基于小波包LVQ网络的传感器故障诊断

提出小波包分解提取各个节点特征能量与LVQ神经网络进行故障模式分类的传感器故障诊断方法.小波包三层分解得到各个节点的分解系数,通过一定的削减算法使得故障瞬态信号的特征得到加强,再根据重构的时域信号计算各个节点对应的能量,作为特征向量训练LVQ神经网络.通过正常状态及各种故障模式下的特征数据训练,LVQ网络具有了传感器故障诊断的功能.最后,通过火箭发动机试车台液氢管路流量传感器数据对训练之后的LVQ神经网络进行检验,验证了这种方法的实用性和有效性.     

应用于姿态敏感器的SORNN微小故障诊断方法

为实现空间外部干扰和测量噪声存在情况下,航天器姿态敏感器微小故障的有效检测,以及方位敏感器和惯性敏感器之间的故障隔离,提出了一种基于自组织循环神经网络(self-organizing recurrent neural network, SORNN)的微小故障诊断方法。首先,设计了SORNN模型,包括网络结构自组织算法、终止条件和调整条件,实现对网络隐藏层神经元数量和循环记忆深度的自适应调节,用以提升网络的拟合性能。然后,针对姿态运动学子系统设计了基于SORNN的干扰观测器,给出网络权值更新算法并证明了状态估计误差的收敛性。将系统输出估计误差通过低通滤波器以抑制星敏感器测量噪声,推导更严格的残差和检测阈值进而提高对微小故障的检测能力。最后,针对姿态动力学子系统设计了故障隔离观测器,通过干扰解耦和干扰观测器的补偿消除未知扰动和噪声对残差的影响,利用动力学和运动学的冗余关系解决了两类敏感器故障的隔离问题。仿真结果表明,验证了所提方法对扰动和噪声掩盖下的星敏感器和陀螺微小故障检测与隔离的有效性。     

基于包络分析的坦克变速箱故障诊断研究

在对振动信号分析的基础上,提取了反映坦克变速箱故障的时域特征量和包络谱特征量.建立了基于BP神经网络的故障诊断系统,实现了坦克变速箱故障模式的自动识别,有效地检测了坦克变速箱的早期故障.     

小波神经网络在变压器故障诊断中的应用

为提高神经网络系统故障诊断的效率和准确率,考虑到小波变换的良好的时－频特性,本文结合小波变换和神经网络并应用于电力变压器的故障诊断中,取得了较好的效果。     

基于SOM神经网络的凝汽器故障诊断研究

应用自组织特征映射(SOM)神经网络实现凝汽器的故障诊断。介绍了SOM网络的结构和学习算法;总结了凝汽器的故障集、征兆集和故障特征数据。在MATLAB环境下给出了凝汽器故障诊断的具体实例,表明该方法是一种可行有效的凝汽器故障诊断方法。     

基于BP神经网络的变压器故障诊断及其应用

针对电力变压器故障的特点以及传统故障诊断方法在变压器诊断应用中的局限性,研究一种基于BP神经网络算法的变压器故障诊断方法．通过选择足够的故障样本训练神经网络,达到变压器故障诊断的要求,并通过实例证明本算法的有效性．     

基于神经网络数据融合技术的诊断系统的研究

神经网络数据融合技术的诊断系统是以电机振动信号和电流、电压信号为研究对象的,对采集到的3类信号进行实时处理,运用神经网络对数据进行局部诊断,再利用数据融合技术对故障信号进行全局分析融合,从而达到对电机故障类型的准确判断。通过运行表明,应用在故障诊断中的神经网络数据融合技术是一种故障识别率高、方便灵活而且诊断精度高的故障诊断方法。     

供热管网的二级BP神经网络泄漏故障诊断

为诊断供热管网泄漏情况,利用图论理论描述基于空间管网的泄漏工况水力计算模型,得出节点泄漏和管段泄漏工况下管网各点的压力变化情况.在此基础上采用人工神经网络方法建立基于二级BP神经网络的供热管网泄漏诊断系统,该方法可根据管网中压力监测点的压力变化进行泄漏位置和泄漏量的诊断,并通过实例验证了方法的有效性.结果表明:一级神经...     

基于EMD和SVM的传感器故障诊断方法

为了解决自确认压力传感器的故障诊断问题,提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数(IMF),对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型.通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中.     

集成神经网络在机械故障诊断中的应用

目前，机械故障诊断的关键是寻找一种使诊断结果更为有效的方法，对于复杂的故障，单一的神经网络诊断很难得出准确结果，考虑到旋转机械故障的复杂性，因而将集成神经网络应用于机械故障诊断中．根据故障的特点，将集成神经网络分为浅层次集成和深层次集成，并通过诊断实例验证了此方法的准确性．     

基于RBF网络的水位传感器故障诊断方法

将RBF网络应用于水位传感器的故障诊断,通过构建RBF网络估值器,提出了一种故障诊断方法。首先用影响汽包水位的各种相关参量的实测数据对RBF网络进行训练,然后用达到训练目标的RBF网络对汽包水位进行较高精度的估值;通过RBF网络估值器输出和水位传感器实际输出之差与设定的阈值比较检测传感器故障;若水位传感器出了故障,则诊断系统通过故障转换开关及时对水位监视或控制系统进行重构以消除故障的影响。仿真试验表明该方法能对水位传感器进行较有效的状态监测和故障诊断。     

Reconstruction based approach to sensor fault diagnosis using auto-associative neural networks

Fault diagnostics is an important research area including different techniques. Principal component analysis （PCA） is a linear technique which has been widely used. For nonlinear processes, however, the nonlinear principal component analysis （NLPCA） should be applied. In this work, NLPCA based on auto-associative neural network （AANN） was applied to model a chemical process using historical data. First, the residuals generated by the AANN were used for fault detection and then a reconstruction based approach called enhanced AANN （E-AANN） was presented to isolate and reconstruct the faulty sensor simultaneously. The proposed method was implemented on a continuous stirred tank heater （CSTH） and used to detect and isolate two types of faults （drift and offset） for a sensor. The results show that the proposed method can detect, isolate and reconstruct the occurred fault properly.     

基于蚁群优化神经网络的故障诊断

针对BP神经网络收敛速度慢,易于陷入局部极小点的问题,将蚁群算法引入BP神经网络的优化训练,建立了基于该算法的BP神经网络训练模型,并应用于电机转子故障诊断。结果表明,用蚁群算法训练神经网络具有较高的故障诊断精度,收敛性好,可以有效快速定位电机转子故障,提高诊断的效率和质量。     

大型风机的多层感知智能故障诊断方法研究

根据BP神经网络的基本原理,建立风机故障的智能诊断系统,给出风机常见故障模式样本及网络诊断输出结果。系统在设备出现异常后进行诊断,诊断结果准确可靠,通过对大型风机的故障诊断,验证其方法的可行性。     

基于小波和神经网络的传感器故障诊断

提出了一种新的基于小波包变换和BP神经网络的传感器突变故障诊断方法。根据小波变换在时域和频域都具有良好的局部化特性对信号特征进行精确定位,根据传感器输出信号的小波包分析提取能量变化率的特征向量,利用BP神经网络进行传感器故障分类。这种方法无需预先建立传感器模型和测量传感器输入信号,通过对小波包系数的削减,减少了冗余数据,提高了故障检测的实时性。仿真实验结果表明了该方法的有效性。     

基于知识的故障诊断方法综述

在简单介绍故障诊断理论的基础上，重点评述了基于知识的故障诊断方法发展状况，将其分为5大类，即专家系统故障诊断方法；模糊故障诊断方法；故障树故障诊断方法；神经网络故障诊断方法和数据融合故障诊断方法。对每类方法均介绍了它的诊断原理与步骤，分析了它的特点及局限性，最后指出了这一领域中有待进一步研究的若干问题和发展趋势。     

一维卷积神经网络实时抗噪故障诊断算法

针对旋转机械智能诊断方法计算量大和抗噪能力差的问题,在经典模型LeNet-5的基础上提出基于一维卷积神经网络的故障诊断算法.采用全局平均池化层代替传统卷积神经网络中的全连接层,在降低模型计算量的同时,降低模型参数数量和过拟合的风险;利用随机破坏后的时域信号进行训练以提高其抗噪能力;采用改进后的一维卷积核和池化核直接作用于原始时域信号,将特征提取和故障分类合二为一,通过交替的卷积层和池化层实现原始信号自适应特征提取,结合全局平均池化层完成故障分类.利用轴承数据和齿轮数据进行实验验证并对比经典模型LeNet-5、BP神经网络和SVM.结果表明:采用全局平均池化层可有效降低模型计算量,提高模型在低信噪比条件下的诊断精度,采用随机破坏输入训练策略可显著提升模型的抗噪诊断能力;改进后的模型可以实现噪声环境下准确、快速和稳定的故障诊断.通过t-SNE可视化分析说明了模型在特征学习上的有效性.     

模拟电路故障诊断的仿真研究

介绍改进的前馈神经网络在模拟电路故障诊断中的应用.利用Proteus仿真软件采集样本数据,在Matlab7.0的平台上训练前馈神经网络并仿真验证了改进的前馈神经网络应用于模拟电路故障诊断的可行性.     

基于神经网络的可控整流主电路故障诊断实现的研究

介绍了如何构建故障诊断目的的神经网络,模拟故障的实际采集数据和采用BP算法实现了神经网络的学习即神经网络的权值和阈值参数的确定,测试样本的输出结果表明构造网络的实用性和学习训练参数的正确性.     

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。