一种自适应CS算法及其在风电齿轮箱故障诊断中的应用

针对布谷鸟搜索(CS)算法易出现早熟收敛以及风电机组齿轮箱的故障模式难以有效识别等问题,提出一种基于自适应CS算法的BP神经网络(SaCS-BP)智能诊断技术。通过构建SaCS算法,实现了步长和发现概率的自适应调整,并采用一组基准函数测试了该算法的有效性;将SaCS与BP神经网络进行融合,构建了风电齿轮箱的故障诊断模型。结果表明,SaCS算法具有较佳的寻优精度和普适性。此外,与BP神经网络以及布谷鸟搜索算法优化BP网络(CS-BP)相比,SaCS-BP算法获得了最高的诊断准确度,从而实现了风电齿轮箱故障模式的有效识别。     

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。     

基于径向基函数神经网络的柴油机故障诊断

提出一种应用径向基函数(RBF)神经网络解决故障诊断问题的方法,并将其应用于柴油机故障诊断与识别。在RBF神经网络中采用了一种减聚类的学习算法来确定径向基函数的相应参数,从而使神经网络结构得到优化。实例仿真结果表明,RBF神经网络学习收敛较快,对故障识别性能好。     

BP神经网络与广义RBF神经网络在产品寿命分布模型识别中的应用研究

通过分析BP神经网络和广义径向基神经网络(RBF神经网络)的基本结构和算法,建立了应用于机械产品的寿命分布类型智能识别的BP神经网络和RBF神经网络模型,通过仿真实验对比分析了BP神经网络和RBF神经网络识别效能。结果表明,RBF神经网络参数调整简单、训练时间短,且逼近能力与BP神经网络相当,但是推广能力较差;BP神经网络收敛缓慢、训练时间长,但推广能力较强,更适合分布参数变化范围大的寿命分布模型的识别。     

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.     

RBF神经网络在旋转机械故障诊断中的应用

为克服BP网络在机械故障诊断中存在的训练收敛速度慢且容易陷入局部极小、网络初值对学习性能影响比较大等缺陷,提出了一种基于最近邻聚类学习算法的RBF神经网络模型,并将该模型应用于旋转机械的故障诊断中。应用结果表明, RBF网络训练速度快、分类性能良好,在设备故障诊断领域具有很好的实用性。     

基于改进的RBF神经网络的滚动轴承故障诊断

该文阐述了径向基函数(radial basis function,RBF)神经网络的基本原理和算法,并针对RBF神经网络存在的隐含层的隐层单元数目及中心向量、扩展参数难以确定的问题,利用减聚类算法进行RBF网络的改进,建立应用于滚动轴承故障诊断与识别的RBF神经网络智能识别模型,并通过实验与BP(back propagation)神经网络进行比较分析研究。结果表明,减聚类算法能够有效地确定网络参数,改进的RBF神经网络对预设滚动轴承故障能够准确诊断,并且具有训练速度快的特点。     

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BP和RBF神经网络的滚动轴承故障诊断比较

通过仿真实例,应用BP和RBF神经网络对滚动轴承的故障诊断进行了比较研究,结果表明,BP网络和RBF网络仿真效果都比较理想,但RBF网络构建简单,训练速度快且比较稳定,体现了RBF神经网络的优越性。     

基于时序-RBF神经网络的齿轮故障诊断方法

针对齿轮箱早期故障特征不明显,提出一种基于时序和径向基(Radial Basis Function, RBF)神经网络相结合的诊断方法.通过对齿轮箱正常和故障运行状态的振动信号进行时序分析,提取时序模型的自回归系数作为状态特征,并将其组成特征向量输入RBF神经网络分类器进行网络训练,从而实现了对齿轮正常、裂纹、断齿和局部点蚀的状态识别与诊断.结果表明,基于时序-RBF神经网络结合的方法对于早期或多故障分类是可行的.     

粒子群优化的神经网络在故障诊断中的应用

为提高齿轮箱故障诊断性能，建立了以齿轮箱振动信号的时频域特征为输入，以齿轮箱的主要故障形式为输出的神经网络。采用粒子群优化算法代替反向传播算法来训练神经网络的权重和阈值，利用训练后的神经网络对齿轮箱进行了故障诊断，并比较了基于粒子群优化算法与BP算法的诊断结果。结论是基于粒子群优化算法神经网络具有较好训练性能，收敛速度快，迭代步数少，诊断精度高，具有良好的故障识别率。     

基于加权概率神经网络的齿轮箱抗噪故障诊断

针对齿轮箱现场故障诊断易受噪声干扰、诊断精度低的问题,提出了一种基于区分性权重概率神经网络的故障诊断方法。该方法考虑了不同子带特征受噪声的污染程度不同,提高噪声影响小的特征在诊断中的权重,降低噪声影响大的特征在诊断中的权重,以提高诊断的噪声鲁棒性,最终实现了齿轮箱故障的诊断。试验研究结果表明,与BP神经网络和概率神经网络诊断相比,该方法具有较高的诊断正确率和较强的诊断鲁棒性;并且该方法中平滑度参数对故障诊断精度影响不大,可以避免该参数选择困难的问题,具有良好的工程应用前景。     

小波包与改进BP神经网络相结合的齿轮箱故障识别

应用小波包分解技术提取齿轮箱振动信号中的故障特征向量,并以此作为改进BP神经网络的输入,对神经网络进行训练,建立了齿轮箱运行状态分类器,用以识别齿轮箱的运行状态。试验结果表明,小波包分解与神经网络相结合的齿轮箱齿轮故障识别方法是可靠的,可以准确识别齿轮箱的故障。     

设备故障趋势预测的分析与应用

研究了设备故障趋势的预测方法，介绍了非线性自回归模型，提出将BP神经网络与非线性自回归模型相结合，针对实验室JZQ250型齿轮箱的测试系统建立了基于振动信号的神经网络预测模型。采用MATLAB软件中自带的神经网络工具箱，利用模块化的编程思想，编程实现了神经网络预测模型．并利用实验室数据的峭度指标进行了实验。首先给出网络的输入及对应的目标输出，然后经过训练获得网络的权值和阈值，最终构建齿轮箱故障趋势的预测神经网络，用来预测齿轮箱的故障趋势。结果表明，该模型能够有效地短期预测齿轮箱的典型故障，可以用于齿轮箱的故障诊断。     

基于MATLAB软件包程序的电喷发动机故障诊断

目前国内外常用的汽车故障诊断仪(解码仪)功能并不全面,不能诊断不出现故障码的机械类故障.为了解决这个问题,提出了一种利用径向基函数神经网络进行电喷发动机故障诊断的方法.该方法通过MATLAB软件包与ACCESS数据库相结合编制故障诊断程序,从而实现了无故障码的故障诊断.同时还将径向基函数网络与BP网络进行了比较.实验表明,径向基函数网络更适用于故障诊断.     

基于PCA-改进BP神经网络的齿轮箱故障诊断方法研究

针对BP神经网络存在局部极小值和收敛速度慢等问题,文章提出了一种PCA-改进的BP神经网络的方法。实验表明,基于PCA-改进的BP神经网络的方法可以大大提高故障诊断的准确性,缩短了诊断时间。     

基于主成分分析的齿轮箱故障特征融合分析

为有效降低齿轮箱故障特征的维数并提高诊断准确率,提出了基于主成分分析法的齿轮箱故障特征融合方法,并结合支持向量机和BP神经网络对诊断的准确率进行了分析。以齿轮箱中不同裂纹齿轮为对象,选取能够表征齿轮箱故障状态的时域、频域和基于希尔伯特变换的36个特征,提取累积贡献率达到95%以上的主成分并输入支持向量机分类器中进行分类识别,用BP神经网络分类器进行结果的比较分析。结果表明,采用主成分分析法与支持向量机相结合的方法,既能降低特征维数,降低计算的复杂性,又能有效地表征齿轮箱的运行状态,识别不同裂纹水平的齿轮,比单独使用支持向量机分类器的方法诊断准确率更高,训练时间更短。     

齿轮箱复合故障信号的非线性盲源分离算法研究

针对齿轮箱复合故障分析问题,文中提出一种新型非线性盲源分离（Nonlinear Blind Source Separation, NBSS）算法。该算法先利用反向传播（Back Propagation, BP）神经网络逼近非线性混合模型的逆,并对经过BP 神经网络处理后的信号进行独立成分分析（Independent Component Analysis, ICA）;然后以独立成分分析后的信号的负熵作为适应度函数,采用遗传算法对BP神经网络的参数进行寻优;最后利用优化的BP神经网络参数,对观测到的混合信号进行分解,分离出纯净的振源信号。与采用粒子群优化（Particle Swarm Optimization, PSO）算法的核独立成分分析（Kernel ICA, KICA）相比,该方法提取的分离信号具有更高的精度,为齿轮箱复合故障诊断提供了关键技术与有效方法。