共查询到19条相似文献,搜索用时 78 毫秒
1.
BP神经网络在滚动轴承早期故障诊断中的应用 总被引:4,自引:1,他引:4
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. 相似文献
2.
神经网络在滚动轴承故障诊断中的应用 总被引:1,自引:0,他引:1
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。 相似文献
3.
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。 相似文献
4.
5.
《机械强度》2016,(2):242-246
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。 相似文献
6.
唐立力 《机械工程与自动化》2014,(3)
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。 相似文献
7.
8.
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。 相似文献
9.
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。 相似文献
10.
基于BP神经网络的滚动轴承故障诊断研究 总被引:4,自引:0,他引:4
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。 相似文献
11.
12.
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。 相似文献
13.
14.
15.
16.
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。 相似文献
17.
基于小波包和SOM神经网络的车辆滚动轴承故障诊断 总被引:1,自引:0,他引:1
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。 相似文献
18.
19.
基于神经网络的多特征和多步轴承寿命预测方法 总被引:3,自引:0,他引:3
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。 相似文献