基于D-S证据理论信息融合的转辙机故障诊断方法研究

在列车提速后S700K型电动转辙机被普遍安装在正线道岔的背景下,本文针对单一故障诊断方法的诊断精度偏低问题,提出了基于信息融合故障诊断模型和故障诊断方法.该方法分别用BP神经网络和模糊综合评判对转辙机进行故障诊断,利用神经网络输出和模糊综合评判输出来构造D-S证据理论中的概率分配,然后利用D-S证据理论将BP神经网络和模糊综合评判对转辙机的故障诊断结果在决策级进行融合,诊断转辙机是否有故障并判断故障的模式.诊断结果表明,该诊断方法具有较高的故障诊断精度,诊断结论的可信度有明显提高.     

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SVDD和距离测度的齿轮泵故障诊断方法研究

提出了一种基于支持向量域描述和距离测度的齿轮泵故障诊断方法。该方法首先对齿轮泵各种工况下的振动信号进行小波包分解,提取各频带能量百分比作为特征向量;然后仅利用正常工况下的特征向量训练SVDD超球模型,通过定义绝对距离测度检测齿轮泵状态是否出现异常;最后针对每类工况下的特征向量单独训练SVDD超球模型,通过定义相对距离测度准确定位齿轮泵的不同故障工况。试验结果表明,采用小波包频带能量降低了数据维数,有效浓缩了故障信息;基于绝对距离测度和相对距离测度的SVDD故障诊断方法既能检测异常状态,又能区分各种故障工况,达到了状态监测和故障分类识别的目的。     

模糊神经网络在精密三轴转台机械台体故障诊断中的应用研究

针对三轴转台机械台体故障,提出了一种基于模糊神经网络的故障诊断方法,给出了模糊神经网络的结构和学习算法,并阐述了模糊故障诊断原理和故障判别方法将振动信号和电流噪声信号结构用于机械台体的故障诊断,测试结果表明,该方法是有效的。     

基于信息融合的柴油机缸套磨损故障诊断研究

针对柴油机缸套磨损故障进行模拟实验,获取了柴油机机体表面振动、铁谱分析故障信息,并对多源多维故障信息进行预处理,解决了模糊神经网络的输入矢量的模糊特性化、输出矢量的隶属函数、学习样本的选择及网络的学习训练等问题;在上述工作的基础上,建立了柴油机缸套磨损故障诊断的模糊神经网络模型.为验证诊断模型的有效性,选取了四组分别来自不同故障类别的数据作为检验样本,运用模糊神经网络模型进行诊断,其诊断结果与实际情况十分吻合.研究表明,基于多信息的模糊神经网络模型能较有效地对柴油机缸套磨损故障进行诊断,此方法能减小故障诊断的不确定性,提高诊断精度.     

多联机系统制热工况下的制冷剂充注量故障诊断模型——基于多层卷积神经网络

本文提出一种基于卷积神经网络的故障诊断模型,并通过正交试验优化了3层网络的卷积核和神经元数目,利用图形化的多联机(VRF)系统制冷剂充注量故障实验数据训练了多层卷积神经网络,评估了本模型的故障诊断性能。结果表明:该"数据图形化-多层卷积神经网络"方法建立的模型能够有效进行多联机制冷剂充注量故障诊断,20个输入特征时,对9类故障诊断总正确率最大为91%,比传统BP神经网络达到更高的诊断精度。该方法首次利用卷积神经网络完成了VRF制冷剂充注量故障诊断,为相关研究的拓展奠定了基础。     

多联机系统制热工况下的制冷剂充注量故障诊断模型——基于多层卷积神经网络

本文提出一种基于卷积神经网络的故障诊断模型,并通过正交试验优化了3层网络的卷积核和神经元数目,利用图形化的多联机(VRF)系统制冷剂充注量故障实验数据训练了多层卷积神经网络,评估了本模型的故障诊断性能。结果表明:该"数据图形化-多层卷积神经网络"方法建立的模型能够有效进行多联机制冷剂充注量故障诊断,20个输入特征时,对9类故障诊断总正确率最大为91%,比传统BP神经网络达到更高的诊断精度。该方法首次利用卷积神经网络完成了VRF制冷剂充注量故障诊断,为相关研究的拓展奠定了基础。     

基于模糊神经网络的机载设备智能故障诊断系统

针对某型飞机机载设备故障多,且具有模糊性、复杂性的特点,本文将模糊逻辑和神经网络相结合,采用模糊隶属函数来描述这些故障的程度,建立了模糊神经网络故障诊断模型.采用图形化编程技术,开发了一种故障诊断推理流程图,方便了用户的开发.该系统依据专家知识和测试数据,可将故障隔离到内场可更换单元(SRU)或某个功能电路.实践证明该诊断系统是有效的,具有推广应用价值.     

基于DTCNN-SVM的工业循环水系统供水泵故障诊断EI北大核心CSCD

工业循环水系统供水泵的工作状态是影响工业过程安全生产的重要因素,为及时准确地识别供水泵的工作状态,提出一种基于深度迁移卷积神经网络和支持向量机(deep transfer convolutional neural network-support vector machine,DTCNN-SVM)的故障诊断方法。将与工作状态强相关的振动信号进行信号-图像预处理,实现振动时序信号的二维灰度图化;在此基础上,采用融合迁移学习与残差神经网络的深度迁移卷积神经网络模型提取振动信号灰度图特征,并基于模糊不一致性度量对深度学习特征进行约简;采用支持向量机法建立供水泵故障诊断模型。试验结果表明,所提方法在少量样本数据和模型参数下能有效识别供水泵工作状态。     

故障诊断的模糊神经网络模型

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，从而建立了单症兆和多症兆诊断的模糊神经网络模型。基于模糊诊断原理，阐述了模糊神经网络模型是由若干独立单元组成的可扩充的组合式结构，进而提出一种修改或扩充子网络或子结点及其权重连线的可塑性学习方法。基于此模型建立了旋转机械故障诊断专家系统，以现场实际例子对模型的应用进行了说明。