基于模糊神经网络的发动机故障诊断研究

基于模糊神经网络理论,对发动机涡轮增压系统、冷却系统以及润滑系统常见故障进行了研究,在MATLAB环境中,利用常见的故障案例样本,训练BP神经网络,建立涡轮增压系统、冷却系统及润滑系统三大系统的模糊神经网络模型,并通过未参与训练的故障案例样本对模型进行验证,经验证模型的预测误差均在5%以内,可以满足故障诊断的要求。另外,针对各系统的模糊神经网络模型,利用MATLAB GUI建立发动机故障诊断系统,该系统可以根据故障现象,诊断故障原因,并通过实际故障案例验证,诊断结果与实际故障原因相符,说明故障诊断系统具有指导性。     

基于改进遗传算法的BP神经网络手写数字识别

手写数字识别是光学字符识别技术的一个分支,一般采用神经网络,其中较为突出的是BP神经网络,但BP算法易陷入误差局部最小产生振荡且训练速度慢,通常先采用优化算法对其结构进行优化。为此,在分析GA-BP算法原理的基础上,提出对GA算法的相应算子中交叉和变异概率进行改进的方法,并用改进的GA算法优化BP神经网络的连接权值和阈值。以手写体数字识别为对象进行实验,结果表明：该方法具有更快的收敛速度和更可靠的稳定性,大大提高了BP神经网络的学习速度和识别率。     

基于光谱-铁谱分析的航空发动机磨损故障诊断应用研究

飞机航空发动机实施油液监控是新的现代维修监测手段。本文基于光谱及铁谱分析技术联用,对某型航空发动机在不同时间、不同工况下的滑油进行分析监测,识别预测磨损类型及故障部位,验证结果表明:通过对滑油进行光谱分析能够发现监测油样中的超标元素,进而利用铁谱基片观察,并与FITS铁谱图像系统进行对比,能够较为准确地定性磨粒类型,发动机返厂分解验证结果与磨损故障部位诊断预报一致性较高;结合实际监测油样,给出了某型发动机轴承故障的主要类型及故障原因分析,为实现对航空发动机故障诊断和故障预报提供了一定的技术支撑。     

基于自适应小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出了基于自适应小波神经网络的往复泵故障诊断方法.以往复泵单个泵缸内的压力信号作为系统特征信号采用小波变换来提取故障特征向量,同时将此特征向量作为小波神经网络的输入,利用小波神经网络对故障做进一步的精确实时诊断.通过对往复泵液力端多故障诊断实例的检验表明：该系统故障诊断正确率达到了93％以上.     

基于BP神经网络的变压器故障诊断

利用BP神经网络对变压器进行故障诊断.以特征气体含量的比值作为输入量,利用MATLAB软件建立故障诊断模型,利用改进的动量梯度下降法,达到了故障诊断的要求.并通过变压器故障诊断实例分析,证明了该方法的有效性.     

基于RBF神经网络的螺杆泵井故障诊断

针对螺杆泵井工况复杂、故障种类繁多,反映特征参数与故障类型的数学模型难以搭建,提出了建立一种基于RBF神经网络的螺杆泵井故障诊断模型。选取日产液量、动液面深度、电机功率作为输入向量,将抽油杆断脱、泵漏失、油管漏失等故障类型作为输出向量,采用RBF神经网络工具箱建立了螺杆泵井故障诊断模型,并对网络进行了训练,利用该网络测试了大庆油田两口螺杆泵故障井,结果表明：RBF神经网络具有较快的收敛速度和良好的稳定性能;验证了建立的RBF神经网络的螺杆泵井故障诊断模型的正确性\可行性和有效性。     

飞机发动机油液故障诊断技术的现状与发展趋势1

油液分析技术是飞机发动机故障诊断中一种非常重要的手段。综述了常规理化分析、光谱分析、铁谱分析、颗粒计数器和磁塞监测等几种常用的油液分析技术,并进行了对比分析。最后指出,综合应用多种油液分析技术才能实现飞机发动机的全面、准确、快速的故障诊断。     

基于模糊神经网络的环管反应器故障诊断

环管反应器是丙烯聚合工艺中的主要反应设备之一.环管反应器运行过程中故障产生原因与征兆参数之间的影响关系比较模糊、复杂,不能准确地用数学关系式表述.针对此种情况,总结出环管反应器温度升高时可能的故障原因及征兆参数,并用模糊理论进行处理,再运用神经网络建立了环管反应器故障诊断系统.故障诊断实例表明,该系统具有较高的可靠性.     

神经网络技术在分布式系统智能故障诊断中应用

阐述智能故障诊断技术的特点，针对多层次分布式系统，提出分层模块化的两种诊断模式及分层预处理规则；并就神经网络同其它诊断技术相结合的综合智能故障诊断模式的实现方法、特点及可行性作了进一步探讨分析。     

基于模糊神经网络的离心式压缩机故障诊断

利用模糊神经网络建立离心式压缩机故障诊断模型,使用梯度下降法进行学习训练,引用万能逼近定理设计离心式压缩机非线性系统函数逼近误差公式。仿真结果表明:出现故障后,逼近误差函数能够精确诊断离心式压缩机故障。     

基于GA-BP神经网络的多传感器轴承故障诊断

由于单一传感器采集滚动轴承的故障信息精度较低,提出基于GA-BP神经网络的多传感器信息融合方法。首先使用单一传感器采集其状态信息,并采用小波包分析提取轴承故障状态特征,然后采用遗传算法(GA)优化BP神经网络对单传感器进行滚动轴承故障诊断,接着运用DS证据理论把每一个诊断结果进行信息融合,最终得到诊断结果。仿真实验结果表明:该方法可提高滚动轴承故障诊断的精确度和效率。     

基于EEMD和模糊BP神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出一种基于总体经验模态分解(EEMD)和模糊BP神经网络的故障诊断方法。首先对滚动轴承的振动信号采用总体经验模态分解方法进行分解,得到若干个本征模态函数分量(IMF);然后提取各分量的均方差、峭度和能量,把这些特征参数作为学习集和训练集,将学习集输入到模糊BP神经网络中进行学习;最后把训练集输入到特征参数经过学习训练后的模糊BP神经网络中进行故障类型识别,并与BP神经网络进行比较。实验结果表明:所提方法能有效地应用于滚动轴承故障诊断,而且比BP神经网络具有更高的精确度。     

概率神经网络在电机故障诊断中的应用

针对传统故障诊断方法的局限性,提出一种基于概率神经网络的诊断方法。以异步电机转子故障为例进行了故障诊断研究,通过选择故障样本来训练神经网络,将代表故障的信息输入训练好的神经网络后,由输出结果就可以判断发生的故障种类。仿真实验结果表明了基于概率神经网络的电机故障诊断方法的正确性。     

基于人工神经网的催化裂化故障诊断研究

由于催化裂化系统的变量众多,每个故障的发生都可能涉及众多操作变量,这给故障的准确判断带来困难.人工神经网具有很强的自适应能力,非线性映射能力和泛化能力也很强,对数据进行高度并行处理,可自然处理多输入信号.用于催化裂化的故障诊断,取得较好的效果.将改进的LM算法用于人工神经网的训练,提高了网络的收敛速度.     

改进的LVQ神经网络在风机故障诊断中的应用

提出一种改进的LVQ神经网络的风机故障诊断新方法。利用风机振动频域的特征向量作为学习样本,建立与风机故障类型的映射关系。将能量特征输入改进的LVQ神经网络进行网络训练与检测,以实现风机的故障识别。经比较,其性能优于BP网络和遗传网络,诊断正确率高达96%以上。通过仿真实验和风机的故障诊断实例表明:该网络提高了收敛速度及诊断精度,有效地抑制网络陷于局部极小,更适合风机等较复杂分类问题的故障诊断。