基于神经网络的液压泵故障诊断

本文提出了一种基于多层感知器神经网络的液压泵故障诊断技术，并建立了从故障信号采集，预处理到诊断的整个框架。最后对某柱塞泵作了试验。     

模糊Petri网在液压泵故障诊断中的应用研究

液压系统的故障诊断已经成为世界性的研究课题,如何快速、准确地诊断出故障的原因和位置,也是许多专家研究的问题.在液压诊断系统中引入模糊Petri网作为推理机制来判断故障的原因和位置,并具体介绍模糊Petri网在液压泵诊断过程中的应用.     

基于Elman神经网络的液压泵故障诊断模型研究

针对传统BP网路进行液压泵故障诊断时，网络学习具有收敛速度慢和学习、记忆不稳定的缺陷，提出了将Elman神经网络应用于液压泵故障诊断的新方法，建立了Elman神经网络的应用结构模型，介绍了该网络的训练算法，阐明了液压泵故障诊断的实现过程。通过试验验证了该神经网络收敛速度快，学习记忆稳定，具有很好的学习功能；测试结果表明该诊断方法具有高可靠性，达到了预期的效果，可以用于液压泵故障诊断。     

倒频谱在液压泵故障诊断中的应用

本文通过对轴向柱塞泵壳体振动加速速度信号的监测,利用倒频谱分析技术,不仅有铲地识别出了松靴故障,而且消除了传感器安装位置对监测分析结果的影响,为液压泵的故障诊断技术提供了方便。     

人工神经网络在液压泵故障诊断中的实现

本文介绍了人工神经网络对液压泵进行故障诊断的原因、结构及网络训练步骤。     

粗糙集在液压泵故障诊断研究中的应用

针对液压泵故障诊断的现实需要,提出了基于粗糙集理论的故障诊断方法.该方法利用小波分析对测量的原始数据进行去噪处理并结合Labview软件进行特征提取,得到揭示其内在规律的数据信息并建立故障诊断决策表.采用粗糙集理论提取决策表中的诊断规则,为液压泵的故障诊断提供有效的依据.通过实验证明了该方法可有效的应用于液压泵的故障诊断.     

基于VMD分解与卷积神经网络的液压泵故障诊断

针对液压泵数据退化特征维数高以及故障诊断精度不高的问题,提出了一种基于变分模态分解（Variational mode decomposition,VMD）与卷积神经网络（Convolutional Neural Network,CNN）的液压泵故障诊断方法。利用VMD良好的分解能力处理高维度数据,进行数据扩展,提取详细特征;基于CNN良好的特征提取和分类性能,在不需要先验知识的情况下直接从数据中提取特征,实现高精度故障诊断。该方法因具有端到端特征学习能力,在实测液压泵数据上进行验证,具有较高的故障诊断精度和稳定性。     

基于敏感度分析与概率神经网络的液压泵故障诊断方法研究

为了提高液压泵故障诊断的速度与准确性,提出了将敏感度分析与概率神经网络相结合的液压泵故障诊断方法。分析了不同状态下振动信号的时域图与频谱图,得出使用传统方法不易对液压泵进行故障诊断的结论。对各种状态下的振动信号提取特征参数,并对所提取特征参数进行敏感度分析。将敏感度高的特征参数以向量的形式输入概率神经网络进行训练和测试。实验表明:概率神经网络能快速、有效的诊断出液压泵的故障,节约诊断时间。将敏感度分析与概率神经网络相结合能提高概率神经网络诊断的正确率。     

基于熵的Mass函数算法及在液压泵故障诊断中的应用

如何确定Mass函数是D-S证据理论的棘手问题,本文从信息论的观点出发,提出一种新的计算Mass函数的算法.该算法依据证据体可信度因素和证据体与目标关联的相对熵来分配证据体的Mass函数,较全面反映证据体的不确定性.将方法应用于液压泵诊断中,结果表明它获取的Mass函数是符合实际情况的,具有较好的实用性,而且其算法容易实现.     

数据融合和Manhattan距离在液压泵故障诊断中的应用

对液压泵的信号经特征提取后,构造了时域和频域两个证据体,并利用Manhattan距离方法建立了证据体的基本可信度分配函数,对得到的可信度通过数据融合进行液压泵的故障诊断.实例表明该方法计算量小,故障诊断准确率高.     

液压泵故障诊断的小波-神经网络方法

针对利用压力信号进行故障诊断的液压齿轮泵,分析了液压齿轮泵的压力脉动机理,研究了应用小波分析进行齿轮泵压力信号的特征提取,利用RBF网络进行故障识别和诊断的方法,建立了相应的RBF神经网络,试验表明小波分析-RBF神经网络方法可对液压齿轮泵的常见故障进行识别和诊断.     

神经网络在复杂液压系统故障诊断中的应用

尝试将BP神经网络应用于液压系统的故障诊断,阐述了基于BP神经网络的故障诊断专家系统的基本结构及知识库组建的方法。结合工程机械液压系统,建立了适合复杂系统故障诊断的复合神经网络结构。该诊断系统具有知识库规模小、推理速度快、推理过程及结论明确等优点。     

基于卷积神经网络的液压缸内泄漏检测

由密封损坏引起的液压缸内泄漏会导致液压系统工作的不稳定。本文作者提出一种基于卷积神经网络的检测方法，先经过仿真得到在无泄漏、小泄漏、中等泄漏和大泄漏4种工况下的液压缸一个腔的压力信号，通过卷积神经网络的学习与训练，使其在不确定工况下通过输入压力信号自动地检测液压缸的泄漏程度。相比于传统的建模方法，文中方法克服了在非线性液压系统中建模难点，只需要采集压力信号，且简单可行，具有很高的可靠性；将该方法与传统的BP神经网络作对比，证明该神经网络的优越性     

基于卷积神经网络的液压缸内泄漏检测

由密封损坏引起的液压缸内泄漏会导致液压系统工作的不稳定。本文作者提出一种基于卷积神经网络的检测方法,先经过仿真得到在无泄漏、小泄漏、中等泄漏和大泄漏4种工况下的液压缸一个腔的压力信号,通过卷积神经网络的学习与训练,使其在不确定工况下通过输入压力信号自动地检测液压缸的泄漏程度。相比于传统的建模方法,文中方法克服了在非线性液压系统中建模难点,只需要采集压力信号,且简单可行,具有很高的可靠性;将该方法与传统的BP神经网络作对比,证明该神经网络的优越性     

多传感器信息融合在液压系统智能故障诊断中的应用

针对采矿工程机械液压系统故障诊断方法存在的局限性,提出了一种基于多传感器信息融合的智能故障诊断方尊。该方法采用模糊神经网络融合诊断中心作为故障诊断的执行机构,算法上采用BP算法。通过一实例论证了在液压系统故障诊断中采用多传感器信息融合故障诊断方法比采用单传感器信息故障诊断方法更具有准确性和可靠性。     

基于优化VMD和BP神经网络液压管路故障诊断研究北大核心

针对航空发动机液压管路故障信号易受噪声干扰、管路故障诊断准确率不高等问题,提出基于优化变分模态分解和BP神经网络的故障诊断方法。利用遗传算法自适应确定变分模态分解K、α的最优参数,然后采用优化后的变分模态分解方法对航空液压管路的振动信号进行分解,最后将故障特征明显的故障分量输入BP神经网络模型中进行训练和分类。结果表明:提出的基于变分模态分解与BP神经网络的航空液压管路故障诊断方法能够精准识别出航空液压管路多种不同的故障状态。     

基于TSMAAPE与WOA-KELM的液压泵故障诊断北大核心

多尺度排列熵(MPE)是一种非线性动力学方法,广泛应用于旋转机械的故障诊断。然而,排列熵没有考虑具有相同排列模式的时间序列可能具有不同的振幅,并且粗粒化方法存在缺陷。为解决上述问题,提出时移多尺度振幅感知排列熵(TSMAAPE)。利用时移时间序列改善MPE中粗粒度时间序列存在的不足,同时引入振幅感知排列熵。通过与时移多尺度排列熵和多尺度振幅感知排列熵进行对比,验证TSMAAPE的鲁棒性。考虑到TSMAAPE在特征提取方面的优势,结合鲸鱼优化算法优化的核极限学习机,提出一种液压泵智能故障诊断方法。结果表明:该方法对液压泵的不同故障具有较好的分类准确率,在故障诊断领域有广阔的应用前景。     

一种改进的BP神经网络在故障诊断中的应用研究

人工神经网络作为一个具有高度非线性映射能力的计算模型,在工程中具有广泛的应用前景.它不需要预选确定样本的数学模型,仅通过学习样本数据即可以进行故障诊断.本文结合计算机综合业务的一些实际问题,探讨了利用改进的BP神经网络进行故障诊断的方法和应该注意的问题,在分析神经网络的基础上提出了基于改进的BP模型神经网络的故障诊断推理方法.结果表明,基于BP神经网络的故障诊断方法是行之有效的.     

BP神经网络在挖掘机液压系统故障诊断中的应用

介绍了BP网络的结构及学习算法,阐明了液压系统故障诊断的实现过程.通过对挖掘机液压系统常见故障进行试验和测试,验证了该神经网络收敛速度快,学习记忆稳定,具有很好的学习功能;测试结果表明该诊断方法具有高可靠性,达到了预期的结果,可以用于液压系统的故障诊断.