度函数和小波函数的小波神经网络。这种小波神经网络隐层节点数的选取有理论根据，解决了传统神经网络隐层节点数难以确定的问题。分别用本文提出的小波神经网络和传统BP网络对实例电路进行故障诊断，结果发现，小波网络比传统BP网络方法不仅学习收敛速度快，而且有效地避免了局部最小值问题。