基于卷积神经网络的液压缸内泄漏检测

由密封损坏引起的液压缸内泄漏会导致液压系统工作的不稳定。本文作者提出一种基于卷积神经网络的检测方法,先经过仿真得到在无泄漏、小泄漏、中等泄漏和大泄漏4种工况下的液压缸一个腔的压力信号,通过卷积神经网络的学习与训练,使其在不确定工况下通过输入压力信号自动地检测液压缸的泄漏程度。相比于传统的建模方法,文中方法克服了在非线性液压系统中建模难点,只需要采集压力信号,且简单可行,具有很高的可靠性;将该方法与传统的BP神经网络作对比,证明该神经网络的优越性     

基于卷积神经网络的液压缸内泄漏检测

由密封损坏引起的液压缸内泄漏会导致液压系统工作的不稳定。本文作者提出一种基于卷积神经网络的检测方法,先经过仿真得到在无泄漏、小泄漏、中等泄漏和大泄漏4种工况下的液压缸一个腔的压力信号,通过卷积神经网络的学习与训练,使其在不确定工况下通过输入压力信号自动地检测液压缸的泄漏程度。相比于传统的建模方法,文中方法克服了在非线性液压系统中建模难点,只需要采集压力信号,且简单可行,具有很高的可靠性;将该方法与传统的BP神经网络作对比,证明该神经网络的优越性     

基于小波包和IGA-BP神经网络的滚动轴承故障识别方法

为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。     

基于小波包能量谱的工业机器人智能故障诊断

实际工业机器人在恶劣工作环境中易出现故障,传统的故障诊断大多都是通过振动信号进行,但是振动数据在实际工厂难以采集,给工业机器人的故障诊断造成了极大困扰。针对这一问题,提出一种基于小波包能量谱(WPES)与卷积神经网络(CNN)的工业机器人电流数据的智能故障诊断模型。该模型通过小波包将原始电流信号分解为多个子频带,计算每个子频带对应的能量特征,当工业机器人出现故障时,能量特征会发生变化,并将能量谱特征转化为二维矩阵用于设计、训练和测试所提出的模型。实验结果表明:采用WPES-CNN模型进行故障诊断,故障识别率达到了99.9%以上。     

基于小波包与概率神经网络的液压泵故障模式识别

小波包具有良好的去噪效果和高频分析能力,而概率神经网络具有很好的分类效果。采用小波包分解重构液压泵故障特征信号,并提取第三层各频率段的节点能量作为特征向量,将特征向量概率神经网络模型的输入向量对液压泵故障模式进行识别。通过采用LabVIEW和MATLAB混合编写的识别软件系统对液压泵故障识别,证明了将该方法用在液压泵故障模式识别上,能取得良好的效果。     

基于深度卷积神经网络的轴承多故障诊断研究

针对现有研究轴承单一故障较多而研究复杂多故障较少的不足,结合卷积神经网络自动提取特征的特性,文章提出较为先进的无需人工提取故障特征的端到端深度卷积神经网络方法进行轴承多故障诊断。与基于人工提取故障特征的神经网络故障诊断方法相比较,该方法提高了轴承多故障诊断的精度,并有效区分故障发生位置,可为工业应用提供可靠的理论实验依据。     

基于小波算法的故障信号特征抽取

实现了一种运用 (Daub4)正交小波包变换,基于信号能量在小波包空间的分布特性,利用小波包去噪消除信号白噪声和有色噪声、提取信号特征信息, 实现故障诊断的方法.由小波包预处理提取信息特征,作为决策网络的输入矢量,降低了输入的数据维数,简化了网络的结构和计算复杂度,减少了决策误差.     

基于改进卷积神经网络轴承故障诊断

卷积神经网络(Convolution Neural Network,CNN)是一种常用的智能故障诊断方法.针对卷积神经网络结构中参数较多,训练时间长,并且sigmoid和ReLU激活函数运用带来梯度消失和均值偏移.基于以上问题提出了一种改进非线性映射函数的卷积神经网络模型.把振动信号转换成二维振动图像表示其故障纹理,在...     

基于混沌与小波神经网络的大型复杂机械振动建模研究

针对大型复杂机械振动建模困难的问题,提出了基于混沌理论及小波神经网络的建模思路.以某大型平整轧机剧烈振动为研究对象,研究了其振动时间序列信号的非线性特征及相空间重构技术.基于混沌理论,应用小波神经网络技术反演了轧机动力系统的振动模型.试验对比了此模型与BP网络模型的预测性能,结果表明小波神经网络模型具有收敛速度快、预测精度高的特点.     

基于小波包神经网络的轴承故障识别模型

针对传统故障特征提取过程复杂、诊断方案单一且准确性差等问题,提出了基于多阈值小波包和深度置信网络(DBN)的轴承故障识别方案。本文作者采用最优小波基函数和软硬阈值结合方法对原始振动信号进行三层分解降噪处理,得到8个从低频到高频段的信号成分,对其进行组合重构作为神经网络的输入样本;通过DBN在数据处理上的特征重构优势,建立了DBNBP神经网络的轴承故障识别模型,确定模型的各类参数。经多次实验,探究不同样本输入对模型识别率的影响,并与传统的浅层神经网络识别模型做对比分析,结果表明:经训练的DBNBP轴承故障识别模型可从原始数据、小波包分解信号实现轴承故障信号的准确特征学习和分类,结合识别率和诊断时间考虑,经小波包分解信号输入具有更优的诊断效率。     

液压泵故障诊断的小波-神经网络方法

针对利用压力信号进行故障诊断的液压齿轮泵,分析了液压齿轮泵的压力脉动机理,研究了应用小波分析进行齿轮泵压力信号的特征提取,利用RBF网络进行故障识别和诊断的方法,建立了相应的RBF神经网络,试验表明小波分析-RBF神经网络方法可对液压齿轮泵的常见故障进行识别和诊断.     

基于小波神经网络的航空发动机传感器故障诊断

航空发动机传感器故障诊断系统对于保证航空发动机控制系统可靠性和安全性至关重要,针对传统基于发动机模型的传感器故障诊断中存在建模精度不足导致故障诊断存在误诊和漏诊的问题,提出以小波变换和神经网络为基础,使用正常传感器预测故障传感器值。通过对比传感器输出和神经网络预测值的残差来实现传感器的故障诊断,其中神经网络可以在传感器故障后估计出正常的模拟信号代替故障信号供发动机控制系统使用,实现航空发动机控制系统的容错控制;使用改进粒子群优化算法优化BP神经网络的阈值和权值,以提高神经网络诊断和预测信号精度。仿真结果表明:该方法可以有效完成故障诊断,减少漏诊和误诊的发生。     

基于小波包-概率神经网络的自适应报警技术的研究

结合小波包分析和概率神经网络技术,提出了一种基于小波包分解-概率神经网络的机械故障自适应报警方法.该方法利用小波包获取振动信号各有效频带的能量作为报警参数,用概率神经网络构建设备运行状态模型,根据历史数据确定报警值并设置报警线.实验结果表明该方法是有效的,它克服了设备状态监测中报警线的设置与设备运行情况变化无关的缺陷,该方法在机械设备报警处理系统中有良好的应用前景.     

基于PLC-BP神经网络的流量计故障诊断

针对提高流量计可靠性的问题,提出使用BP神经网络进行故障诊断的方法,对流量计故障诊断进行了分析和设计;介绍了BP神经网络在故障诊断中的应用,并在Step7-300内部实现了BP神经网络。实验表明:运用此方法后诊断准确率可达90%以上。     

小波包神经网络在齿轮泵故障诊断中的应用

采用小波包技术提取齿轮泵的振动信号的小波包能量谱及其谱熵,作为改进的BP网络的输入特征,进行齿轮泵的故障诊断.实验结果表明,该方法大大地提高了诊断的可靠性.     

基于观测器和神经网络的液压系统故障诊断方法研究

针对液压系统特点,提出基于观测器和神经网络的故障诊断方法.该方法的原理是基于观测器实现故障的判断,利用经观测器输出训练的神经网络实现故障定位.相对于故障树和专家系统等方法,该方法的优点是诊断速度更快、不需要大样本.仿真结果证明该方法有效.     

基于卷积神经网络的高速列车抗蛇行减振器故障诊断

由于抗蛇行减振器在服役过程中发生故障会严重威胁到列车的运行安全,提出一种基于卷积神经网络的抗蛇行减振器故障诊断方法。采集的阻尼力信号通过短时傅里叶变换得到时频图谱,并将其划分为训练集和测试集;然后将训练集输入卷积神经网络模型中,进行训练样本信号的特征提取工作,通过前向传播和反向传播方式得到卷积神经网络的具体模型,并通过多次迭代更新网络参数;最后,将训练好的模型用于测试集,获得蛇行减振器故障诊断的准确率。为了验证模型的有效性,选用正常状态、启动不良和锯齿波故障数据作为实验验证,结果表明：该方法不仅避免了传统诊断方法需要人工提取特征带来的问题,且具有较好的诊断效果。     

基于BP神经网络的浆体管道输送系统故障诊断

在浆体管道输送系统中,受设备成本、安装难度等因素的限制,往往安装的测量仪表较少,从而导致可测变量偏少,且变量之间存在非线性关系,难以建立精确的数学模型,给故障诊断带来很大困难。通过MATLAB神经网络工具箱构建BP神经网络,利用离线数据对网络进行训练,将训练好的BP网络应用到浆体管道输送系统故障诊断中,有效地实现了两种典型故障的诊断。     

基于声发射和神经网络的数控机床刀具故障诊断

分析了数控刀具的切削状态,介绍了声发射检测系统和神经网络技术,对刀具切削状态信息声发射检测的可行性和神经网络技术智能诊断方法进行了分析,并通过数控机床刀具故障诊断实例,验证了通过声发射提取刀具切削状态方法的有效性和通过神经网络智能诊断技术检测刀具切削状态方法的正确性。