CP神经网络在机械故障模式识别中的应用

机械设备状态监测与故障诊断技术是保证机械设备安全稳定运行的一项重要措施。由于机械设备结构越来越大型化和复杂化，依靠人自身的经验和能力难以判断其征兆与故障之间的关系。随着计算机技术在各个领域的应用，智能型的自动监测与诊断技术在机械设备中得到了广泛应用。根据几种典型神经网络特点，选择了CP神经网络作为机械故障模式识别器。以大型机组典型故障的频率域特征参数作为网络的训练样本，对CP网络进行了训练，再将实际的一组频率域特征参数输入到模式识别器中，对故障类型进行识别。结果表明，以CP神经网络构筑的故障模式识别器有很强的非线性映射能力，可对机械设备故障模式进行正确分类。     

子波神经网络在故障诊断中的应用研究

根据旋转机械常见的的故障类型和故障信号时域采样数据 ,以子波空间作为模式识别的特征空间 ,采用信息熵为代价函数的神经网络学习算法 ,由子波神经网络对故障进行学习和诊断 .实验结果表明 ,子波神经网络的故障诊断方法在不了解故障信号频率结构的情况下 ,即可对平稳和非平稳故障信号进行诊断 ,适于设备在线监测及设备的巡检     

基于小波分析与神经网络集成方法的轴承故障诊断研究

鉴于小波分析与BP神经网络在故障诊断中各自存在的局限性,提出基于小波-BP神经网络的轴承故障模式识别技术.采用具有良好时频局部特性的小波基函数替代传统BP网络的激励函数,从而构造小波-BP神经网络,并且对其进行训练,获得模式识别网络,再用新数据进行网络检验,仿真结果表明该方法实用有效.     

应用BP网络对增速器故障进行学习和诊断

以大型离心压缩机的增速器为研究对象,应用BP人工神经网络对其故障进行学习和诊断,在学习样本和特征参数不完备的情况下,给出了网络的输出;与谱分析诊断结论比较后,得出了神经网络应用于齿轮传动装置故障诊断的可行性。     

基于BP神经网络的变频器功率变换主电路故障诊断研究

提出一种基于BP神经网络的变频器功率变换主电路故障诊断方法。通过对变频器功率变换主电路的故障类型及原因进行分析，提取了反映故障状态的四个特征参数。利用BP神经网络，采用自适应学习速率动量梯度下降BP算法，实现了故障模式的模式识别。     

层次分析的神经网络集成方法

提出了基于层次分析法的神经网络集成方法;介绍了四种不同类型的神经网络,并用这四种不同类型的神经网络构造了五个独立并行处理的模式识别子系统,对每个子系统进行独立训练并分别进行模式识别,统计每一输入模式被各子系统识别成的模式及次数,按识别次数进行两两成对比较;计算各输入模式的识别结果与典型故障模式识别结果间的期望与方差的大小,进行两两成对比较并进行一致性检验。选取层次分析法中准则层对目标层的权重,综合各神经网络子系统的识别情况与输入模式和目标模式的差异大小计算输入模式对各典型故障模式的整体权值并以此作出决策。使用matlab软件进行仿真计算,得到的故障正确识别率。层次分析法神经网络集成方法取得了比相对多数集成方法好的识别效果,还可集成其他模式的识别方法。     

基于模态频率和神经网络的结构损伤检测

把结构损伤识别问题分为损伤辨识、损伤定位、损伤程度标定三个子模块，对每个子模块用模态参数构造对损伤敏感的标识量，并作为特征参数输入到神经网络中实现损伤识别。将优化的BP网络和频率相结合成功地实现了矩形梁的损伤检测，为结构健康监测研究提出一条新的技术途径。     

神经网络信息融合技术在控制系统故障诊断中的应用

针对钢管修磨控制系统中存在的常见故障,构造了神经网络信息融合中心。对来自多传感器的残差信号进行了预处理和离散小波变换,提取其细节系数作为神经网络的故障特征向量,使用改进BP算法对神经网络分类器训练以进行相应的故障模式识别。仿真结果表明,基于神经网络的信息融合技术用于控制系统的故障诊断是可行的和有效的。     

自适应小波概率神经网络损伤识别方法

目的 为了提高大型结构健康监测系统的监测能力与损伤诊断率，降低误报率．方法 以小波变换作为动力信号处理工具。利用其可以降低噪声以及在时域-频域表征信号特征的强大能力。提取小波能量作为特征参数；以贝叶斯推理作为模式识别原理的概率神经网络（PNN）为损伤识别分类器，利用遗传算法来优化PNN模型中的圆滑参数σ，提出自适应小波概率神经网络（AWPNN）损伤识别方法．并对ASCE的基准结构模型进行损伤识别研究以验证该方法的有效性．结果 研究结果表明，在噪声程度达40％时，AWPNN的识别正确率高达98％．结论 AWPNN具有较强的抗噪声能力和较高的损伤识别率。在结构健康监测与损伤识别领域具有很大的潜力．     

齿轮箱在线监测诊断方法研究与系统设计

研究了齿轮箱齿面缺损和齿轮偏心等典型故障的时域、频域和时频域特征,以此为依据提取了故障特征向量,应用RBF神经网络进行了齿轮箱故障识别,识别试验表明文中所研究的方法能准确识别齿轮箱故障状态。以前面研究的故障诊断方法为基础设计了基于LabVIEW的齿轮箱在线监测诊断系统,系统具有齿轮箱振动信号采集,齿轮箱振动信号时域、频域分析和时频分析,以及齿轮箱故障模式识别功能,系统已经应用于交通部救助局海洋救助船船舶动力装置监测诊断系统,作为齿轮箱监测诊断模块。     

混合神经网络在泵站机组故障诊断中的应用

分析了专家系统ES和前向神经网络MLP对新事件的识别能力的不足 ,探讨了神经网络的数学模型和数学结构 ,建立了MLP和ART1相结合的混合型神经网络模型 ,以实现故障模式的有效识别 .在泵系统故障诊断与监测中的应用表明 ,混合型神经网络能可靠地进行水泵机组故障模式的识别 .     

深度神经网络在滚动轴承故障诊断中的应用

为了对滚动轴承发生的故障类型进行诊断,从而提升设备的安全性,提出了一种基于深度残差神经网络的智能故障诊断方法,并使用多传感器融合技术对深度残差神经网络进行了改进,使得诊断模型的识别精度和鲁棒性得到进一步提高.首先,通过多传感器技术来获取丰富的设备运行状态信息,然后利用时频分析方法短时傅里叶变换提取原始振动信号的初级特征信息,最后利用深度残差网络的强大学习能力,进一步提取初级特征信息中的高级特征信息,并识别设备的故障类型,从而实现滚动轴承的故障诊断.为了验证所提出方法的有效性,使用滚动轴承实验数据对方法进行了测试,同时与基于深度卷积神经网络和单传感器故障诊断模型进行对比,研究结果表明,提出的智能方法不仅能对故障进行准确识别,而且具有相当良好的泛化能力和抗噪能力,其故障精度达到了100%,在单传感器或多传感器受到强噪声干扰时,分别实现诊断精度至少为93.78%和82.54%.     

大型回转机械故障的神经网络分类器

建立故障类型的自动识别系统是机械设备诊断学的发展方向。神经网络理论的兴起和发展为故障类型的自动识别开辟了一条崭新的道路。神经网络通过对故障样本的学习后，对未知故障的样本具有较高的正确识别率。从神经网络对故障的识别检验结果中发现，神经网络对单一故障的分类与对组合故障的分类效果相差较大。本文分析了产生这一现象的原因，并利用组合网络来克服单一网络对组合故障分类精度不够高的缺陷，取得了令人满意的结果。     

一种基于BP神经网络的传感器故障诊断方案

针对传感器故障,提出了一种BP网络和修正的Bayes分类算法(MB)的集成故障诊断方法.用BP神经网络建立传感器故障模型,对系统的状态和故障参数进行在线估计,再用修正的Bayes算法进行传感器故障的在线检测、分离和估计.对连续搅拌釜式反应器(CSTR)的仿真结果表明,该集成故障诊断方法能够对传感器故障进行快速准确的分离和估计,并对传感器故障具有容错性.     

Elman神经网络在变压器故障诊断中的应用

变压器是电力系统中的枢纽设备之一,其运行情况将直接影响电力系统的安全运行。传统的变压器故障诊断方法不仅判断变压器中存在的故障的准确率低,而且对综合性故障也无法准确判断。应用E lm an神经网络进行变压器故障诊断,极大的提高了诊断准确率,提高电力系统运行可靠性。     

基于粒子群优化的神经网络容错控制算法

针对一类非线性系统的传感器故障,将故障诊断与容错控制方法相结合,提出了一种容错控制方法。用BP网络建立传感器故障模型,并用粒子群算法来训练BP网络的参数,在线估计系统的状态和故障参数。然后将故障参数与修正的Bayes分类算法相结合,对传感器故障在线检测、分离和估计,通过补偿算法,实现容错控制。对连续搅拌釜式反应器（CSTR）的仿真结果表明,该方法收敛性好,对传感器故障具有很强的容错能力。     

生产线故障诊断知识引擎系统的集成推理方法

针对大型复杂连续性生产流水线设备所具有的多部件结构、多层次故障症状、故障的不确定性等特点及对其状态监测和故障诊断的实时性要求,在设计了基于综合动、静隶属度运算的模糊识别法和基于神经网络的并行运算方法的基础上,研制了生产线故障诊断知识引擎系统的集成推理机制,突破了只有单一推理方法的诊断系统在领域知识和推理能力方面的局限性,提高了智能诊断系统对偶然性和不确定性问题的诊断能力,同时在一定程度上解决了诊断系统对生产流水线所具有的大量的状态参数和控制信号等知识获取的"瓶颈"问题以及由此而来的快速推理难题,使该智能诊断系统具有在线实时诊断能力.     

基于遗传神经网络的直接空冷凝汽器故障诊断研究

针对直接空冷凝汽器的结构特点,归纳了运行中可能发生的典型故障,包括真空系统不严密、凝汽器积灰、凝汽器结冰等11个故障。确定了能够正确反映上述故障征兆的过程参数,进一步改进了直接空冷凝汽器故障征兆集。在此基础上利用遗传神经网络对直接空冷凝汽器进行故障诊断。该算法利用遗传算法高效、并行、全局搜索特点,解决了神经网络收敛速度慢,容易陷入极小点的问题。最后,将该方法用于某直接空冷凝汽器故障诊断中,结果表明该算法诊断迅速且诊断结果准确。     

HMM在电机轴承上的故障诊断

为了提高其机械系统故障诊断能力及其准确性,以历史的经验数据为基础对滚动轴承进行健康管理,提出一种新的基于多个隐马尔可夫模型与蚁群聚类算法(ACC)和神经网络相结合的方法来用于轴承故障的诊断与检测,该方法采用HMM与模式识别相结合的方法通过对轴承振动信号进行特征提取,在时频域内进行分析其老化的现象,分别将历史数据和新数据进行故障诊断和检测,并通过HMM和ANFIS来估计其剩余使用寿命和年限.实验结果表明:HMM与模式识别相结合的方法可以准确地对故障进行诊断及预测,通过对结果分析可以得到该方法降低了计算的复杂度,提高了诊断的精度,通过对不同故障诊断实例详细阐述了基于HMM故障诊断方法的有效性和可行性.     

基于改进粒子群神经网络的提升机故障诊断

针对BP神经网络对提升机制动系统进行故障诊断存在着收敛速度慢和可靠性差等缺点,提出了一种基于粒子群神经网络的故障诊断方法.根据制动系统故障征兆与故障类型之间的非线性和耦合性,建立了提升机制动系统的故障诊断模型;采用改进的粒子群算法优化BP神经网络的连接权值和阈值,应用于制动系统的故障诊断,缩短了神经网络的训练时间,提高了故障诊断的精度.仿真结果表明该诊断方法具有故障诊断能力强和诊断效率高等特点.