BP神经网络在滚动轴承早期故障诊断中的应用

滚动轴承是旋转机械中应用普扁而又易损的元件之一，其故障在机械故障中占有很大的比例．因此，轴承故障诊断、特别是早期诊断很受重视．本文将神经网络应用于轴承早期故障诊断，简要说明了ＢＰ神经网络的基本原理、算法及特点，介绍了实验数据的分析过程和参数选择原则．实验结果表明，选择适当的网络结构进行训练、学习和检验，可以把良好轴承、内环缺陷轴承、外可缺陷轴承、滚子缺陷轴承及具有三种综合缺陷的轴承区分开来，并能初步估计出缺陷的大小．     

神经网络在滚动轴承故障诊断中的应用

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,经过实验表明,该方法对于滚动轴承的故障诊断具有一定的应用价值,并可方便地推广到类似的诊断领域。     

改进鱼群算法在滚动轴承故障诊断诊中的运用

针对滚动轴承故障振动信号微弱难以识别的问题,提出采用改进人工鱼群算法优化的神经网络诊断方法。首先,引入速度动态参数对人工鱼群算法固定搜索步长进行改进,并用改进人工鱼群算法优化神经网络。其次,采用最小二乘趋势分析消除实验室采集到的滚动轴承内环、外环和滚珠三种故障振动信号的趋势项;并根据时频域特征参数的变化趋势筛选出均值、标准差和波峰因子这三个能够明显反映不同故障类型的特征参量。最后,将遗传算法、粒子群算法等优化的神经网络作为对比算法用于滚动轴承故障诊断。仿真结果表明：这里提出的方法相比对比算法,20次平均诊断准确率高、误差小、稳定性高。     

基于BP网络的滚动轴承故障诊断方法

据统计，旋转机械的故障，30%是由滚动轴承故障引起的。因此，滚动轴承的故障诊断方法的研究得到各国专业技术人员的重视。对此，本文提出了一种新的关于滚动轴承故障的BP网络诊断方法，即通过建立相应的BP网络模型，并用BP算法对该网络进行训练，利用神经网络的智能性来判断轴承所属的故障类型。仿真结果表明，该方法实用有效。     

LCD方法的改进及其在滚动轴承故障诊断中的应用

对局部特征尺度分解(Local characteristic-scale decomposition,简称LCD)方法进行了改进,分析了低频ISC分量(Intrinsic Scale Component,简称ISC)出现驻点的原因,提出了一种改进驻点的局部特征尺度分解方法,仿真信号的分析结果验证了改进的LCD方法的优越性。在此基础上将改进的LCD方法与包络谱相结合应用于滚动轴承故障诊断,采用改进的LCD方法对滚动轴承振动信号进行分解得到若干个ISC分量,对ISC分量进行包络谱分析从而识别滚动轴承的工作状态,实验数据的分析结果表明该方法的有效性。     

最优隐层BP神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断问题,设计了一种最优隐层BP神经网络,借助经验公式确定隐层单元数的取值范围,进行计算平均迭代次数和均方误差来寻找最优隐层单元数。通过MATLAB仿真,结果表明该BP神经网络具有较高的诊断效率和准确度。     

GAPSO-KELM在滚动轴承故障诊断中的应用

为了减小故障特征提取对信号处理方法和人工经验的依赖性、降低诊断模型的计算复杂度、有效提高诊断精度,本文提出了一种卷积神经网络(CNN)与核极限学习机(KELM)相结合的滚动轴承故障诊断方法.首先,直接将不同故障模式下的滚动轴承原始振动信号进行分段处理,用以构建训练集、验证集和测试集.其次,利用CNN卷积运算提取特征,通...     

基于遗传算法的BP神经网络滚动轴承故障诊断

针对滚动轴承的故障诊断问题,提出了一种基于遗传算法的BP神经网络滚动轴承故障诊断方法。以BP神经网络的误差为目标函数,利用遗传算法进行BP神经网络的权值和阈值优化,并用优化后的BP神经网络进行故障诊断。通过MATLAB仿真,结果表明遗传算法优化的BP神经网络相比传统的BP神经网络具有更好的诊断效率和准确度。     

改进VPMCD方法在滚动轴承故障诊断中的应用

针对模式识别新方法VPMCD(variable predictive model based class discriminate)在参数估计过程中存在的缺陷,对VPMCD方法进行了改进,用主成分估计法代替原方法中的最小二乘法进行参数估计,消除了预测变量间存在多重线性相关性的影响,可以获得更加稳定的模型参数,从而提高模式识别的精度。采用局部特征尺度分解(LCD)方法对滚动轴承振动信号进行分解得到若干个单分量信号,提取各分量的近似熵组成故障特征向量作为改进VPMCD的输入,以改进VPMCD作为分类器对滚动轴承的工作状态和故障类型进行分类。对正常状态、外圈故障、内圈故障和滚动体故障四种不同工作状态和故障类型下的滚动轴承振动信号进行了分析,结果表明该方法有效。     

基于BP神经网络的滚动轴承故障诊断研究

通过对滚动轴承振动信号的分析处理，提取能够反映轴承运行状态的特征量作为BP神经网络的输入，并用BP算法对该网络进行训练，利用神经网络的智能性来判断轴承所属的故障类型。仿真结果表明，该方法实用有效。     

基于关联维数与BP神经网络的滚动轴承故障诊断

探讨了滚动轴承不同工况下非线性系统关联维数的计算及应用，讨论了滚动轴承在不同工况下的关联维数，以此为工况特征量设计BP神经网络实现故障诊断，并以关联维数作为游隙大小的特征量为例，对故障诊断效果进行分析。     

基于PSO-BP算法的动态空调负荷预测建模

根据空调负荷的非线性特点,提出了一种基于粒子群算法优化误差反向传播(BP)神经网络的空调负荷预测方法,针对BP网络训练容易出现麻痹和易陷入局部极值,以及其预测空调负荷时精度不够理想等现象,将粒子群算法的随机全局优化和梯度下降局部优化结合,达到改善神经网络泛化能力和提高空调负荷预测精度的目的。用该方法对的空调系统冷负荷与室外空气的干球温度、含湿量和太阳辐射照度的关系进行建模和预测,通过实例验证了该优化算法优于BP网络,能更加有效地处理动态空调负荷中的非线性问题,获得更可靠的预测结果。     

基于AR模型和径向基神经网络的滚动轴承故障诊断

径向基函数(RBF)神经网络是一种三层前馈型非线性神经网络,它具有较强的函数逼近能力和分类能力。根据径向基函数神经网络的优点,在对滚动轴承正常和故障振动信号特征分析的基础上,提出了采用时间序列方法对其建立AR模型,利用AR模型特征参数建立径向基函数神经网络,并用该网络对滚动轴承的故障信号进行了诊断。理论和试验证明了该方法的有效性,且具有较高的诊断精度。     

基于模糊RBF神经网络的滚动轴承故障诊断

针对现有滚动轴承故障诊断方法存在人为因素影响、表达模糊信息能力弱等问题。结合模糊评价和RBF神经网络的优点,选取3层小波包分解方法以获取评价因子,并使用正态分布型隶属度函数,构建了模糊RBF神经网络滚动轴承故障诊断模型。网络测试结果表明,该模型客观准确,诊断结果与实际情况一致。     

基于全卷积层神经网络的轴承剩余寿命预测

传统的数据驱动的轴承剩余寿命预测方法需要基于知识和经验,通过人工建立性能退化指标,费时费力,为此,采用卷积神经网络对输入信号进行特征自学习和剩余寿命预测。将传统卷积神经网络中的全连接层全部更换为卷积层与池化层,以减少神经网络需训练的参数;采用加权平均方法对预测结果进行降噪处理。轴承加速寿命实验数据集验证了所提方法的有效性。     

基于SVM和BP神经网络的滚动轴承故障诊断

为更好地对滚动轴承进行状态监测和故障诊断,采集3种不同状态下的滚动轴承振动信号,根据振动信号特点提取其时域和频域的相关特征,然后分别利用SVM(支持向量机)和BP神经网络进行模式识别。不断减少每种状态下训练样本集的个数,利用2种不同的方法进行模式识别。当每种状态下的样本个数为3个时,支持向量机仍然能准确地将测试样本进行分类,而BP神经网络完全无法识别。实验结果表明,支持向量机比BP神经网络更适合于小样本的故障诊断。     

基于小波包和SOM神经网络的车辆滚动轴承故障诊断

以车辆滚动轴承故障诊断模型为基础,针对其轴承的特点,提出了一种小波包分析和SOM神经网络相结合的故障诊断方法。将该方法应用于车辆滚动轴承的故障诊断中,经过大量实测数据的分析与验证,能够有效地诊断出轴承的故障类型,为旋转机械的动态监测和故障诊断提供了新的参考,具有重要的理论和实际工程应用价值。     

精密磨削加工的神经网络误差补偿技术

通过对磨削加工过程中的误差信息进行综合分析,运用人工神经网络的基本方法,建立了基于神经网络理论的精密磨削加工误差补偿模型,并从结构和算法方面进行了详细阐述。给出了对磨削加工进行实时误差补偿的硬件实现方法,并通过样本的合理选择及系统的学习过程提高了该误差补偿系统的补偿能力。     

基于神经网络的多特征和多步轴承寿命预测方法

试图用ＢＰ神经网络建立轴承寿命预测模型,并在该模型上进行多特征参数和多步预测方法的研究。实践表明：该模型能够较好地逼近轴承的运行状态的变化曲线,有效地消除了随机干扰,提高和改善了预测的精度和效果。