神经网络在滚动轴承故障诊断中的应用

简述了神经网络在机械故障诊断中的主要应用方面,提出了训练样本的数量和质量问题,以铁道车辆滚动轴承为例,用大量精选的现场实测数据作为训练样本,对所建立的BP网络进行训练,将训练好的网络应用于轴承状态分类,取得了很好的诊断效果.     

基于改进人工神经网络的SMT质量智能鉴别

采用了一种改进的BP神经网络,针对BP神经网络的不足进行了改进:采用变学习率法减少网络训练时间、采用高斯惩罚函数避免局部最小值,并使整个网络能自主调整其隐层节点的数量.运用改进的BP神经网络对于样本进行训练,训练后的神经网络能够较为精确的预测SMT产品质量问题.     

基于微分进化神经网络的模拟电路故障诊断

BP神经网络已在模拟电路故障诊断领域得到广泛应用,但BP神经网络存在训练速度慢且容易陷入局部最优的问题.由此,本文提出了一种基于混合变异策略的微分进化改进算法,描述了利用微分进化改进算法进行神经网络权值训练的过程和方法,并将微分进化神经网络用于模拟电路故障诊断,文中还对微分进化神经网络与BP神经网络进行了比较.实验结果表明,微分进化神经网络的训练时间和训练精度均优于BP神经网络,其在模拟电路故障诊断中的准确度比BP神经网络提高了7%.     

基于GA-BP神经网络的智能故障诊断

基于神经网络的故障诊断技术是一种非线性的样本识别技术,其中BP(Back Propagation)神经网络在实际工业中具有典型而广泛的应用。BP网络容错性能好、泛化能力强,因此对解决非线性问题具有好的作用。同时训练好的网络不是固定不变的,学习能力强和响应速度快的优点也值得其得到广泛的应用。但是BP网络的缺点也很明显,容易陷入局部极小值而挑不出来。所以本文分析了遗传算法和BP算法的优缺点后,结合他们的优势用遗传算法优化BP神经网络,从而达到改进的作用。通过实验数据的对比分析,说明该方法可以有效的提高故障诊断能力。     

旋转机械故障诊断的神经网络方法研究

BP神经网络具有较好的非线性映射能力,可以描述频率特征和故障之间的关系,而概率神经网络学习规则简单、训练速度快、避免局部极小和反复训练的问题。根据两种神经网络的原理选择合适的参数建立两个旋转机械故障诊断模型,并利用模型对某旋转机械的故障数据进行处理,结果显示两种网络在故障诊断方面的实用价值。通过对故障数据的结果对比可以看到PNN网络比BP网络具有更好的容错能力。     

基于改进BP网络和信息融合的故障诊断方法研究

针对多传感器检测提供的不同信息,提出了一种基于改进BP神经网络与信息融合技术相结合的故障诊断新方法.该方法采用动量方法和可变学习速率对标准的BP算法进行改进,不仅提高了网络的训练速度,并可以得到全局最优解.同时讨论了基于D-S证据理论的基本概率赋值的分配和决策融合方法,使在故障诊断过程中,决策融合网络可以接收子诊断网络的诊断结论并进行决策融合处理,提供了比任何单个子网络更多的信息.这种新方法不仅速度快、信息利用高,而且大大地提高了诊断的可靠性.     

基于BP神经网络的吸运风机故障诊断

吸运风机是农业现代化生产机械联合收割机的重要组成设备.针对目前吸运风机经常出现的故障,收集了吸运风机故障征兆和其对应的故障类型.将故障样本数据和模糊神经网络相结合,并根据BP神经网络确定网络的输入和输出向量,对风机进行故障诊断,诊断结果与实际情况比较吻合.运用MATLAB实现神经网络故障诊断仿真,仿真结果表明诊断误差较小,输出向量与实际故障矩阵结果接近.     

基于贝叶斯优化与改进LeNet-5的滚动轴承故障诊断

考虑到卷积神经网络在滚动轴承故障诊断中存在网络结构难以确定、训练次数过多、时间过长等问题,设计了一种贝叶斯优化改进LeNet-5算法,以及采用该算法构建的轴承故障诊断模型。采用贝叶斯优化训练过程中学习率等超参数,多种故障轴承的振动信号直接作为改进LeNet-5网络的输入,对池化输出采用批归一化处理和改进池化层激活函数防止过拟合,利用全局平均池化层替代全连接层提高改进LeNet-5网络的泛化能力,用Softmax分类器实现滚动轴承故障的分类。通过轴承数据库开展实验,实验表明,该算法构建的轴承故障诊断模型在训练集上准确率为99.94%,验证集上的准确率为99.89%,测试集准确率也达到99.65%,与一维卷积神经网络和二维卷积神经网络对比分析,基于贝叶斯优化改进LeNet-5算法构建的轴承故障诊断模型在滚动轴承的故障诊断模型具有更高的准确率,更少的训练次数和训练时间。     

SOM-BP复合神经网络在齿轮箱故障诊断中的应用研究

针对齿轮箱的故障模式和特征量之间复杂的非线性关系，采用SOM-BP复合神经网络，引用齿轮箱常见的故障及其相关参数作为训练样本建立诊断模型。在Matlab环境下，通过仿真试验并与BP网络进行比较，验证了此复合神经网络用于齿轮箱故障诊断的正确性和精确性，具有一定的工程应用价值。     

基于RBF网络的除湿机故障诊断

应用基于人工神经网络的故障诊断方法,建立了除湿机故障诊断的RBF网络模型,并利用六种典型故障状态参数样本数据对神经网络进行训练。结果表明对于训练样本集和检验数据集,网络的输出与希望结果相符,表明基于人工神经网络的除湿机系统的故障诊断是行之有效的。     

Fault Diagnosis of Power Electronic Circuits Based on Adaptive Simulated Annealing Particle Swarm Optimization

In the field of energy conversion, the increasing attention on power electronic equipment is fault detection and diagnosis. A power electronic circuit is an essential part of a power electronic system. The state of its internal components affects the performance of the system. The stability and reliability of an energy system can be improved by studying the fault diagnosis of power electronic circuits. Therefore, an algorithm based on adaptive simulated annealing particle swarm optimization (ASAPSO) was used in the present study to optimize a backpropagation (BP) neural network employed for the online fault diagnosis of a power electronic circuit. We built a circuit simulation model in MATLAB to obtain its DC output voltage. Using Fourier analysis, we extracted fault features. These were normalized as training samples and input to an unoptimized BP neural network and BP neural networks optimized by particle swarm optimization (PSO) and the ASAPSO algorithm. The accuracy of fault diagnosis was compared for the three networks. The simulation results demonstrate that a BP neural network optimized with the ASAPSO algorithm has higher fault diagnosis accuracy, better reliability, and adaptability and can more effectively diagnose and locate faults in power electronic circuits.     

基于灵敏度预分类的BP神经网络故障诊断方法

故障特征信息的获取和处理对电路故障的可靠分类和准确诊断有很大的影响．在电路故障诊断时,对于不同的故障模式,存在信息混叠的现象,需要解决特征信息的有效提取和故障的可靠分类等问题．为此,本文提出了一种结合灵敏度特性分析的BP神经网络故障诊断方法．基本思想是通过灵敏度的计算,对电路故障样本作预分类,再根据电路灵敏度的计算结果分别提取相应特征信息,以此构造故障样本特征集,然后作为BP神经网络的输入对网络训练,并进行故障诊断．对滤波器的仿真结果表明,该方法能分类不同的元件故障,且对模拟电路故障诊断的平均正确率优于传统方法．     

基于排气噪声的柴油机气阀故障诊断

通过对柴油机气阀机构七种状态下的排气噪声信号建立AR模型,以AR模型的自回归参数作为故障识别的特征向量,建立基于极限学习机的柴油机气阀故障诊断模型,并与反向传播神经网络算法、径向基网络算法和基于支持向量机的诊断模型相比较。试验结果表明,排气噪声信号可用于柴油机气阀故障的诊断,且基于极限学习机的诊断模型与其他三种算法的分类正确率均可达到95 %以上,但在学习速度上,极限学习机具有明显的优势。     

遗传算法和BP神经网络在电机故障诊断中的应用研究

人工智能方法在电机故障诊断中的应用,使得电机故障能够得到及时准确的预测和诊断,保障了电机的安全运行。介绍了BP神经网络及遗传算法的基本原理及组成结构,针对BP神经网络容易陷入局部极小点及收敛速度慢的问题,利用遗传算法对BP神经网络的权值和阀值优化,改善了BP神经网络的诊断性能;通过GA-BP网络对电机的三种故障模式进行了诊断识别,其实验仿真结果表明：无论是在诊断速度上还是诊断精度上,GA-BP神经网络诊断性能都比单独的运用BP网络有了很大提高。     

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。     

改进的生成对抗网络在轴承故障诊断中的应用

研究一种基于改进的生成对抗网络的滚动轴承故障诊断方法.针对传统的生成对抗网络模型无法进行故障诊断的问题,对其进行改进,在生成对抗网络基础上加入额外条件信息,并且在输出层添加辅助输出层,将生成对抗网络从无监督学习的生成模型改进为监督学习的分类模型.然后,利用西储大学轴承数据集对改进后的生成对抗网络进行实验验证.结果表明,...     

基于一维卷积神经网络的房颤智能诊断方法研究

针对“大数据”时代如何利用数据对房颤进行智能、高效的诊断问题,提出了基于一维卷积神经网络的智能诊断方法,以避免传统算法依赖人工特征提取和先验知识的问题。首先,分别构建一维LeNet-5和AlexNet神经网络模型,合理设置网络结构参数;然后,在采集的实验数据基础上针对心电信号的特点进行一系列的数据处理,随机构建训练样本和测试样本;最后,将训练样本分别输入上述2个神经网络模型中训练学习,再将训练好的模型用于房颤的诊断。实验结果表明:一维LeNet-5网络模型存在“过拟合”现象,而一维AlexNet网络模型在避免了上述现象的同时,诊断精度达到了95.34%,较传统方法有了较大提升,为房颤诊断提供了有效的手段。