基于深度学习的家用电器电机故障诊断方法研究

针对目前家用电器电机采用人工听诊方式判断电机故障的现状,设计基于深度学习的电机故障诊断方法,旨在实现电机生产线的自动化与智能化。文章设计一个二分支的一维卷积神经网络,并在该基础上优化混合切片二分支卷积神经网络模型。经实验验证,该网络使用后,训练集准确率能达到99.67%,测试集准确率能达到98%,采用该方法进行电机故障噪声诊断准确率高且实用性好。     

基于改进BP算法的异步电机故障诊断

提出一种基于改进BP算法的异步电机故障诊断方法,不仅能够对电机的四种故障状态做分类识别,而且能够提高网络的收敛速度并避免其陷入局部极小.首先,根据故障特征向量与异步电机故障类别之间的映射关系,建立基于BP神经网络的故障诊断模型,然后利用故障样本对该模型进行训练与测试.仿真结果表明,该方法能有效地识别异步电机的四种故障类...     

基于退火BP神经网络的模拟电路故障诊断方法

针对BP神经网络在模拟电路故障诊断中存在的固有缺陷,提出模拟退火(simulated annealing,SA)算法与BP算法相结合的神经网络故障诊断方法,发挥SA算法全局寻优的特点来优化BP神经网络的学习过程,避免网络训练收敛速度慢和陷入局部极小;应用MATLAB编写程序对一典型模拟电路的仿真故障样本进行训练,在其它初始条件都相同的情况下,基于提出的算法神经网络比传统BP算法神经网络训练收敛速度快且诊断精度高,是一种新的有效的模拟电路故障诊断方法。     

一种煤矿带式输送机故障诊断方法

针对煤矿带式输送机故障种类繁多且各征兆存在交叉,严重影响故障诊断的时效性和可靠性的问题,提出了一种煤矿带式输送机故障诊断方法。该方法采用粗糙集与神经网络相结合的故障诊断技术,通过粗糙集属性约简算法优化输入的故障征兆集,得到最优约简集;将约简后的最小条件属性集输入BP神经网络进行合理训练,经过不断学习优化,最终得到诊断决策规则;将约简的相应测试征兆属性样本输入训练好的网络进行故障诊断,判别出相应故障。仿真结果表明,该方法能够充分删除冗余信息,加快网络训练速度,提高带式输送机故障诊断精度。     

基于深度度量学习的电机故障诊断

深度学习以其强大的自适应特征提取和分类能力在机械大数据处理方面取得了丰硕的成果,由于电机结构的复杂性,其信号表现出的非平稳、非线性和复杂多样等特点,使得传统分类方法中的Softmax分类器+交叉熵损失函数对电机故障诊断力不从心。根据电机信号非平稳、数据量大等特点,结合短时傅里叶变换(STFT)与深度学习中的卷积神经网络(CNN)算法和Triplet Loss三元组思想,提出了深度度量学习电机故障诊断方法。该方法能将电机故障信号转换成时频谱图,同时构建CNN,将预处理后的样本用于CNN的训练,采用Triplet Loss作为损失函数度量故障数据高维特征间的距离,并结合标签有监督地微调整个网络,从而实现准确的电机故障诊断。实验表明该方法在处理复杂数据时能够度量特征在高维空间中的距离,高效完成故障诊断任务,弥补了交叉熵函数的不足。     

基于信息融合技术的电机故障诊断

为了能够从多方面反映电机系统状态,实现对电机故障模式的自动识别与准确诊断,将信息融合技术与神经网络相结合,建立电机故障诊断系统。在数据融合级上,将故障特征量进行分类处理,然后,采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,再运用DempserShafer(D-S)证据理论融合算法对各证据进行融合,最终,实现对电机故障的准确诊断。诊断测试试验证明:该诊断系统提高了电机故障诊断的精度,并能满足诊断的实时性要求。     

基于胶囊神经网络的涡扇发动机故障诊断方法

针对航空涡扇发动机数据集故障分类准确率较低的问题,提出一种基于胶囊神经网络的涡扇发动机故障诊断方法。首先确定故障类型和关键变量,然后构建卷积胶囊神经网络模型,将分割的训练集数据输入模型进行训练,最后利用诊断模型诊断测试集数据并计算分类识别准确率。将所提算法在NASA涡扇发动机数据集上进行测试,证明了该模型的分类识别准确率有所提高,可为涡扇发动机的故障诊断提供帮助。     

长短时记忆网络在电机故障诊断中的应用研究

针对电机故障诊断采用传统神经网络存在的梯度消失等问题,提出了一种长短时记忆(LSTM)神经网络与Softmax多分类器结合的诊断方法。首先,利用LSTM神经网络在提取时间序列特征方面的良好特性,通过LSTM神经网络与Softmax多分类器构建故障诊断模型。然后,通过Tensorflow学习框架有效提取故障数据特征,并将具有强泛化能力和鲁棒性的Softmax多分类器对其分类,从而诊断出电机内圈、外圈和滚珠三种常见故障,提高诊断结果的准确率,改善传统方法存在的不足。最后,仿真验证所提方法的有效性与可行性。与传统神经网络和堆栈稀疏自编码器分类结果相比,采用LSTM神经网络诊断方法其准确率达到98. 3%,在电机故障诊断中具有更好的诊断效果,且对提高故障诊断的准确率有一定的作用。     

航空发动机整机振动故障智能诊断技术研究

针对BP神经网络和支持向量机对整机振动故障诊断时的低效问题,提出了一种基于多类协同训练的航空发动机整机振动故障诊断方法.引入逻辑回归算法构建初始故障分类器,设计了一种新的属性划分算法来迭代优化故障分类器,基于优化后的故障分类器进行故障类别预测,并使用多数投票机制进行故障仿真识别.实验采用某航空发动机整机振动数据作为样本数据集,并从中选择80％的数据用于训练,20％的数据用于测试,同时验证了在噪声信号的干扰下该方法对故障数据的诊断准确性.结果表明,该方法可有效降低噪声信号对故障诊断结果的影响,且诊断准确性高,具有重要的工程实用价值.     

遗传神经网络在模拟电路故障诊断中的应用

针对传统BP神经网络在模拟电路故障诊断中存在的不足,提出遗传算法和BP神经网络相结合的遗传神经网络模拟电路故障诊断方法;充分利用遗传算法全局、并行寻优的能力对BP神经网络的学习过程进行优化,防止神经网络训练时出现收敛速度慢和陷入局部极小等缺陷;在MATLAB平台上编程实现模拟电路故障诊断的仿真实验;仿真结果表明,相对于传统的BP神经网络算法,遗传神经网络算法不仅提高了网络训练收敛速度,而且提高了模拟电路故障诊断平均正确率,为模拟电路智能化诊断提供一种新的思路。     

基于卷积神经网络的发动机故障预测方法

近年来,卷积神经网络(CNN)等深度学习方法的发展为发动机故障诊断和预测带来了新的思路。CNN具有局部连接、权值共享、池化操作以及多层结构等特点,能够有效提取局部特征,降低网络的训练难度,使CNN具有很强的学习能力和特征表达能力。开展了深度卷积神经网络故障预测方法研究,实现了面向发动机气路故障预测算法架构。利用基于发动机试验仿真数据对该方法进行了验证,并与其他几种常见的基于数据驱动的预测方法进行了比较,验证结果表明本文提出的基于卷积神经网络的预测方法具有较好的可行性和效果,可作为开展发动机PHM技术研究的参考。     

基于信息融合的电机音频故障诊断

针对目前电机音频故障诊断单传感器信号分析可靠性不足的缺点,将信息融合技术与神经网络相结合,建立电机故障诊断系统。采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,运用D-S证据理论合成算法对各证据理论进行决策级融合,构建了电机故障音频多源信息诊断系统模型,并对此模型进行了验证,取得了良好的诊断效果。     

一种多轨道动态隧道技术训练BP网络算法

BP算法训练神经网络具有训练易陷入局部极小,收敛速度缓慢的缺点.将动态隧道技术运用到训练BP网络上,可以有效的改进BP网络易陷入局部极小的缺陷,但是传统的动态隧道技术训练BP网络算法在隧道方向具有不稳定性.提出一种多轨道动态隧道技术训练BP网络算法,在原基础上,增加了隧道搜索方向,考察搜索方向之间的相互影响,有效的改进了原算法的搜索效率.还对提出的新算法进行了性能分析,通过两种数据集进行了实验验证,证明其性能优于传统的动态隧道技术训练BP网络算法.     

基于改进混沌神经网络的飞机舵面故障预测研究

结合混沌序列的相空间重构理论和BP神经网络预测理论,构建了一个基于时间序列预测的混沌神经网络模型;考虑基本BP神经网络采用的梯度学习算法收敛速度较慢的缺点,文章利用改进的Levenberg-Marquart(L-M)优化学习算法对网络进行训练;最后对一组飞机舵面卡死故障数据进行仿真实验,结果表明该模型不仅提高了预测精度,而且网络收敛速度也得到明显的改善,有效避免神经网络局部极小问题,可以较好地对飞机舵面卡死故障进行预测.     

基于H-BP神经网络的设备故障诊断方法

BP神经网络在训练过程中容易出现局部最小从而无法获得最优解,在进行故障诊断时还会出现误判的情况.针对这一问题,本文提出H-BP,简神经网络故障诊断方法,该网络结合Hopfield神经网络的全局最优计算能力和BP神经网络的解决非线性分类问题的优势,避免了网络训练陷入局部最小.将其应用于离心式风机的故障诊断中,表明H-BP网络故障诊断方法能很好地实现故障状态识别,并能提高故障诊断的精度,     

基于Teager能量谱和卷积神经网络的滚动轴承故障诊断

在智能制造环境下,针对滚动轴承在变负载驱动环境下特征提取难、故障诊断准确率低的问题,提出基于Teager能量谱和卷积神经网络的滚动轴承故障诊断方法.将不同负载驱动下的多种故障振动信号,通过计算Teager能量算子之后进行快速傅里叶变换,绘图得到Teager能量谱图,形成数据集.使用数据集训练改进的卷积神经网络,得到滚动轴承的故障诊断模型,并通过该模型进行故障诊断.经过实验验证,在变负载驱动环境下,使用Teager能量谱图进行故障诊断结果优于使用原始信号时域图和频域图,轴承不同故障的诊断准确率达到93.35％,同时方法使用卷积神经网络解决了人工提取特征不全面、诊断效率低的问题,具有一定的实用性.     

电力变压器的动态隧道BP网络故障诊断算法

变压器油中溶解气体分析是电力变压器绝缘故障诊断的重要方法。将人工神经网络中的BP算法应用于电力变压器故障诊断。由于BP算法训练神经网络具有训练易陷入局部极小,收敛速度缓慢的缺点,动态隧道技术运用到训练BP网络上,可以有效地改进BP网络易陷入局部极小的缺陷。经大量实例分析,并将其结果与传统的BP算法的结果进行比较,表明该算法能有效地对电力变压器单故障样本进行分类,具有较高的诊断准确率。     

改进的小波神经网络算法对变流器的故障诊断方法

变流器是双馈风力发电系统中的枢纽设备,其运行可靠性直接关系到发电系统的安全与稳定。针对基于递推最小二乘(RLS)算法的离散小波神经网络(DWNN)存在收敛速度慢、收敛精度不高、搜索局部极小等不足,以变流器的电流为分析对象,提出一种采用变加权和变学习率改进算法的小波神经网络的变流器故障诊断方法。选择变流器电流作为离散小波神经网络训练及故障识别样本,对训练过程和仿真结果进行对比分析。实验结果表明:较之RLS算法,改进的小波神经网络故障诊断方法在故障识别准确率和收敛时间方面表现更优。     

基于改进BP网络算法的故障诊断分析

介绍BP神经网络结构和学习方法,针对误差反向传播神经网络模型学习收敛速度慢、容易陷入局部极小点等缺点,本文对BP网络模型进行了改进。对原始数据采用非线性的归一化函数,提出一种更加有效的学习率改进算法,提高了网络的收敛速度,采用了一种新的权值及阈值初始化方法,以避免训练时误差陷入局部极小解,并对改进BP算法与传统的BP算法进行比较,验证了该算法的优越性。     

遗传BP网络在机载雷达故障诊断中的应用研究

对遗传算法优化的BP神经网络在某型机载雷达发射机中故障诊断应用进行了研究,目的是应用遗传算法的全局最优性解决BP神经网络容易陷入局部极小的问题,从而提高BP神经网络的学习速度和精度.通过MATLAB仿真,GA-BP神经网络在发射机故障诊断中网络训练收敛速度和误差精度都明显优于BP网络,进一步验证了遗传BP神经网络学习速度快、预测精度高、泛化效果好,很适合应用于雷达等电子设备的故障诊断.