应用概率神经网络诊断自行火炮发动机的故障

目的 研究概率神经网络模型,并应用于故障诊断。方法 对基于概率统计思想和Ｂａｙｅｓ分类规则的概率神经网络模型、网络结构、算法及其特点进行分析,利用其进行故障诊断,并提出一种优化估计平滑因子的方法。结果 概率神经网络可很好地诊断自行火炮发动机进行中油路和气路的故障。结论 概率神经网络在模式识别和故障诊断领域中可取得良好的应用效果。     

基于神经网络的智能诊断

人工智能与诊断理论的结合形成了智能诊断,早期发展的模拟人脑思维推理的、基于知识的专家系统以串行运行的格式进入设备诊断领域,形成了基于知识的诊断推理专家系统,国内外已有许多成熟的商品化软件系统。近几年新发展起来的人工智能的一个分支－－人工神经网络模仿人脑物理结构以其强大的并行运算和联想能力非常适合于设备诊断中状态识别,本单位研制的通用型神经网络智能诊断系统,已达到商品化水平,并已在生产线上运行。     

非线性机械设备系统的分形神经网络诊断方法

从分形原理出发，提出了非线性机械设备系统信号的分形计算维数的概念。将分形计算维数概念与多层感知器神经网络结合，建立了机械设备 的分形神经网络诊断方法。通过对滚动轴承系统实例诊断获得了较为准确的模式识别的结果。     

应用概率神经网络诊断自行火炮发动机的故障

目的　研究概率神经网络模型 ,并应用于故障诊断 .方法　对基于概率统计思想和 Bayes分类规则的概率神经网络模型、网络结构、算法及其特点进行分析 ,利用其进行故障诊断 ,并提出一种优化估计平滑因子的方法 .结果　概率神经网络可很好地诊断自行火炮发动机进行中油路和气路的故障 .结论　概率神经网络在模式识别和故障诊断领域中可取得良好地应用效果     

基于EMD和神经网络的轮轨故障噪声诊断识别方法研究

针对轮轨故障噪声信号非平稳性特征,提出一种基于经验模式分解(Empirical Mode Decomposition,EMD)与神经网络的轮轨故障诊断方法。该方法首先对轮轨噪声信号进行经验模式分解,信号分解为若干个基本模式分量(Intrinsic Mode Function,IMF)之和,再选取若干个包含主要故障信息的IMF分量,提取各分量的能量与峭度特征,对各分量的峭度特征综合得到多尺度峭度特征,然后将各分量能量特征与多尺度峭度特征作为神经网络的输入来识别轮轨故障的类型。对车轮扁疤、钢轨波浪磨耗和正常状态的分析结果表明,以EMD方法提取特征参数的神经网络诊断方法比以小波包方法提取特征参数的神经网络诊断方法具有更高的故障识别率。该方法能够对轮轨故障类型进行准确、有效地分类识别。     

基于K-means聚类与概率神经网络的模拟电路故障诊断方法

模拟电路已广泛应用于航空电子系统,模拟电路的失效会影响系统的功能,引起系统故障,甚至引发灾难性的安全事故.为快速准确地实现模拟电路的故障诊断,该文引入概率神经网络方法,并针对传统概率神经网络方法中的诊断准确性、诊断效率问题,提出基于K-means与概率神经网络的模拟电路故障诊断方法,定义聚类有效性指标,采用K-mean...     

基于数据仓库的包装机械设备故障诊断方法的研究

论述了数据仓库的定义及在包装机械故障诊断技术中的应用方法,建立了故障症兆模糊诊断数学模型,提供了其快速分析决策支持工具,并开发了故障诊断原型系统实现瓦楞纸板生产线等普通大型中低速旋转机械的故障诊断。     

基于模糊神经网络的故障诊断方法研究

将模糊原理引入神经网络,对机械设备的故障诊断方法进行了研究,介绍了具体实现过程及原理,论证了单症兆和多症兆诊断的模糊模型分别与一定条件的单层神经网络等价,建立了单症兆和多症兆诊断的模糊神经网络模型,并由此模型建立了模糊神经网络故障诊断专家系统(FNN)模型.介绍了该模型在66-10空压机上的具体实现过程.     

基于小波神经网络的凝汽器故障诊断

引入小波变换优化神经网络,建立了凝汽器故障征兆参数集,利用小波神经网自适应能力强、收敛速度快、精度高的特点对凝汽器故障进行诊断。应用结果表明,该方法能够有效地对凝汽器故障进行准确诊断。     

BP神经网络故障诊断系统的仿真

<正>现代工业的特点是生产设备大型化、连续化、高速化和自动化。当然,要求机械设备不出故障是不现实的,绝对安全可靠的机械设备根本不能使用,也是根本不存在的,最好的设备也不可能永远不出故障,重要的是能及时发现设备的异常和故障,掌握设备的运行现状,把握住它的发展趋势,对已行成的或正在形成的故障进行分析诊断,判断故障的部位和产生的原因,并及早采取有效的防治措施,做到防患于未然。机械故障诊断技术就是为了适应这一需要而发展起来的一门科学。本文将在这方面作初步的探索与研究。     

BP神经网络在机械故障诊断中的应用

随着现代化生产的进行,机械设备的故障诊断技术日益受到重视.介绍BP算法神经网络模型,给出BP神经网络应用于机械故障诊断的基本步骤.阐述三层BP神经网络采用数据驱动正向推理的故障诊断策略.即从初始状态出发,向前推理到达目标状态为止.介绍BP神经网络在机械故障诊断中的应用及实例,对某型号拖拉机变速箱中的主要零件——齿轮和轴承进行故障诊断振动测试,对部分齿轮和轴承发生故障时的振动信号进行测量.虽然BP网络在机械故障诊断中已得到广泛的应用,但由于神经网络本身还处于发展之中,还有不少问题需要进一步深入研究.     

基于自适应模糊神经网络的发动机故障诊断

发动机是车辆的核心部件,及时有效地发现并排除故障,对降低维修费用,减少经济损失,增加发动机工作时的可靠性,避免事故发生具有重大的意义。以某型号发动机为研究对象,运用测试技术、信号处理、小波分析、神经网络和模糊控制理论,提出了自适应模糊神经网络发动机故障诊断。首先建立了发动机故障信号采集试验台,在试验台上人工模拟四种工况,通过加速度传感器采集正常工况和异常工况的振动信号。再利用小波理论对采集到的振动信号进行消噪处理,提高信噪比,并提取出故障信号的特征值,作为网络训练和测试的样本数据。用样本数据训练和检测自适应模糊神经网络,即对发动机故障进行模式识别。通过仿真分析,取得了很好的诊断效果;同时与传统的BP神经网络故障诊断方法进行对比,无论在诊断精度上还是学习速度上,模糊神经网络在故障诊断中更具有优势。     

基于人工神经网络的故障诊断专家系统

将人工神经网络引入故障诊断专家系统,探讨了该系统的原理及结构,分析了神经网络在该系统中的运用特点,并介绍了基于神经网络的学习机及推理机的原理,最后介绍了基于人工神经网络的66-10空压机故障诊断专家系统.     

基于弹性小波神经网络的故障诊断研究

航空电源系统是机上设备的重要组成部分,任意一个环节出现故障,将会影响整个飞机系统的正常安全运行.针对神经网络收敛速度慢,易陷入局部最小的缺点,将小波神经网络结合弹性BP算法应用到电源系统故障诊断中.训练过程及仿真结果表明:小波神经网络故障诊断算法收敛时间方面表现更优,具有较高故障诊断率.     

基于小波神经网络的水下航行器传感器故障诊断

针对水下航行器系统的传感器故障诊断问题,提出了一种基于小波神经网络的传感器故障诊断方法．在对水下航行器系统的传感器故障信号进行特征提取时,发现其大部分能量都集中在低频部分．若直接以此能量分布来区分正常与故障、故障与故障的信号,将导致神经网络训练时间和分辨时间都会很长,因而不能实时地监控系统．为了很好地进行区分,凸显其差异,将低频部分能量舍去,只保留其余部分,并将其归一化,再利用径向基神经网络进行分类．利用小波分解的节点能量差异与特征提取特点以及神经网络的自我学习能力,通过大量的样本训练后,使神经网络很好地分辨出5类故障信号及正常信号．仿真结果表明：此方法简单、易于实现,适于水下航行器的传感器故障的诊断．     

基于神经网络的电子线路故障诊断

分析了故障字典法在实际应用中存在的不足,提出将单位BP算法应用到电子线路的故障诊断中。对基于该方法的航空装备电子线路故障诊断进行了计算机仿真,并分析了网络参数的变化对训练结果的影响。仿真结果表明了该方法的合理性和有效性。     

基于DDE和小波分析的神经网络故障诊断

应用DDE技术对小波分解后的故障信号进行特征提取 ,利用BP网络进行故障诊断 ,并给出了齿轮箱的故障诊断实例 ,实验证明 ,此方法能取得较好的效果。     

基于小波降噪神经网络的旋转机械故障诊断

实测信号往往受到多种因素的干扰,如高频噪声.提出了一种小波降噪神经网络的故障诊断方法,利用小波的多重分辨率分析,有效降低高频噪声干扰,从而简化了有效特征信号的提取.建立了基于小波变换和BP神经网络的混合诊断模型,成功地对故障进行了智能诊断.最后实验验证了此种方法的有效性.     

基于EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode function，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析，由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。