基于改进的BP神经网络的柴油发动机故障诊断

柴油发动机采用高压共轨燃油喷射技术,提高了柴油机的综合性能,但高压共轨柴油机电控系统比较复杂,增大了柴油机故障诊断的难度。该文介绍了BP神经网路及LM算法,并利用改进的BP神经网络对发动机电控系统故障进行诊断研究。以长城哈佛GW2.8TC发动机为实验对象,让发动机在怠速状态下,对发动机进行故障设置,利用金德KT600故障诊断仪采集发动机的故障数据流,运用改进的BP神经网络建立诊断模型,诊断结果表明改进的BP神经网络的收敛速度快,运用改进的BP网络诊断柴油机电控系统故障是行之有效的。     

基于神经网络信息融合的柴油机故障诊断

本文论述了神经网络信息融合的原理与方法,首先就BP网络训练速度慢,易陷入局部极小点的问题,提出将附加动量项与自适应学习速率相结合的改进BP算法,有效地抑制了网络陷于局部极小并提高了收敛速度。最后,将振动信号与血管压力信号作为特征参数,分别采用传统BP算法,改进BP算法对供油系统的三种故障进行信息融合诊断分析。实践表明,神经网络信息融合方法非常适用于多征兆机械系统的故障诊断。     

基于模糊理论的柴油机故障诊断专家系统

针对柴油机故障征兆、故障原因及故障机理的复杂性和模糊不确定性,将模糊数学理论与故障诊断专家系统引入柴油机故障诊断。建立故障诊断的模糊模型、模糊隶属度函数,利用模糊产生式系统实现了模糊性知识表达,论述了模糊诊断原则和推理诊断流程,构建了基于模糊理论的柴油机故障诊断专家系统。通过一个具体故障诊断案例证明系统能够快速、准确地推断出故障原因,同时也证明了该方法的实用性。     

基于神经网络的数控机床故障诊断专家系统

针对传统专家系统在处理故障诊断中的不足,提出了将神经网络技术与专家系统融合的诊断模型,并用于数控机床的故障诊断中.介绍了诊断系统结构、功能及改进的BP神经网络算法,并给出了应用实例.试验结果表明,该方案合理、可行,有较好的应用前景.     

基于CPSO-BP神经网络的柴油机排气门间隙故障诊断

针对柴油机排气门间隙故障信号不易提取的特点,提出了将混沌粒子群神经网(Chaotic particle swarm optimization-Back Propagation,CPSO-BP)聚类模型应用于柴油机排气门间隙故障诊断.首先,采用经验模式分解(Empirical Mode Decomposition,EMD)对柴油机振动信号进行分解,将得到的前6个模态函数能量百分比作为反映故障状态的特征参数,重构BP神经网并用混沌粒子群算法对其结构和权值进行优化;最后,基于优化的神经网对排气门间隙为0.2mm,0.4mm,0.6mm等3种故障工况的信号进行聚类.结果表明:所有样本的测试结果均与实际状况一致,该方法可以较好地用于排气门间隙故障诊断.     

基于能量谱分析的柴油机故障诊断

研究了小波包能量谱分析和能量谱分析在某柴油机故障诊断中的应用。以柴油机的供油提前角减小2.5°和空气滤清器堵塞2种故障为例,把用2种方法提取的特征向量作为神经网络的输入特征,然后进行故障诊断。对比测试结果得出能量谱分析法的实用性强于小波包能量谱分析法。     

基于RBF神经网络的飞机蓄压油箱爆破故障诊断

本文采用径向基（RBF）神经网络，对军用飞机燃油系统蓄压油箱空中爆破进行故障诊断，结果表明RBF神经网络具有精度高，收敛速度快等优点，可应用于飞机燃油系统其它部件的故障诊断。     

融合电控柴油机传感器数据的贝叶斯综合故障诊断网络研究

针对电控柴油机故障源多样性和不确定性的问题,对故障现象、状态数据提取及处理、贝叶斯故障诊断网络、故障源的先验概率获取、故障源的确定等方面进行了研究,在故障现象出现的情况下对如何有效确定故障源进行了分析和归纳,构建了融合传感器数据的电控柴油机贝叶斯网络综合故障诊断模型,提出了使用传感器数据技术检测电控柴油机工作状态,并结合经验法等估算出各类故障源的先验概率。通过运用贝叶斯网络技术推断查找到故障源的方法,并以丰田1KZ电控柴油发动机为实验对象,使用Hugin Expert工具对该诊断网络进行了推理验证。研究结果表明,该诊断网络充分发挥了传感器数据诊断技术的实时性和贝叶斯网络技术的判断决策能力,有效提高了电控柴油机故障诊断的正确率和实效性。     

基于神经网络的电动机逆变驱动系统故障诊断

针对电动机变频调速系统中逆变器开关元件故障类型多，传统故障诊断方法难以实现故障分离等情况，本文提出了一种基于神经网络的电动机变频调速系统故障诊断方法。通过对逆变器输出信号的谱分析可以获得对故障敏感的故障特征量，将这些故障特征量输入神经网络后，由网络输出层的结点输出可以判断故障类型，从而实现故障分离。研究结果表明，该方法可有效实现开关元件断路、短路故障，为进一步实现逆变器容错驱动奠定了理论基础。     

基于神经网络的压缩机故障诊断

对离心式空气压缩机动不平衡的故障问题，采用神经网络的BP(Back　Propagation)算法进行故障模式识别和诊断，并针对传统BP算法收敛速度慢，宜陷入局部最小的情况，从以下方面进行处理：其一，使用带动量改进型反向传播BP算法加快了收敛速度；其二，训练过程中对隐层和输出层采用了双曲正切阈值激励函数进行训练，解决了Sigmoid函数在0和1附近易陷入平坦区的情况。成功实现了故障样本空间到诊断数据空间的影射，并立在理论上给出了数学推导。     

基于对向传播神经网络的齿轮箱故障诊断研究

介绍了CPN网络的原理、算法,利用神经网络具有任意逼近非线性函数的能力,建立了齿轮箱故障征兆与故障原因的对向传播神经网络模型。并用CPN网络对齿轮箱机械传动系统的故障进行了诊断。实例结果表明,该方法能够准确地诊断齿轮箱故障,同时具有训练速度快、结构简单、精度高等特点,是一种行之有效的诊断方法。     

基于小波神经网络的模拟电路故障诊断

本文对模拟电路提出了一种基于小波神经网络的故障诊断方法。该法利用小波空间中函数的多分辨率分解思想，构造了一种激励函数为具有紧支撑集的尺度函数和小波函数的小波神经网络。这种小波神经网络隐层节点数的选取有理论根据，解决了传统神经网络隐层节点数难以确定的问题。分别用本文提出的小波神经网络和传统BP网络对实例电路进行故障诊断，结果发现，小波网络比传统BP网络方法不仅学习收敛速度快，而且有效地避免了局部最小值问题。     

基于RBF神经网络的多转子故障类型诊断

对多转子系统中转子故障诊断进行了研究,以转子正常、偏心、不平衡和弯曲四种工作状态为例,采用径向基函数(RBF)神经网络对故障进行诊断.通过快速傅里叶变换和能量谱对转子振动信号进行特征提取,并将提取的特征向量作为神经网络的输入,实现多转子故障类型的识别.结果表明,利用能量谱和RBF神经网络能够有效地识别转子故障类型.     

复合神经网络在柴油机故障诊断中的应用

以自组织特征映射网络SOM(Self-Organizing Feature Mapping)和误差反向传播网络BP(Back Propagation)为理论基础,提出了SOM-BP神经网络模型,将某内燃机燃油系统故障及其相关参数作为训练样本,通过仿真试验,验证了复合神经网络在柴油机故障诊断中的正确性和精确性.     

基于BP神经网络的液压马达故障诊断

以液压系统中液压马达为研究对象,提出了一种基于故障表征的诊断模型,该模型无需建立被诊断对象的精确数学模型,只需以显性的故障表征作为诊断模型的输入,并为其建立BP神经网络模型,运用MATLAB给出该网络的训练过程及结果,并提供应用于液压马达的故障诊断实例.     

神经网络和专家系统在汽车发动机故障诊断中的应用研究

运用神经网络与专家系统两种人工智能技术,通过对汽车发动机废气中CO,HC,CO2和02含量的分析进行故障推理和诊断.神经网络与专家系统主要采用串行连接,用神经网络模块进行故障分类,再经专家系统给出解释并进一步推理,得到具体的诊断结果,从而实现发动机常见故障的快速、准确和智能化诊断.     

基于可变风险SVM模型的柴油机故障诊断技术

针对传统故障模式识别方法不能区别不同误判所造成损失不同的问题,提出了可变风险支持向量机(SVM)模型,对传统SVM模型的最优分类面进行重新设计,在利用实际数据识别故障的同时融入专家经验,使故障识别结果更具可靠性,该方法已成功应用于柴油机故障诊断.     

基于改进BP神经网络的故障诊断方法

对于常规BP神经网络,其收敛过程存在两个很大的缺陷:收敛速度慢;存在所谓"局部最小值"问题.文章采用了一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练,建立了智能诊断模型,并应用于某型坦克发动机的故障诊断,测试结果表明该方法相比常规BP算法能够更有效诊断发动机油路和气路的故障,从而为故障诊断及判定的自动化提供了一个新思路.     

基于排气分析的发动机故障诊断模糊神经网络模型

根据基于排气的发动机故障诊断中信息模糊、多变的特点,结合模糊逻辑系统的鲁棒性、神经网络的时变性和非线性等优势,建立了发动机故障诊断的模糊神经网络模型.模型的训练与测试结果表明,该模型提高了发动机故障诊断的准确性.     

基于遗传算法的BP神经网络滚动轴承故障诊断

针对滚动轴承的故障诊断问题,提出了一种基于遗传算法的BP神经网络滚动轴承故障诊断方法。以BP神经网络的误差为目标函数,利用遗传算法进行BP神经网络的权值和阈值优化,并用优化后的BP神经网络进行故障诊断。通过MATLAB仿真,结果表明遗传算法优化的BP神经网络相比传统的BP神经网络具有更好的诊断效率和准确度。