基于模糊神经网络的智能故障诊断专家系统

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,提出了基于模糊神经网络的智能故障诊断系统。建立了发动机故障信号采集试验台,在试验台上人工模拟3种转速下6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,之后利用小波包技术进行消噪处理,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,完成对信号的离线模式识别,之后以测试样本数据实现在线故障诊断,通过仿真分析,取得了很好的诊断效果。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。同时,在专家系统的理论基础上,将模糊神经网络与专家系统进行信息融合,实现数据接口通信,利用网络的自学习能力建立智能故障诊断数据库和诊断规则库,通过程序语言快速高效的设计出智能诊断系统。最后,通过发动机故障诊断实例仿真分析,验证了基于模糊神经网络的智能故障诊断专家系统的可行性。     

信息熵和RBF神经网络的发动机故障诊断

针对汽车发动机气门间隙异常故障,探讨了应用小波分解后求各尺度小波系数信息熵,和RBF神经网络对发动机进行不解体故障诊断的方法。由此,对某汽油发动机进行了故障模拟试验,分别在正常工况和三种故障工况下测取了缸盖表面振动信号。对所采集信号进行Stein无偏估计消噪处理,利用小波系数信息熵提取特征向量,进行归一化处理,然后用RBF神经网络对处理后的振动信号进行分类识别。发动机气门间隙故障的诊断实例表明,在不同工况下利用小波系数信息熵提取故障特征向量、进行基于RBF神经网络的故障诊断方法现实可行,对实现发动机不解体故障诊断具有一定的应用价值。     

基于广义回归神经网络-柔性最大值分类模型的轴承故障诊断方法EI北大核心CSCD

针对复杂工况下的滚动轴承振动信号,提出一种基于广义回归神经网络-柔性最大值分类模型的故障诊断分类方法,实现故障模式的识别。对滚动轴承振动信号进行变分模态分解,特征提取等预处理得到特征数据集,并将其划分为训练集,验证集和测试集;使用训练集和验证集训练广义回归神经网络-柔性最大值分类模型,同时引入灰狼优化算法优选该模型的关键参数平滑因子得到理想的分类模型;将训练好的模型应用测试集,输出故障识别结果;通过模拟试验采集不同工况下的轴承故障数据,进行方法有效性验证。结果表明该方法能在小样本训练集下实现对不同工况下的轴承故障的有效诊断,是一种适用于实际工况的故障诊断方法。     

基于小波-BP神经网络的发动机轴承故障诊断

本文针对发动机滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包变换与神经网络的滚动轴承故障诊断方法。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,以振动信号小波分解后的能量信息作为特征,以神经网络作为分类器对滚动轴承故障进行识别、诊断。通过对滚动轴承的正常状态、滚珠故障、内圈故障和外圈故障信号的分析,表明以小波包分解为预处理器的神经网络故障诊断方法可以准确、有效地识别滚动轴承的工作状态和故障类型。     

改进LMD分解和RBF神经网络的柴油机故障诊断研究

柴油机作为大型机械的核心动力部件,其运行状态的监测和诊断尤为重要,但由于其工作环境复杂,振动信号包含大量噪声,所以特征向量难以有效提取,严重制约柴油机的故障诊断技术。该文将传统局域均值分解进行改进并将其与小波降噪相结合对原始振动信号进行降噪处理,并且利用改进局域均值分解法提取特征向量,最后应用径向基(RBF)神经网络进行故障识别。在实验中,采集4种故障工况和1种正常工况下的振动信号,利用上述方法完成对5种工况下的诊断,正确率达到95%。实验结果表明:该方法较改进前有明显进步,能有效诊断发动机故障,并且具有较高的正确率和较强的实用价值。     

基于小波分析和模糊神经网络的齿轮故障诊断研究

建立齿轮故障信号采集模拟试验台,结合小波分析特征提取方法和模糊神经网络对齿轮故障进行了诊断,通过实验仿真,取得了很好的诊断结果。相比于传统的BP神经网络诊断方法,无论在诊断速度还是诊断精度上,模糊神经网络更具有优势。     

小波变换和CNN涡旋压缩机故障诊断

针对传统单尺度信号分析难以有效解决涡旋压缩机故障诊断中的故障特征信息多尺度耦合问题,提出一种基于小波变换和卷积神经网络的涡旋压缩机故障诊断方法。首先将采集到的振动信号进行连续小波变换生成时频图,并对时频图进行网格化规范处理,将预处理后的时频图作为特征图输入Alexnet卷积神经网络,通过不断调节网络参数,得出最为理想的神经网络模型,以此实现对涡旋压缩机故障类型的辨识诊断。结果表明,该方法针对涡旋压缩机故障类型的识别准确率达到94.6%,与传统多尺度排列熵、信息熵熵距的故障诊断方法相比,该故障识别方法具有更高的准确率。     

基于VMD和卷积神经网络的变工况轴承故障诊断方法

针对变工况条件下轴承故障数据无法大量获取以及诊断困难的问题,提出了基于变分模态分解和卷积神经网络的轴承故障诊断方法,使用稳态工况获取的数据训练,能对变工况下的数据实现有效诊断。首先对轴承振动信号进行变分模态分解,以获得有限带宽的固有模态函数;然后构建卷积神经网络模型,采用优化技术提高模型适应性,实现对固有模态函数的自适应特征提取和分类;最后使用台架试验获得的滚动轴承故障数据进行验证,并与深度残差网络和支持向量机进行对比。结果表明,该模型对变工况数据的诊断/识别率达到100%/98.86%,高于对比模型的测试结果,有效实现了变工况轴承故障诊断。     

基于小波包和BP神经网络的风机齿轮箱故障诊断

为了对风力发电机组中最容易发生故障的核心部件齿轮箱进行故障诊断,提出基于小波包变换和BP(Back Propagation)神经网络的齿轮箱故障诊断方法。首先,根据齿轮箱工作时的振动信号特性,通过小波包变换方法对振动信号进行去噪、分解与重构,有效提取不同故障下各频段能量的故障特征;其次,将提取的能量故障特征输入至BP神经网络诊断系统中进行识别,实现故障的智能诊断。通过试验证明了该方法的有效性。     

基于自适应多小波与综合距离评估指数的旋转机械故障特征提取

旋转机械设备故障诊断主要包括信号采集、特征提取和故障识别,而特征提取是进行故障诊断的基础和保证诊断结果正确的关键,为了提高特征参数对故障的敏感性,提出了基于自适应多小波与综合距离评估指数的旋转机械故障特征提取方法。该方法以综合距离评估指数最大值为目标函数,利用遗传算法从CL3自适应多小波库中选择最优多小波,并将该最优多小波用于转子振动信号的特征提取。通过对正常、不对中、不平衡、碰摩四种设备状态下采集的振动信号进行特征提取,并将所提出的方法和传统特征提取方法提取的特征参数输入到K-最邻近分类器进行分析,结果表明,所提出的方法能够大大增强特征参数对故障的敏感性,获得更高的故障诊断准确率。     

基于特征参数迁移的滚动轴承故障诊断

针对变工况下的滚动轴承无法获得大量带标签样本数据以及传统深度学习诊断方法识别率低的问题,提出一种基于迁移学习的卷积神经网络模型滚动轴承故障诊断方法.首先,采用短时傅里叶变换处理滚动轴承振动信号获得源域、目标域样本集;其次,利用源域样本预训练卷积神经网络模型;最后,通过目标域样本微调卷积神经网络模型实现滚动轴承故障诊断....     

基于模糊神经网络的液体火箭发动机振动检测

液体火箭发动机振动检测涉及部件振动数据的收集、振动特征的抽取与度量以及度量结果的决策。基于模糊神经网络提出了一种发动机振动故障检测的基本系统。这种技术的吸引力在于：神经网络采用可变模糊集代表发动机工作模式，自然地提供了反映故障程度的有用信息；神经网络的离线学习算法可以从训练样本中提取振动知识；神经网络的监测算法不仅能正确预报故障，同时也能对新的振动信息进行在线学习。实验研究结果表明：模糊神经网络可以成功地用于泵压式液体火箭发动机热试车的振动故障检测。     

一种基于软计算的转子故障诊断方法

提出了一种基于软计算的转子故障诊断方法。该方法充分利用软计算中的模糊集合理论,人工神经网 络,粗糙集理论和遗传算法等计算方法优势,弥补它们相互的不足,进行故障诊断。首先利用粗糙集理论对样本数据进 行初步规则获取,并计算规则的依赖度和条件覆盖度,然后根据这些规则进行网络设计,其中,网络隐层节点的数目等于 规则的数目,初始网络权重由规则的依赖度和条件覆盖度确定,最后用遗传算法对模糊神经网络参数进行优化。使用该 网络对转子类常见故障进行诊断。实验表明,和一般模糊神经网络相比,这种基于软计算的诊断方法具有训练时间短、 诊断准确率高的特点。     

基于Kohonen网络的轴系故障诊断研究

本文试从Kohonen神经网络在船舶铀系故障诊断中应用研究出发，提出了船舶轴系模拟试验台的结构和监测原理，通过数据采集系统和开发的软件系统，获得轴系振动倍号并求得其快速傅里叶变换(FFT)频谱，从频谱图中提取信号能量分布的特征矢量，用Kohonen神经网络对特征矢量进行识别，最终得到正确的故障诊断结果。介绍了Kohonen神经网络的学习和工作算法，并研究了在轴系故障诊断中的具体实施方法。实例验证表明，Kohonen网络是一种很有价值的轴系故障诊断手段。     

基于注意力BiGRU的机械故障诊断方法研究

为了解决机械故障诊断领域传统方法自适应性差、参数选择过于依赖人工的问题,提出了一种基于循环神经网络的机械故障诊断算法。该方法利用预处理后的机械振动信号,搭建了双向门控循环单元的故障诊断模型,并进行了基于注意力机制的模型优化,提高了特征提取效率。经过美国凯斯西储大学轴承数据集以及自采集的柴油机故障实验数据验证,相比于传统神经网络算法提升了计算效率和诊断准确率,并表现出了良好的抗噪能力。结果表明,该方法可以有效适用于基于机械振动信号的故障诊断,具有一定的工程应用价值。     

基于DSmT与小波网络的齿轮箱早期故障融合诊断

针对齿轮箱早期故障特征十分微弱难以有效辨识问题,提出基于DSmT理论与小波神经网络的齿轮箱早期故障融合诊断模型。利用多个振动传感器合理布置在齿轮箱的多个关键部位采集多源振动信息并进行特征提取;利用多个并联小波神经网络实现齿轮箱早期故障的初级诊断获得彼此独立的多个证据;利用DSmT理论对多个独立证据进行融合决策得出齿轮箱的最终诊断结论。DSmT理论克服了传统DST证据理论的局限性,小波神经网络实现多源证据信度分配的客观化。诊断实验结果表明,该方法能有效提高齿轮箱早期故障特征的辨识精度、降低诊断的不确定性。     

Analog fault diagnosis of actual circuits using neural networks

We have developed a neural-network based analog fault diagnostic system for actual circuits. Our system uses a data acquisition board to excite a circuit with an impulse and sample its output to collect training data for the neural network. The collected data is preprocessed by wavelet decomposition, normalization, and principal component analysis (PCA) to generate optimal features for training the neural network. This ensures a simple architecture for the neural network and minimizes the size of the training set required for its proper training. Our studies indicate that features extracted from actual circuits lie closer to each other and exhibit more overlap across fault classes compared to SPICE simulations. This implies that the neural network architecture which can most reliably perform fault diagnosis of actual circuits is one whose outputs estimate the probabilities that input features belong to different fault classes. Our work also shows that SPICE simulations can be used to select appropriate features for training the neural network. Reliable diagnosis of faults in an actual circuit, however, requires training data from the circuit itself. Our fault diagnostic system, trained and tested using data obtained from real sample circuits, achieves 95% accuracy in classifying faulty components     

机械制冷机微振动固支测力修正

机械制冷机微振动固支测力结果的工程应用存在载荷值有误差和加载位置不明确两方面问题。基于动力学分析提出一种微振动固支测力修正方法,将测得的作用在测力台面几何中心的微振动力转化为作用在制冷机动子处的微振动力,实现了制冷机微振动力与其支撑结构刚度和质量解耦。修正所得的力频谱特性反映了制冷机实际输出的微振动力频谱特性,力的作用位置为制冷机微振动实际产生位置,解决了测力结果工程应用存在的问题,修正结果可应用于制冷机的微振动特性评估和微振动响应分析。     

Wavelet Transform and Neural Networks in Fault Diagnosis of a Motor Rotor

In the motor fault diagnosis technique,vibration and stator current frequency components of detection are two main means.This article will discuss the signal detection method based on vibration fault.Because the motor vibration signal is a non-stationary random signal,fault signals often contain a lot of time-varying,burst properties of ingredients.The traditional Fourier signal analysis can not effectively extract the motor fault characteristics,but are also likely to be rich in failure information but a weak signal as noise.Therefore,we introduce wavelet packet transforms to extract the fault characteristics of the signal information.Obtained was the result as the neural network input signal,using the L-M neural network optimization method for training,and then used the BP network for fault recognition.This paper uses Matlab software to simulate and confirmed the method of motor fault diagnosis validity and accuracy.     

基于局域波信息熵的高速自动机故障诊断

针对小口径火炮自动机工作时产生的短时冲击信号,提出一种将局域波分解与信息熵相结合提取特征量,并利用Elman神经网络进行故障识别的诊断方法。首先运用具有自适应特性的局域波对振动信号进行分解得到IMF分量,再接着利用信息熵理论提取IMF信息熵、局域波能谱熵及能矩谱熵作为故障特征量,最后将特征向量输入Elman神经网络进行故障分类识别。实验结果表明:该方法能准确,有效地识别故障。