基于时频特性和PCA-RBF的自动机故障诊断

针对自动机故障诊断中仅单方面从时域、频域和时频域提取特征向量,导致特征指标具有很大片面性的问题,本文提出了一种基于时频特性和PCA-RBF的自动机故障诊断方法。首先利用统计分析和总体经验模态分解(EEMD)方法,构造高维混合域初始特征向量;然后通过主成分分析法(PCA)对高维初始特征向量进行降维和简化;最后将经过PCA处理过的主特征向量输入到径向基函数(Radial Basis Function,RBF)神经网络中实现故障类型的识别。实验结果表明,混合域初始特征向量能够准确全面地描述故障特征,经过PCA处理的主特征向量大大简化了分类器结构,RBF神经网络结构简单、收敛速度快、具有很高的分类准确率。     

基于时频特征提取与神经网络的齿轮箱故障诊断

齿轮箱是机械设备中非常重要的传动机构,其振动信号中包含齿轮箱运行状态的信息,当齿轮箱发生故障时,其振动信号特性也必然会改变。现以齿轮箱为研究对象,搭建了齿轮箱故障诊断实验台,对常见的五种齿轮箱故障进行了模拟,然后利用时、频域分析方法对所测得的振动信号进行特征提取,建立了拓扑结构为11-10-4的BP神经网络的齿轮箱故障诊断系统,并构建训练样本和测试对BP网络进行训练和测试,诊断结果表明,所构建的网络对齿轮箱的复合故障诊断正确率在97.8%以上。     

基于RBF神经网络的齿轮箱故障诊断

阐述径向基函数(radial base function,RBF)神经网络的基本原理和算法,将其应用于齿轮箱故障诊断与识别,建立齿轮箱的BRF故障诊断模型,并与BP(back propagation)神经网络、学习率自适应BP神经网络进行对比分析研究。结果表明,RBF神经网络性能优于BP神经网络,具有较快的训练速度、较强的非线性映射能力和精度较高的故障识别能力,非常适用于齿轮箱的状态监测和故障诊断。但在具体应用中应当注意,RBF网络的训练样本必须含有一定的噪声,以提高网络的容噪性能;各类故障的训练样本数不能太少,否则RBF网络的故障分类能力很差。     

基于BP神经网络的齿轮箱故障诊断

对BP神经网络的结构与原理进行了简要概述,将BP神经网络技术运用于齿轮箱的故障诊断中 ,以齿轮振动信号的时域特征作为神经网络输入,齿轮的主要故障形式为网络输出,利用经 BP算法训练后的该网络对齿轮故障进行诊断,取得了较好的效果.     

基于PCA-RBF神经网络的小型压水堆故障诊断方法研究

小型反应堆具有结构紧凑和多用途的特点,受到了国际社会越来越多的关注。传统的基于信号阈值的故障诊断方法越来越无法满足精确性和高效性的要求。本文利用RELAP5软件模拟了小型压水堆不同功率水平下的反应堆稳态,蒸汽发生器传热管破裂事故(SGTR)以及冷却剂丧失事故(LOCA),生成了故障诊断所需的样本集。建立了基于PCA-RBF神经网络的故障诊断模型,对不同故障类型、位置和故障程度进行了准确的诊断。最终通过和BP神经网络对比,验证了本文所建立的基于PCA-RBF神经网络的故障诊断模型具有更快的训练速度和诊断精度。     

基于时频分布的行星齿轮箱滚动轴承故障诊断研究

齿轮箱滚动轴承缺陷的两个主要特征不仅与频率有关,而且与时间有着密切的关系.如果单从时域或者频域分析滚动轴承的故障信号,很难获得故障信号的特征全貌.使用时间和频率的联合函数来表示信号,将联合时频分析引入滚动轴承的故障诊断,进行信号分析,会更符合实际.文中结合实例对行星齿轮箱滚动轴承的各种振动信号进行分析,结果表明,通过对信号作伪Wigner-Ville分布(pseudo-Wigner-Ville distribution,PWD),能形象、直观地反映出轴承故障的时-频域信息,而且对故障信息具有较强的判别能力,得到比较理想的诊断结果,为机械振动的非平稳时变信号的分析提供了方便可行的手段.     

基于Elman神经网络的齿轮箱故障诊断研究

1前言 目前,旋转机械向着高转速、高功率、高可靠性、大型化、可测试性、不可接近性或不需接近性的趋势发展,这类系统一旦发生事故,就可能造成人员和财产的巨大损失。因此,切实保障现复杂系统的可靠性与安全性,具有十分重要的意义。发动机变速箱是整机进行减速增扭的部件,     

基于Elman神经网络的齿轮箱故障诊断研究

介绍了Elman神经网络的原理、算法,并用Elman网络对齿轮箱机械传动系统的故障进行了诊断。实例结果表明：该方法能够准确地诊断齿轮箱故障,同时具有训练速度快、结构简单、精度高等特点,是1种行之有效的诊断方法。     

基于粗糙集与神经网络的齿轮箱故障诊断

对粗糙集的属性离散化和约简算法进行了研究,提出了一种基于粗糙集与神经网络相融合的故障诊断方法。首先提出一种优化NS断点集的方法用于离散化决策表,然后采用差别矩阵和差别函数直接求取最小属性约简集,最后采用神经网络对JZQ-250齿轮箱进行故障诊断,并比较了约简前后特征集的诊断结果,实验表明粗糙神经网络能够简化网络结构,有较强的容错和抗干扰能力,且迭代次数少,收敛速度快,诊断精度高,是一种有效的齿轮箱故障诊断方法。     

基于小波分析和BP神经网络的齿轮箱故障诊断技术

构建了小波包能量分布、小波包能量熵、小波包能量分布与信号时域特征结合、小波能量熵与信号时域特征结合4种齿轮箱特征信号提取方法。结合BP神经网络对齿轮箱正常工况、齿面裂纹、断齿、齿面剥落4种类型工况进行特征向量提取,并进行诊断分类和对比,以得出结论。     

基于神经网络的多级行星齿轮箱故障诊断专家系统

多级行星齿轮传动比大、结构复杂,按照传统的事后检修、计划检修难以满足实际生产需要.因此采用基于人工神经网络的故障诊断专家系统来实现多级行星齿轮增/减速器的不解体故障诊断.根据多级行星齿轮的初始条件,得出齿轮箱的各轴端的特征频率,分析了齿轮箱的各种常见故障.将专家系统与神经网络结合,采用产生式规则表示知识的方法,运用基于模型的推理方法构建专家系统的知识库和推理机,通过人工神经网络的样本分析,改进了专家系统的学习和推理功能,并提出了1种能有效解决多级行星齿轮增/减速器各种故障的诊断方法.     

基于BP神经网络的钻机齿轮箱故障诊断方法

提出了利用BP神经网络,通过采集样本、训练,最后实现对钻机回转器齿轮箱准确的故障诊断和预判,为实际钻机钻进工作者提供了帮助。     

基于时频和频谱识别齿轮箱故障

首先对频谱分析方法和时频分析方法的原理进行了简要的介绍,再根据频谱分析与时频分析的特点,依据实验对齿轮箱所设置的3种工况,进行了正常运行下与断齿、外圈断裂故障运行下的三种状态进行了对比,转速为900r/min。结果表明,此方法能够得到比较理想的效果。     

基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号频率成分复杂和时变性强的问题,提出了基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法。首先,采用小波包分解将原始振动信号分解到频带和时间两个维度作为输入数据;然后,使用卷积神经网络融合数据的频带特征,使用双向门控循环单元融合时序特征;接着采用注意力结构对不同时间点的特征自适应地进行动态加权融合;最后通过分类器进行识别,实现行星齿轮箱的端对端故障诊断。实验表明,该方法对比现有的深度学习故障诊断模型具有更高准确率,能够对行星齿轮箱多种健康状态进行准确地诊断。     

基于时频联合特征提取与MS-LTSA流形学习的齿轮箱故障诊断

提出了基于时频联合（TFC）特征提取和改进的监督局部切空间排列（MS-LTSA）的流形学习的齿轮箱故障诊断的方法。首先,提出了信号的时域、频域和HHT时频域三者结合的特征提取方法,以获取振动信号全面的特征向量信息;然后,提取高维特征向量的奇异值,利用流形学习理论对奇异值矩阵进行降噪;最后,通过降噪后的特征向量实现对齿轮箱各种故障的高效、精确地故障识别。提出的MS-LTSA方法实现了数据集内部结构信息和类判别信息的结合,提高了所提取低维特征的聚类效果;通过实验数据的分析,证实了所提方法在齿轮箱诊断上的优异表现和应用价值。     

基于时域平均和Hilbert- Huang变换的时频熵理论轧机齿轮箱故障诊断

通过对时域平均技术和Hilbert - Huang变换的时频熵理论及实验进行研究,对某厂一台轧机卧式齿轮箱工作时产生的振动进行测量,利用时域平均技术对振动信号进行预处理、计算Hilbert -Huang变换的时频熵并把它作为特征量,对轧机卧式齿轮箱工作时的故障进行诊断,获得了满意的结果.同时也验证了本课题所用方法的先进...     

基于对向传播神经网络的齿轮箱故障诊断研究

介绍了CPN网络的原理、算法,并用CPN网络对齿轮箱机械传动系统的故障进行诊断。实例结果表明：该方法能够准确地诊断齿轮箱故障,具有训练速度快、结构简单、精度高等特点,是一种行之有效的诊断方法。     

基于对向传播神经网络的齿轮箱故障诊断研究

介绍了CPN网络的原理、算法,利用神经网络具有任意逼近非线性函数的能力,建立了齿轮箱故障征兆与故障原因的对向传播神经网络模型。并用CPN网络对齿轮箱机械传动系统的故障进行了诊断。实例结果表明,该方法能够准确地诊断齿轮箱故障,同时具有训练速度快、结构简单、精度高等特点,是一种行之有效的诊断方法。     

基于改进卷积神经网络的行星齿轮箱故障诊断研究

行星齿轮箱作为机械设备的重要传动部件,其运行的好坏直接影响到整个设备的运行状况.通过引入批量归一化层和丢弃层对卷积神经网络模型进行改进,提出了基于改进卷积神经网络的齿轮箱故障诊断模型.搭建齿轮箱实验平台,使用该模型对齿轮箱的振动信号进行故障识别.实验结果表明:该模型能够有效地对齿轮箱不同的故障类型进行识别分类,分类准确...