基于神经网络与小波变换的滚动轴承故障诊断

神经网络是一种具有非线性映射能力强以及自学习、自组织、自适应等优点的智能方法,非常适合于滚动轴承的故障诊断。针对滚动轴承是机械设备重要的易损零件之一,大约有30%的故障是由轴承损坏引起的,提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别、诊断。实验表明,该方法对于滚动轴承的故障诊断具有良好的效果和应用价值,并可方便地推广到其他类似的诊断领域。     

基于小波神经网络的液压传感器的故障诊断研究

为了能够提高液压传感器故障诊断的精度,深入地研究了小波神经网络在其故障诊断中的应用.首先,建立了小波神经网络的数学模型;接着,分析了小波神经网络的算法和实现步骤;最后对液压传感器的六种故障模型进行了故障诊断,诊断结果表明小波神经网络具有较高的诊断精度.     

基于小波神经网络弧齿锥齿轮故障诊断及实验研究

提出了一种离散小波变换结合神经网络的故障状态识别方法,运用信号特征提取机理对航空用弧齿锥齿轮故障诊断及状态识别进行了研究.建立了孤齿锥齿轮传动系统振动测试试验台,对正常结构和故障结构的齿轮传动进行了试验测试,通过小波阈值去除掉齿轮箱的振动数据信号系统噪声的影响;采用离散小波变换提取信号的能量特征,利用带有反馈算法的神经...     

基于小波变换的故障诊断

本文详述了傅立叶变换与小波变换的本质与区别,以及它们在故障诊断中的应用。     

基于小波变换预处理的模拟电路故障诊断

把小波变换用于模拟电路故障诊断中。输出信号的低频系数反映了信号的概貌特征．表征了电路的故障情况,因此,利用小波变换有效地提取故障特征信息。提出了“小波系数-故障”的故障诊断方法。计算和实验结果表明：该方法可以简化神经网络的结构和减少它的训练时间,快速高效地进行模拟电路故障诊断与定位。     

基于小波变换和Involution卷积神经网络的滚动轴承故障诊断方法

传统卷积神经网络在滚动轴承故障诊断中存在梯度扩散、参数爆炸和训练时间长等缺点,为此提出一种基于Involution卷积神经网络的滚动轴承故障诊断方法。首先,通过小波变换将原始数据转换为时频图,经过数据预处理后送入基于Involution的神经网络模型;然后,经过不同Convolution卷积核对原始图像的局部区域特征进行不同方式的提取,扩展输入图像通道数;最后,通过Involution对特征图的每个像素点进行进一步特征提取,经过softmax层输出分类结果。CWRU轴承数据集和试验轴承数据集的分析结果表明,基于Involution卷积的神经网络模型所包含的参数较少,训练时间短,故障分类准确率可达99.75%,优于传统的CNN,DBN,自编码器等模型。     

基于小波包变换与神经网络的齿轮故障诊断方法

对齿轮箱故障诊断问题进行研究,由于齿轮的振动信号是非平稳信号,常规的齿轮特征提取方法难以从振动信号中提取有效故障特征信息。笔者采用小波包理论对齿轮振动信号应用db12小波进行多层分解后,从而对信号进行消噪,并对消噪后的信号进行小波包3层分解及系数重构,再次对各频段能量进行处理分析从而得到特征向量。最终应用归一化方法对特征向量处理后再结合RBF神经网络进行故障诊断,并且取得了良好的诊断效果。     

基于 BP 神经网络的液压系统泄漏故障诊断

针对液压系统的泄漏问题,提出了基于ＢＰ神经网络,以液压系统压力动态过渡过程为分析对象的故障诊断方法。该方法在通常ＢＰ神经网络的基础上,采用对学习样本加噪声的方法,提高了ＢＰ网络对噪声的抑制能力。它比传统方法,具有可靠性高,适用性广,而且成本低廉的特点。     

基于小波神经网络的电动机转子故障诊断

在电动机故障诊断技术中,基于振动和定子电流频率成分的检测是电动机故障检测的两种主要手段.讨论了基于振动故障信号的检测方法.由于电动机振动信号是非平稳随机信号,故障信号中往往含有大量的时变、短时突发性质的成分,传统的傅里叶信号分析不能有效地提取电动机的故障特征,而且还可能将含有丰富故障信息的微弱信号作为噪声去除.因此,引入比小波分析更强的小波包变换技术来提取信号的故障特征信息,得到的结果作为神经网络的输入信号,用神经网络的L-M优化算法来进行训练,然后用BP神经网络来进行故障识别.采用Matlab软件进行仿真,证实该方法对电动机故障诊断的有效性和准确性.     

基于小波包变换预处理的神经网络故障字典法的研究

本文以进行模拟电路故障诊断为主要目的，提出了基于小波包变换预处理的交流电路神经网络故障字典法，此方法充分利用小波包分解信号的能力，把交流电路的频率响应任意细分，能获取更多的故障特征。诊断速度快．效果好     

基于神经网络理论的液压系统故障诊断系统

为了实时、准确地对液压系统的故障进行诊断,开发了一套基于神经网络理论的液压系统故障诊断系统,利用PC机强大的数据处理能力对采集的数据进行实时处理并直观地显示处理结果,极大地提高了诊断速度和准确度。将此系统应用于某型车辆液压系统的故障诊断,达到了比一般故障诊断系统更好的准确度和更快的速度。     

浅谈液压系统故障诊断的方法

介绍了液压系统故障的主观诊断法、数学模型诊断法和智能诊断法,以及各种具体故障诊断方法的特点及应用,指出专家系统与神经网络的有机结合,将成为智能故障诊断技术的发展方向.     

车辆液压系统遗传神经网络诊断技术研究

基于AMEsim建立了牵引-制动型液力变矩器液压系统仿真模型,通过注入不同故障信息,分析变矩器进口压力不稳定的故障原因,生成了仿真故障样本。通过试验,采集待检测的液压故障样本,基于遗传神经网络以仿真故障样本为训练样本,对待检测故障样本进行了模式识别。试验结果表明,故障仿真模型可以较好的模拟液压系统故障,将其与遗传神经网络相结合可以实现故障的智能诊断。     

基于两级BP网络伺服阀故障诊断专家系统的研究与应用

运用人工智能提高电液伺服阀的故障诊断水平,研究伺服阀静态特性曲线和伺服阀状态的对应关系,在特性曲线上提取状态特征参数作为人工神经网络样本,把训练好的经网络作为专家系统的知识库。状态特征参数提取方法能提高训练样本的质量。利用两级ＢＰ网络建立的伺服阀故障诊断专家系统已成功应用于液压ＡＧＣ测控系统,并具有推广价值。     

基于小波变换的智能混合诊断系统

介绍了计算智能的主要内容和研究方法及其在故障诊断中的应用，讨论了小波变换在故障诊断中的重要作用，提出了一种基于小波变换的智能混合诊断系统。     

基于波形分析的氧传感器故障诊断方法研究

氧传感器通过检测发动机排放尾气中氧离子的含量进而获得混合气空燃比信号。空燃比的大小直接影响发动机有害气体(HC、CO、NOx)的排放量,因此本文对比分析帕萨特1.8T发动机中氧传感器的正常工作波形和故障波形,提取波形上特征值,建立BP神经网络,输出故障类型。通过10组测试数据的诊断结果得出结论:基于波形分析的氧传感器故障诊断方法是可行的。     

小波范数熵特征提取的模拟电路故障诊断方法

提出一种遗传优化神经网络与小波范数熵相结合的新型模拟电路故障诊断方法,降低神经网络的结构冗余度和减少过拟合现象。小波范数熵方法提取了故障数据的本质特征,遗传算法优化了神经网络的体系结构,诊断系统实施了模拟数据的故障分类。仿真结果表明,同小波变换预处理的故障诊断系统相比较,这种诊断系统具有更好的网络收敛性能、更高的诊断精确度和更强的推广能力,能对模拟电路故障元件进行有效识别和分类。     

基于小波包分解和RBF神经网络的民机液压泵源故障诊断研究

液压泵源是民机液压系统的动力部分,对于民航飞机飞行的安全起着重要的作用。由于民机液压泵结构复杂,故障机理繁多,因此其故障诊断难以用常规方法实现。提出了基于小波包分解和RBF神经网络的民机液压泵源故障诊断方法。采集民机液压泵轴向和径向的振动信号,利用小波包分解将振动信号进行分解,得到的各频带信号的能量作为神经网络的输入。经过RBF神经网络的计算以实现民机液压泵源的故障诊断。     

基于产生式人工神经网络的汽轮发电机组故障诊断专家系统研究

针对人工神经网络训练样本难以获取的困难,提出１种从专家系统获取训练样本的方法,使得产生式人工神经网络能够有效地逼近传统专家系统的诊断推理行为,系统已被应用于１２５ＭＷ汽轮发电机组的故障诊断。     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。