基于自适应模糊神经网络的发动机故障诊断

发动机是车辆的核心部件,及时有效地发现并排除故障,对降低维修费用,减少经济损失,增加发动机工作时的可靠性,避免事故发生具有重大的意义。以某型号发动机为研究对象,运用测试技术、信号处理、小波分析、神经网络和模糊控制理论,提出了自适应模糊神经网络发动机故障诊断。首先建立了发动机故障信号采集试验台,在试验台上人工模拟四种工况,通过加速度传感器采集正常工况和异常工况的振动信号。再利用小波理论对采集到的振动信号进行消噪处理,提高信噪比,并提取出故障信号的特征值,作为网络训练和测试的样本数据。用样本数据训练和检测自适应模糊神经网络,即对发动机故障进行模式识别。通过仿真分析,取得了很好的诊断效果;同时与传统的BP神经网络故障诊断方法进行对比,无论在诊断精度上还是学习速度上,模糊神经网络在故障诊断中更具有优势。     

基于信息融合的柴油机缸套磨损故障诊断研究

针对柴油机缸套磨损故障进行模拟实验,获取了柴油机机体表面振动、铁谱分析故障信息,并对多源多维故障信息进行预处理,解决了模糊神经网络的输入矢量的模糊特性化、输出矢量的隶属函数、学习样本的选择及网络的学习训练等问题;在上述工作的基础上,建立了柴油机缸套磨损故障诊断的模糊神经网络模型.为验证诊断模型的有效性,选取了四组分别来自不同故障类别的数据作为检验样本,运用模糊神经网络模型进行诊断,其诊断结果与实际情况十分吻合.研究表明,基于多信息的模糊神经网络模型能较有效地对柴油机缸套磨损故障进行诊断,此方法能减小故障诊断的不确定性,提高诊断精度.     

基于多信息的柴油机缸套磨损故障诊断研究

采用了模糊神经网络模型，对柴油机缸套磨损故障以及缸套破坏性磨损故障进行了诊断研究．通过缸套磨损故障的模拟实验，获取柴油机机身振动和铁谱分析等多源多雏故障信息，并对融合故障信息进行预处理，解决了模糊神经网络输入矢量的模糊特性化、输出矢量的隶属函数及网络的学习训练问题，对缸套不同磨损故障进行了诊断．研究表明，这种基于多信息的诊断方法减小了故障诊断的不确定性，提高了诊断精度．     

应力波技术的液体火箭发动机试验应用研究

为了提升液体火箭发动机早期故障识别能力与效率,提出一种基于应力波技术的发动机涡轮泵故障检测方法.介绍了应力波信号的产生机理、获取途径和检测原理,针对液体火箭发动机试验特点,研究了应力波检测技术在低温环境下进行应用的解决方案,搭建了用于YF-XX发动机涡轮泵故障模式识别的应力波检测系统.经过试验测试表明,应力波信号的分析...     

基于模糊神经网络的智能故障诊断专家系统

发动机是车辆的核心部件,及时有效地发现并排除故障,对降低维修费用,减少经济损失,增加发动机工作时的可靠性,避免事故发生具有重大的意义。以某型号发动机为研究对象,运用测试技术、信号处理、小波分析、神经网络和模糊控制理论,提出了基于模糊神经网络的智能故障诊断系统。建立了发动机故障信号采集试验台,在试验台上人工模拟3种转速下6种工况,通过加速度传感器采集正常工况和异常工况的振动信号,之后利用小波包技术进行消噪处理,并提取出故障信号的特征值,作为网络训练和测试的样本数据。用样本数据训练和检测自适应模糊神经网络,完成对信号的离线模式识别,之后以测试样本数据实现在线故障诊断,通过仿真分析,取得了很好的诊断效果。与传统的BP神经网络故障诊断方法进行对比,无论在诊断精度上还是学习速度上,模糊神经网络在故障诊断中更具有优势。同时,在专家系统的理论基础上,将模糊神经网络与专家系统进行信息融合,实现数据接口通信,利用网络的自学习能力建立智能故障诊断数据库和诊断规则库,通过程序语言快速高效的设计出智能诊断系统。最后,通过发动机故障诊断实例仿真分析,验证了基于模糊神经网络的智能故障诊断专家系统的可行性。     

模糊神经网络在精密三轴转台机械台体故障诊断中的应用研究

针对三轴转台机械台体故障,提出了一种基于模糊神经网络的故障诊断方法,给出了模糊神经网络的结构和学习算法,并阐述了模糊故障诊断原理和故障判别方法将振动信号和电流噪声信号结构用于机械台体的故障诊断,测试结果表明,该方法是有效的。     

递归神经网络的模糊随机学习算法

提出了一种新的基于模糊逻辑的Alopex学习算法（FLA）。FLA算法利用模糊逻辑推理实时获得适应于学习过程的适当的算法修正值，克服了Alopex算法中修正值固定不变的缺点，使得随机学习过程在速度、精度和稳定性之间获得平衡。将该算法应用于神经网络的训练，可以无需神经网络的梯度信息和结构信息，因此可以用于具有各种结构特性的递归神经网络对动态系统的学习过程。实验结果表明了FLA算法的有效性。     

基于模糊神经网络的设备故障预测研究

对模糊神经网络技术进行了研究，提出了预测分析的模糊神经网络模型；建立了故障指标评定方法，利用预测算法运用参数历史故障指标对参数指标进行趋势预测，预测得到的参数指标可以根据专家诊断系统判据进行诊断，对未来设备的健康状况进行可信度较高的评估。经仿真结果验证，该算法预测精度较高，预测结果可信.     

基于小波-BP神经网络的发动机轴承故障诊断

本文针对发动机滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包变换与神经网络的滚动轴承故障诊断方法。由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,以振动信号小波分解后的能量信息作为特征,以神经网络作为分类器对滚动轴承故障进行识别、诊断。通过对滚动轴承的正常状态、滚珠故障、内圈故障和外圈故障信号的分析,表明以小波包分解为预处理器的神经网络故障诊断方法可以准确、有效地识别滚动轴承的工作状态和故障类型。     

神经网络在电路诊断中的应用

目的：阐述了目前电路基于数据库技术和人工智能专家系统及神经网络原理的故障诊断系统。方法：将所记录的模糊症状输入到系统中，通过模糊运算后，运用神经网络学习算法来寻找故障类型。结果：介绍了人工神经网络技术在电路诊断中的应用，并给出系统故障诊断软件的设计，结论：所用专家系统和神经网络相结合的方法改进电子电路故障诊断是可行的。     

基于小波包特征提取和模糊熵特征选择的柴油机故障分析

船舶动力设备因故障监测信号样本少、变化缓慢、数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。尤其是柴油机振动信号的故障诊断,由于柴油机振动信号噪声多,诊断信号难以进行特征选择的问题,提出了基于小波包能量谱特征提取和模糊熵特征择的柴油机故障诊断方法。利用模糊熵对小波包能量谱提取出的特征集进行特征选择,将选择后的特征参数输入LS-SVM进行故障模式识别。试验结果表明,该方法可以提高故障识别准确率。在该试验中,故障识别准确率达到了99.36%,相比于未进行特征选择的特征集,识别准确率提高了0.72%。     

A Study on Turbo—rotor Multi—fault Diagnosis Based on a Neural Network

The multi-fault phenomena are common in the turbo-rotor system of a liquid rocket engine.As it has many excellent qualities,the neural network might be used to solve the problems of multi-fault diagnasis of a turbo-rotor system.First,the feature expression of a common turbo-rotor fault was studied in order to build up the standard fault pattern and satisfy the need of neural network studying and diagnosing.Then.the turbo-rotor fault identification and diagnosis problems were investigated by using a BP(back-propaga-tion)neural network.According to the BP neural network problems,the parallel BP neural network method of multi-fault diagnosis and classification was presented and investigated.The results indicated that the parallel Bp neural network method could solve the turbo-rotor multi-fault diagnosis problems.     

基于神经网络的固体火箭发动机比冲性能的预示研究

将神经网络方法引入了固体火箭发动机的比冲性能预测,该方法避开了系统具体规律分析以及相应数学模型建立所带来的困难,直接用神经网络模型来模拟真实的系统关系。采用了一种改进的Ⅱ型RBF神经网络,克服了传统的RBF神经网络径向基函数个数未知的缺陷,并将其预测结果与传统的BP神经网络的预测结果进行了比较。     

汽车悬架磁流变减振器模型分析及半主动控制策略研究

用多项式模型作为磁流变减振器的力学模型,研究了传统"开-关"型半主动控制的阻尼力跳跃对汽车簧载质量振动加速度产生的不利影响,针对1/2汽车模型对具有磁流变减振器的汽车悬架简单模糊和自适应模糊神经半主动控制策略进行了数值仿真,基于数值仿真结果分析了各控制策略的效果.     

基于EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode function，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析，由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。     

一种模糊神经网络改进算法及其在振动强度识别中的应用

对传统模糊自适应Hamming网络算法进行了改进,通过引入新的模糊算法对传统算法中的类别选择函数进行改进,以提高网络的正确识别率,为了实现模式识别中网络的有序输出,对输出层获胜神经元的选取方法也进行了相应的改进。改进后的算法用于空调压缩机壳体振动强度的识别,利用模糊自适应Hamming神经网络综合考虑各测点振动、噪声信号所包含的信息,对壳体振动强度区域实现自动划分。通过改进师前、后两种算法在不同警戒参数下的试验结果发现,采用改进后的算法大大提高了网络的正确识别率,并能够很好地实现网络的有序输出。     

Rotor fault diagnosis system based on individual neural networks and fuzzy synthesized engine

Abstract

This paper proposes a robust fault diagnosis system for rotating machines adapting machine learning technology. The kernel of this diagnosis system includes a set of individual neural networks (INNs) and a fuzzy synthesized reasoning engine. First, the frequency characteristics from differential fault signals, including full spectrum, principal axis of full spectrum and slope of cascade, are used to feed into the INNs corresponding to assigned faults to emphasize the phenomenon of each fault. Especially, Taguchi’ s method is applied to quickly get optimal parameters of the above INNs. In the final step of the proposed diagnosis system, the evaluated indexes from each INN are synthesized by a fuzzy reasoning engine to identify the faults in the rotor system. Finally, five common faults of rotor systems, imbalance, misalignment, bow, whirl and whip, are generated from a rotor kit to verify the performance of this diagnosis system. The advantages of this diagnosis system are that the training epoch can be dramatically reduced, the over fitting problem can be avoided and diagnosis accuracy can be improved.     

基于注意力BiGRU的机械故障诊断方法研究

为了解决机械故障诊断领域传统方法自适应性差、参数选择过于依赖人工的问题,提出了一种基于循环神经网络的机械故障诊断算法。该方法利用预处理后的机械振动信号,搭建了双向门控循环单元的故障诊断模型,并进行了基于注意力机制的模型优化,提高了特征提取效率。经过美国凯斯西储大学轴承数据集以及自采集的柴油机故障实验数据验证,相比于传统神经网络算法提升了计算效率和诊断准确率,并表现出了良好的抗噪能力。结果表明,该方法可以有效适用于基于机械振动信号的故障诊断,具有一定的工程应用价值。