近似熵与支持向量机在发动机故障识别中的应用研究

针对发动机曲轴轴承极易磨损,导致发动机出现故障的问题,提出了一种基于近似熵与支持向量机相结合的故障诊断方法。发动机在工作过程中,早期故障特征信号微弱。基于此,引入近似熵算法,分别模拟发动机曲轴轴承4种磨损状态,测取各状态下多测点的振动信号样本,计算样本近似熵值,构建了不同状态近似熵故障特征向量。结合支持向量机算法,构造支持向量机故障分类模型,将近似熵特征量带入其中进行训练与测试,测试结果准确率达到97.5%,并与普遍使用的BP神经网络诊断方法进行了对比,结果表明该方法具有更高的诊断识别率,是一种有效且准确率较高的在线诊断方法。     

基于混沌理论的滚动轴承故障诊断研究

采用小波包分析的方法对滚动轴承振动信号进行处理,提取滚动轴承特征信号,进一步应用混沌与分形方法研究了故障信号的混沌性,通过计算信号混沌特征量—关联维数,找出了内圈、外圈及滚动体状态信号在正常状态、轻微磨损状态、中度磨损状态、严重磨损状态下关联维数对故障状态的反应。实验结果印证了混沌方法用于研究该类型故障信号的可行性。     

飞行器发动机结构系统早期故障分类识别方法研究

在对飞行器发动机结构系统早期故障进行分析的基础上,提出应用小波变换、分形与模糊神经网络相结合的早期故障识别分类方法。该方法首先利用小波变换和分形技术对早期故障的微弱信号进行处理并提取早期故障信息,然后利用模糊神经网络(FNN)对早期故障特征信息进行聚类分析识别。实验结果表明,该方法是一种识别早期故障的有效方法。     

基于经验模态分解的发动机故障诊断技术研究

为及早发现发动机存在的不正常状态,有效判断故障类型,防止发生突发事故,提出了一种对运转条件下的发动机振动信号进行经验模态分解的发动机故障诊断方法,利用不同故障造成的分解子信号能量差异构造故障特征向量,对子信号能量占比按频段进行归类,增加了相同故障类型的相似度和不同故障类型的区分度。     

某型涡轴航空发动机磨损状态及趋势预测研究

联合采用发射光谱和铁谱技术对某型航空涡轴发动机进行了磨损状态的分析研究,结果表明:发射光谱技术可准确预测发动机的损坏情况,铁谱技术通过分析磨粒特征,可判断发动机的运行状况、磨损机理及磨损类型,而发射光谱和铁谱技术的联合运用可以较准确地确定发动机润滑部件的磨损状态,诊断磨损故障及预测磨损趋势.     

航空发动机油样光谱分析的PSO-LSSVM组合预测方法

油样光谱分析是航空发动机磨损状态监测与故障诊断的重要技术,基于光谱数据的航空发动机状态预测有利于发现航空发动机的早期磨损故障。根据光谱数据特征,选取AR模型、BP神经网络模型以及GM(1,1)预测模型作为基础模型,建立了基于最小二乘支持向量机的组合预测模型,同时,用粒子群算法对LSSVM的正则化参数以及核函数参数进行了优化。最后利用两组实际的航空发动机光谱分析数据对模型进行了验证,与基础模型的对比结果充分表明,提出的带粒子群优化的最小二乘支持向量机(the Least Squares Support Vector Machines with Particle SwarmOptimization-PSO-LSSVM)的非线性变权重组合预测模型具有更好的预测精度。     

基于D-S证据理论的航空发动机磨损故障智能融合诊断方法

油样分析方法目前已成为航空发动机磨损故障诊断的重要手段,但单一油样分析技术的诊断准确率均有限,为了提高故障诊断的精度,本文提出了基于D-S证据理论的发动机磨损故障智能融合诊断方法。首先用BP神经网络实现发动机磨损故障的单项智能诊断,然后,充分利用神经网络诊断结果,用D-S证据理论实现了磨损故障的融合诊断。最后,算例验证了本文方法的有效性。     

基于振动信号的车用发动机运行状态预测

考虑到车用发动机结构复杂、振源较多,振动信号为非平稳信号的特点,文中利用混沌与分形理论对多组不同运行状态的振动序列进行研究,探讨关联维数与运行状态之间的内在联系,并利用混沌与神经网络相结合的方法对主要状态参量进行单变量及多变量预测。实验结果表明,关联维数能敏感反应发动机的磨损状态,而多变量的预测效果比单变量效果理想。     

基于稀疏注意力机制的齿轮早期磨损故障诊断研究

在齿轮故障诊断领域中，对齿轮早期磨损故障实现有效诊断具有重要意义。然而，早期磨损故障特征弱，诊断难度大。针对该问题，提出了一种基于稀疏注意力机制的齿轮早期磨损故障诊断模型，采用一种新的稀疏注意力机制结合卷积神经网络，改进传统分段序列注意力机制，实现了具体故障频率定位。应用齿轮箱故障模拟实验数据进行测试验证，相比其他诊断方法，所提方法能够在同等样本条件与计算代价下，实现更为准确全面的诊断，降低分析成本，获得敏感故障特征频率，为齿轮维护提供数据支撑。     

12150发动机磨损分析与油液监测机理研究

本文对12150发动机的磨损情况进行了详细的分析与讨论,总结了该发动机的磨损类型与磨原因,文中针对基于油液分析的12150发动机磨损故障监测方法进行研究,给出了油液监测机理。     

基于改进EEMD与混沌振子的配电网故障选线

提出改进的集合经验模态分解(MEEMD)和混沌振子相结合的电网故障微弱信号检测方法。首先,建立神经网络预测模型,通过神经网络对配网各线路零序电流进行短时预测,滤除故障信号中的背景信号;其次,为了检测配网发生单相接地故障后微弱的5次谐波信号,提出结合多尺度排列熵和完备集合经验模态分解(CEEMD)改进的改进的集合经验模态分解算法;处理已经滤除背景信号的故障信号,提取其第一固有模态函数作为混沌振子的输入。混沌振子对和内驱动力信号同频的外策动力信号有较高的敏感性,通过混沌振子输出的相图完成电网故障选线。     

基于神经网络的滚动轴承故障诊断方法的研究

神经网络是一种具有非线性映射能力强以及自学习、自组织、自适应等优点的智能方法,非常适合于滚动轴承的故障诊断。针对滚动轴承是机械设备重要的易损零件之一,大约有30%的故障是由轴承损坏引起的,提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别、诊断。实验表明,该方法对于滚动轴承的故障诊断具有良好的效果和应用价值,并可方便地推广到其他类似的诊断领域。     

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。     

中性点补偿电网单相故障五次谐波混沌检测方法

提出了基于混沌理论的中性点补偿电网五次谐波故障选线方法。首先，基于混沌理论研究故障背景信号的神经网络建模方法，通过神经网络的预测模型滤除故障背景信号。其次，为了检测到微弱的故障五次谐波分量，提出基于Duffing振子五次谐波相变原理的故障检测方法，并构造了Duffing振子相变检测选线方法的数值型判据。实验算例证明该选线判据具有很强的可靠性和适用性。     

基于小波包的遗传神经网络故障诊断系统研究

用遗传算法建立了汽机故障诊断地人工神经网络模型,以小波包分解技术获得的10个频段上的能量为网络的输入模式,对汽机常见的几种故障进行分类训练,并应用于待识别故障样本的识别计算,结果表明该方法在汽机故障诊断中是有效的。     

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RBF神经网络的柴油机燃油喷射系统的故障诊断

以RBF网络为识别模型,对柴油机燃油喷射系统的故障进行训练,并应用于待识别故障样本的识别仿真,结果表明,基于RBF的故障诊断方法优于基于BP网络故障诊断,在柴油机燃油喷射系统故障诊断中是行之有效的方法.     

基于ART-并行BP神经网络的柴油机故障诊断研究

造成柴油机故障的因素十分复杂,既存在单一类的故障,也存在多故障并存的现象,而且还会出现新型故障,仅仅依靠单一神经网络技术的故障诊断已经很难满足对柴油机的有效诊断要求。本文在信息决策层融合的基础上,以自适应谐振理论ART和误差反向传播并行BP两种神经网络为基础,建立了用于柴油机故障诊断的新型神经网络模型,以对柴油机系统工作过程多种故障进行诊断识别。通过与单一神经网络诊断识别结果的分析和比较,验证了该神经网络诊断模型的可行性,它能够进行多传感器信息综合诊断,既能识别单故障和并发故障,又具有识别新型故障的能力,可有效地提高对柴油机故障诊断的准确性和可靠性。     

人工神经网络在除湿机故障诊断中的应用

本文介绍了人工神经网络中使用最广泛的BP神经网络,通过除湿机的特征参数与故障原因之间的关系,建立了神经网络模型,并用Matlab神经网络工具箱函数对网络进行了训练,结果达到要求,能较好地识别故障.     

GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用

针对目前利用优化算法改进的BP神经网络算法对行星齿轮箱进行故障诊断过程中存在的故障识别率低、收敛速度慢和参数选择困难等问题,提出了一种用GA-ACO算法对神经网络参数进行优化的算法。给出GA-ACO-BP算法的基本原理和主要步骤,并将此方法应用到行星齿轮箱的故障诊断中。比较了ACO-BP神经网络算法和GA-ACO-BP算法的性能。结果表明,ACO优化BP神经网络算法对行星齿轮箱的故障诊断收敛速度慢且识别精度不高,而GA-ACO-BP算法能够对行星齿轮箱故障进行准确、快速的诊断和识别。