基于信息融合的柴油机缸套磨损故障诊断研究

针对柴油机缸套磨损故障进行模拟实验,获取了柴油机机体表面振动、铁谱分析故障信息,并对多源多维故障信息进行预处理,解决了模糊神经网络的输入矢量的模糊特性化、输出矢量的隶属函数、学习样本的选择及网络的学习训练等问题;在上述工作的基础上,建立了柴油机缸套磨损故障诊断的模糊神经网络模型.为验证诊断模型的有效性,选取了四组分别来自不同故障类别的数据作为检验样本,运用模糊神经网络模型进行诊断,其诊断结果与实际情况十分吻合.研究表明,基于多信息的模糊神经网络模型能较有效地对柴油机缸套磨损故障进行诊断,此方法能减小故障诊断的不确定性,提高诊断精度.     

基于BP神经网络的高压断路器故障诊断

为诊断与分析高压断路器故障,本文提出了基于BP神经网络的高压断路器故障诊断方法。该方法利用高压断路器典型分合闸线圈电流-时间曲线,能反映其机械故障状况的特点,将仿真输出数据与故障编码比较获得诊断结果。该方法只需一组完整的故障数据作为网络的训练和测试输入,就能够诊断出高压断路器操动机构是否出现异常情况,以及确定出现故障的类型。本文以MATLAB2014b为试验平台,用实际数据作为训练样本和测试样本进行仿真分析,其输出结果与期望输出一致,验证了该方法是一种有效的高压断路器故障诊断方法,具有广阔的应用前景。     

基于共振解调与神经网络的滚动轴承故障智能诊断

介绍了一种基于共振解调与神经网络技术的滚动轴承故障诊断方法。对采集系统所拾取的滚动轴承振动信号进行共振解调处理，依据故障包络频谱中必然存在谐波谱线的规律，在共振解调后的包络信号中提取所需的轴承故障谱线特征信息，并将其作为神经网络输入，利用神经网络进行轴承各种故障状态的识别，实现滚动轴承故障的智能诊断。实验表明，该方法能准确而有效地识别出滚动轴承的不同磨损状态，诊断便捷。     

基于模糊神经网络的智能故障诊断专家系统

发动机是车辆的核心部件,及时有效地发现并排除故障,对降低维修费用,减少经济损失,增加发动机工作时的可靠性,避免事故发生具有重大的意义。以某型号发动机为研究对象,运用测试技术、信号处理、小波分析、神经网络和模糊控制理论,提出了基于模糊神经网络的智能故障诊断系统。建立了发动机故障信号采集试验台,在试验台上人工模拟3种转速下6种工况,通过加速度传感器采集正常工况和异常工况的振动信号,之后利用小波包技术进行消噪处理,并提取出故障信号的特征值,作为网络训练和测试的样本数据。用样本数据训练和检测自适应模糊神经网络,完成对信号的离线模式识别,之后以测试样本数据实现在线故障诊断,通过仿真分析,取得了很好的诊断效果。与传统的BP神经网络故障诊断方法进行对比,无论在诊断精度上还是学习速度上,模糊神经网络在故障诊断中更具有优势。同时,在专家系统的理论基础上,将模糊神经网络与专家系统进行信息融合,实现数据接口通信,利用网络的自学习能力建立智能故障诊断数据库和诊断规则库,通过程序语言快速高效的设计出智能诊断系统。最后,通过发动机故障诊断实例仿真分析,验证了基于模糊神经网络的智能故障诊断专家系统的可行性。     

一种基于CNN-BiGRU孪生网络的轴承故障诊断方法

针对轴承故障样本稀缺，传统深度神经网络模型在小样本情况下容易出现过拟合现象，泛化性能不好的问题，提出一种基于CNN-BiGRU孪生网络的轴承故障诊断方法。孪生网络采用两个结构相同、权值共享的卷积神经网络和双向门控循环单元组成，构造相同类别和不同类别的轴承样本对输入孪生网络，通过计算轴承样本对之间的L1距离进行相似性度量，实现轴承故障诊断。与传统深度神经网络相比，孪生网络采用样本对训练的方法，在相同样本数量情况下，增加对网络模型的有效训练次数，从而提高轴承故障诊断性能。设计卷积神经网络和双向门控循环单元共同组成孪生网络结构，可以从振动信号中同时提取空间特征与时序特征，提高特征提取的准确性。利用实测轴承故障信号进行故障诊断试验，并与其他深度神经网络模型进行对比，试验结果表明，CNN-BiGRU孪生网络方法在少量训练样本情况下，取得了较优的故障诊断性能，有一定的工程应用价值。     

包装过程的故障检测与诊断

对于控制复杂、难以精确描述数学模型的包装过程，提出了基于小波变换的故障检测方法，故障诊断能过神经网络来实现。     

基于PCA神经网络的电路电子整流装置故障诊断方法

提出一种基于PCA-神经网络的电力电子整流装置故障诊断方法.首先对故障信号用主元分析法(PCA)提取特征向量.然后用神经网络进行训练和测试.通过三相可控整流电路晶闸管断路故障诊断实验结果表明,该方法能够简化神经网络的结构,提高网络的训练速度,并获得了很好的诊断效果.     

基于离散型Hopfield神经网络的制冷剂充注量故障诊断的新策略

本文提出了一种应用离散型Hopfield神经网络(Discrete Hopfield Neural Network,DHNN)对制冷剂充注量故障进行诊断的新策略。首先对数据进行清理,然后将原始数据集划分为训练集和测试集,接着对数据进行二值化处理,最后以训练集建立DHNN模型进行故障检测与诊断。实验数据测试集的检测与诊断结果验证了该策略可以用于制冷剂充注量的故障诊断。测试结果表明:基于DHNN的制冷剂充注量故障诊断模型可以有效地诊断出充注不足故障,收敛速度快,具有较好的实用性。     

发动机磨损诊断的神经网络技术研究

目的：利用神经网络技术诊断发动机的磨损故障，研究神经网络技术应用于机械故障诊断领域的发展方向，方法：基于油液分析技术，对发动机常见磨损故障进行诊断，具体包括发动机磨损颗粒的识别，磨损元素浓度值的预测和磨损故障智能诊断专家系统，结果：对其于油液分析的发动机故障诊断提供了新的方法，结论：使用神经网络技术可以大大提高发动机磨损故障诊断的效率，说明该技术方法在发动机磨损故障诊断领域是有效的，同时对其它机械设备的磨损故障诊断具有借鉴意义。     

基于多信息的柴油机缸套磨损故障诊断研究

采用了模糊神经网络模型，对柴油机缸套磨损故障以及缸套破坏性磨损故障进行了诊断研究．通过缸套磨损故障的模拟实验，获取柴油机机身振动和铁谱分析等多源多雏故障信息，并对融合故障信息进行预处理，解决了模糊神经网络输入矢量的模糊特性化、输出矢量的隶属函数及网络的学习训练问题，对缸套不同磨损故障进行了诊断．研究表明，这种基于多信息的诊断方法减小了故障诊断的不确定性，提高了诊断精度．