神经网络聚类方法在旋转机械故障诊断中的应用研究

在基于神经网络的聚类学习方法中，分有监督学习方法和无监督学习方法，本文采用无监督学习方法对旋转机械中常见故障的分类进行了较为详细的研究，以此分类结果来达到故障诊断的目的。文中还具体描述了该算法的实现方法，研究结果表明：该方法克服了有监督学习方法的旋转机械故障诊断技术的某些缺陷，是进行大型旋转机械故障诊断的一种行之有效的方法。     

机械故障诊断的神经网络技术

首先论述各种状态信息和设备状态之间的对应关系，即模式分类的重要性，然后通过学习，建立故障诊断的神经网络模型，并应用于大型旋转机械的故障诊断，实验研究表明，神经网络能够较好表达训练样本要求的决策区域，具有较强的分类能力，利用机械振动特征信息进行训练的网络对大型旋转机械个故障有较好的联想能力，其识别效果令人满意，投入现场应用是可行的。     

旋转机械故障神经网络诊断征兆表的建立

旋转机械是国民经济建设中不可缺少的关键设备,对其故障诊断方法的研究具有重要意义。当前旋转机械故障诊断的关键就是寻找使诊断结果准确的方法,进行设备故障诊断的前提是对旋转机械故障机理有比较明确的认识。简述了旋转机械故障诊断的特征提取的重要性,说明了应用神经网络进行诊断时建立故障征兆表的意义;分析了松动故障和摩擦故障的机理,提出了与松动故障有关的“共生故障”的概念;在此基础上建立了适合于透平压缩机组和汽轮机等旋转机械故障诊断的征兆表。用此表结合神经网络和演化算法进行诊断,开发了一个通用型智能旋转机械故障诊断系统。     

旋转机械运行状态的模糊模式识别

针对旋转机械运行状态的异常差别和故障分类问题，提出了模糊报警方法和特征空间异常判别法，在此基础上介绍了几种模糊模式识别的故障分类方法，并给了四种典型故障诊断实例，分别对这几种方法进行了分析和比较。     

基于神经网络的旋转机械故障诊断系统

应用神经网络方法对旋转机械的故障诊断进行了实用性研究,给出了神经网络的诊断模型,并研制出相应的基于神经网络方法的旋转机械故障诊断系统,实际运行的结果表明,该系统对故障的诊断是有效的．     

基于密集连接卷积网络和支持向量机的飞行器机械部件故障诊断

针对旋转机械故障诊断浅层学习方法的高级特征提取问题和实际工程中可利用故障样本数量较少对诊断精度影响大的问题,提出了一种基于密集连接卷积网络(DenseNet)和支持向量机(SVM)的旋转机械故障诊断方法。首先,使用连续小波变换(CWT)将振动信号段转换为时频图像样本;然后,将试验样本输入DenseNet网络模型进行深层特征的提取;最后,将提取到的特征输入SVM模型进行训练,从而实现旋转机械的故障诊断。仿真结果表明:与其他先进模型相比,本文方法得到了更高的诊断准确率,证明了该方法的有效性和可行性。     

基于机器学习的网络流量分类综述

网络流量分类对于网络优化、网络安全预警、用户个性化服务等具有重要意义。随着通信和信息技术的发展，传统的基于端口以及深度包检测的分类方法由于私有协议的广泛应用已不能满足需求。基于机器学习的分类算法被应用于流量分类研究，但加密技术为流量分类的特征提取带来一定难度。首先总结了网络流量分类的基本流程；其次分析了分类粒度及其应用场景，并对目前流量分类的主要技术按照监督学习、半监督学习、无监督学习进行了分类研究；最后对网络流量分类技术的发展趋势及面临挑战做了展望，为网络流量分类研究提供一定的参考。     

应用经验模态分解下的AR模型提取旋转机械故障特征

将时间序列的AR模型引入到旋转机械故障诊断中,采用了经验模态分解与AR模型相结合的方法提取旋转机械的故障特征。通过选取含有故障信息的固有模态函数进行功率谱分析,提取故障特征,分析故障原因。仿真和试验结果表明,此法能够有效地提取故障特征参数,为旋转机械的故障诊断提供了方法保障。     

基于神经网络的机械故障诊断系统

给出了自适应神经网络学习模型及自适应神经网络的诊断过程，探讨了动量系数和学习率自适应调整的神经网络算法，进一步给出了动量系数和学习率的调整方法，并将其作为机械故障的特征识别方法．由此建立了基于神经网络的旋转机械故障智能诊断系统，给出了诊断系统的训练学习方式和工作方式．两种学习系统的训练方式，可作为旋转机械在线或离线故障诊断分析的重要方法．     

并行遗传神经网络及其在机械故障诊断中的应用

在机械故障诊断中，对并发的故障进行诊断是一个备受关注的问题。为此，提出了用并行遗传神经网络诊断并发的故障的新方法。介绍了并行神经网络的结构、遗传算法的建模原理及并行遗传神经网络的结构和诊断机理。以某大型旋转机械为诊断对象讨论了该方法的实现技术，并与传统的BP(back—propagation)网络用于故障诊断的方法进行了比较。实验仿真结果表明，该方法在训练网络过程中能够避免网络陷入局部极小，加快网络训练的速度，减少诊断时间。     

Gauss-Newton神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力,可以很好地描述频率特征和诊断结果之间的关系.针对BP神经网络存在局部极小值和收敛速度慢等问题,提出了一种基于Gauss-Newton的改进的BP网络.论述了Gauss-Newton神经网络的基本原理以及学习、运行过程,通过模拟运算指出了Gauss-Newton神经网络具有较快的学习速度,进而探讨了Gauss-Newton神经网络在旋转机械故障诊断中的应用,将该网络模型应用于旋转机械故障诊断,显示出Gauss-Newton网络具有诊断精度高、容错性和稳定性好的优势.     

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     

高速旋转机械故障智能诊断系统的研究

目的 研制一种新型的故障诊断系统，解决高速旋转机械复合型故障诊断的问题．方法 将神经网络理论应用于故障诊断中，把信号采集、状态监测、信号分析和智能诊断组合在一起。并以H1C型涡轮增压器为诊断研究对象，进行了该系统的试验验证．结果 得出的该系统的诊断结果与理论上分析得出的结果基本一致．结论 证实了所研究的该系统是可信的，它能够准确、快速地诊断出设备存在的故障．基于神经网络理论的机械故障智能诊断系统在解决复合型故障诊断方面更具有优越性与高效性，并为其现场应用于实时监测和实时诊断奠定了试验基础和技术支持．     

A recognition method of vibration parameter image based on improved immune negative selection algorithm for rotating machinery

To overcome the limitations of traditional monitoring methods, based on vibration parameter image of rotating machinery, this paper presents an abnormality online monitoring method suitable for rotating machinery using the negative selection mechanism of biology immune system. This method uses techniques of biology clone and learning mechanism to improve the negative selection algorithm to generate detectors possessing different monitoring radius, covers the abnormality space effectively, and avoids such problems as the low efficiency of generating detectors, etc. The result of an example applying the presented monitoring method shows that this method can solve the difficulty of obtaining fault samples preferably and extract the turbine state character effectively, it also can detect abnormality by causing various fault of the turbine and obtain the degree of abnormality accurately. The exact monitoring precision of abnormality indicates that this method is feasible and has better on-line quality, accuracy and robustness.     

模糊神经网络故障诊断专家系统

模糊诊断和神经网络有机结合能够提高设备故障诊断技术水平，文章阐述了单症兆诊断模型及多症兆诊断模糊模型与神经网络的有机结合；论述以模糊诊断原理为根据发展的扩展神经网络子网和子节点的可塑性学习方法和以模糊模式识别理论指导学习样本的组织方法。简述基于上述模糊神经网络的诊断系统及诊断系统的生产现场实例验证。     

集成神经网络在旋转机械故障诊断中的应用

目前,机械故障诊断的关键就是寻找一种使诊断结果更为准确的方法,根据旋转机械故障的特点,提出了运用集成神经网络进行故障诊断的方法,并通过具体的实例说明了这种方法的有效性。     

基于 BP 网络的旋转机械故障诊断

分析了旋转机械振动故障的特性,在此基础上对基于ＢＰ算法的诊断方法进行了研究,建立了振动故障诊断的神经网络模型,对影响诊断网络的参数进行了详细分析,获得了用于振动故障诊断的最佳网络模型。针对ＢＰ网络收敛速度慢的缺点,提出了改进算法。该诊断模型在模拟转子实验台上进行了实验验证取得了良好的效果。     

基于ANN的矿井提升机故障诊断系统的应用研究

将基本BP算法的改进算法（LMBP算法）利用数值分析的方法进行改进,并将其应用到矿井提升机的故障诊断系统中,改进后的算法能提高网络的训练速度;同时设计了基于ARM芯片和Vxworks操作系统的故障诊断板,并利用BorlandC＋4-builder作为故障诊断界面的设计软件,将新集集团某矿井提升机液压站系统作为实验室仿真研究对象。结果表明,该故障诊断系统具有较好的硬件稳定性,较快的神经网络训练速度,较好的诊断结果。