基于BP神经网络的逆变器开路故障诊断方法

为了实现对逆变器电路故障位置快速精确定位,减少停工检修时间,提高运行效率,提出一种基于BP神经网络的变频器逆变电路开关器件开路故障诊断方法。使用MATLAB对逆变电路建模和仿真,从输出电压波形直接采样提取故障信号特征。根据故障特征和诊断目标,建立三层神经网络故障模型,确定神经元数目和传输函数。将故障特征信号作为BP神经网络的输入,通过Levenberg Marquardt算法实现对神经网络的训练,用训练后的神经网络模型实现对变频器逆变电路的故障诊断。结果表明:直接波形采样实现简单;可实现1只或2只IGBT同时开路故障准确定位;所提出的故障诊断模型诊断准确率高。     

汽轮机转子故障诊断算法应用研究

对汽轮机转子故障进行诊断是确保汽轮机安全运行的关键。振动信号的分析在汽轮机转子故障诊断中广泛应用。应用小波包分析方法提取振动信号特征值,进一步作为BP神经网络的输入量,建立信号特征与其故障类型的非线性映射关系,利用神经网络实现故障诊断。仿真结果表明,该方法可以有效地对汽轮机转子故障进行诊断。     

基于小波和神经网络的传感器故障诊断

提出了一种新的基于小波包变换和BP神经网络的传感器突变故障诊断方法。根据小波变换在时域和频域都具有良好的局部化特性对信号特征进行精确定位,根据传感器输出信号的小波包分析提取能量变化率的特征向量,利用BP神经网络进行传感器故障分类。这种方法无需预先建立传感器模型和测量传感器输入信号,通过对小波包系数的削减,减少了冗余数据,提高了故障检测的实时性。仿真实验结果表明了该方法的有效性。     

基于信息融合方法的电机故障诊断研究

研究鼠龙异步电机转子故障诊断技术,先运用小波包分析技术对电机电流信号进行了特征值的提取,将信号进行3层分解,然后将噪声信号分离并对噪声信号进行FFT能量分析,根据噪声能量含量的大小来判断断条故障的严重程度。然后利用BP神经网络对电机的电流信号能量特征值分别进行训练和检验,并初步得出诊断结果。再运用D-S证据理论对BP神经网络的输出结果进行了决策层的信息融合故障诊断,并得出了最终的诊断结果。实验表明,在一定程度上采用多证据的融合能进一步提高诊断的准确度。     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点,提出基于小波神经网络的模拟电路故障诊断方法.采用能量分布特征提取方法和改进BP算法,用正弦信号仿真模拟电路,应用小波变换对模拟电路的采样信号进行多尺度分解,再进行能量分布特征提取,然后利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.相对于传统的故障诊断方法,用小波变换对故障信号进行预处理,大大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.对实例电路仿真结果表明,该方法能正确识别各种故障状态,准确率高.     

应用小波神经网络诊断车辆柴油机供油系统故障

为有效诊断车辆柴油机供油系统故障,将小波变换与BP(Back Propagation)神经网络相结合。利用小波变换提取故障特征向量输入BP神经网络,实现对柴油机供油系统故障的诊断。仿真结果表明小波神经网络故障诊断准确率较高,诊断效果较好。     

基于小波神经网络的油泵故障诊断

依据小波神经网络技术的各种优点,提出采用三层BP小波神经网络构造故障诊断模型,对油泵进行故障监测和诊断.该故障诊断方法对神经网络训练、故障特征参数提取和对应神经网络状态输出等均实现了数据库管理,对油泵多种常见故障取得了满意的诊断效果,不仅具有特征自动提取以及较强的自学习和自适应功能,而且操作维护简便.研究结果表明:信号的小波分析和神经网络识别的融合将为油泵状态监测与故障诊断系统的建立提供新的方法和更简便的途径;对油库安全维护与故障诊断具有重要意义.     

EEMD-IGSA-BP的电机轴承故障诊断方法研究

为了提高轴承故障诊断的准确性与快速性,提出一种集合经验模态分解(EEMD)、BP神经网络与改进引力搜索算法(IGSA)相结合的故障诊断方法。以电机轴承故障诊断为例,对电机轴承的故障信号采用EEMD分解,利用经过IGSA优化BP神经网络的权值、阈值对故障特征进行诊断。试验结果表明所提方法具有更快的诊断速度和更高的诊断率,能够有效地对电机轴承故障进行诊断。     

基于神经网络的模拟电路Idd测试

电源电流（Idd）测试对模拟，混合集成电路的故障诊断十分有效。采用幅值恒定的交流信号对标准模拟，混合电路进行故障仿真，从频域提取 Idd 的特征值建立故障字典，来训练BP神经网络进行单、多故障诊断。实验结果表明，这种故障诊断方法能够实现故障检测及定位，具有准确率高的特点。     

基于混合特征提取和WNN的齿轮箱故障诊断

提出了一种基于混合特征提取和小波神经网络(WNN)的齿轮箱故障诊断方法,运用时域分析法、小波分解和小波包分解相结合的方法对齿轮箱振动信号进行故障特征提取,将所提取的特征值作为WNN分类器的特征输入参数,采用反向传播(BP)算法对WNN结构中的平移参数、尺度参数、连接权值和阈值进行调整和优化.在实验中采用不同裂纹尺寸的齿轮来模拟三种故障模式,通过对三种故障齿轮进行诊断和分类,能证明本文所提议的故障诊断方法是有效且可靠的.