基于小波和神经网络的齿轮箱故障诊断

对齿轮箱故障诊断特点和方法进行分析,举例介绍了小波变换在齿轮箱故障诊断中的应用。利用小波变换对齿轮箱工况信号进行分解,重构以及提取细节信号包络谱,快速准确判断出齿轮箱设备运行状态是否异常,并利用BP神经网络进行故障诊断定位,比传统方法更有效。     

基于提升小波的齿轮箱故障诊断

对齿轮箱的振动机理以及故障诊断特点、方法进行分析,介绍了提升小波的基本理论。并利用提升小波对齿轮箱工况信号进行消噪、分解、重构以及提取功率谱,采用BP神经网络模型识别齿轮箱运行状态以及定位故障类型和部位。     

基于小波神经网络火电厂锅炉故障诊断的仿真研究

为了能够准确、快速地对火电厂锅炉进行故障诊断,系统地研究了小波神经网络在锅炉故障诊断的应用。提出了小波神经网络的数学模型;制定了小波神经网络的训练算法;以火电厂锅炉常见故障烟道再燃烧为例,对其进行了故障诊断的仿真分析,经过训练后的小波神经网络对锅炉进行故障测试,测试结果全部正确。     

基于神经网络的齿轮箱故障诊断

煤矿机械齿轮传动系统在低速重载等恶劣工况下极易发生故障,齿轮箱部分尤为突出。因此展开对恶劣工况下的齿轮箱故障诊断研究具有重要的意义。以齿轮箱中齿轮为研究对象,通过提取与齿轮箱振动相关的故障特征,经过神经网络的学习训练实现对齿轮箱故障的分类。经检验,该诊断神经网络对齿轮箱故障有很高的辨识度。     

基于小波神经网络的牵引电机齿轮故障诊断研究

以小波变换、小波神经网络为工具,采用定子电流对HXD1B型机车的YQ1633异步牵引电动机开展牵引电机齿轮故障诊断研究。定子电流法相对于振动法更容易实施,有效克服了振动信号中包含的复杂干扰。由小波分析完成齿轮故障的特征量提取,通过神经网络对故障类型进行判断,实际测试表明,该方法具有较好的故障诊断性能。     

基于小波神经网络的煤矿提升机轴承故障诊断

轴承故障严重地影响设备的使用寿命、效率及安全性。以某型煤矿提升机轴承为研究对象,采集煤矿提升机轴承实时数据,基于小波神经网络建立煤矿提升机轴承故障诊断模型,运用MATLAB对煤矿提升机小波神经网络模型进行数值计算,对煤矿提升机轴承故障进行诊断。诊断结果表明,不同运行时间下,煤矿提升机轴承振动信号不同;基于小波神经网络可以精确、高效对煤矿提升机轴承故障进行诊断。该研究为煤矿提升机轴承故障诊断、维修等方面提供理论依据。     

基于小波神经网络的采煤机摇臂故障诊断的研究

针对采煤机机械系统故障信号诊断的问题,在小波分析和神经网络的基础上,采用了一种基于小波神经网络诊断采煤机摇臂故障的方法。根据摇臂振动的信号通过小波分析检测出信号奇异点和突变情况,利用小波基函数作为小波神经网络的激励函数对故障信号做进一步的诊断,判断出故障特点和程度。结果证明此方法在故障诊断中的诊断准确率较高。     

小波神经网络在齿轮故障诊断中的应用

针对齿轮的故障诊断 ,提出了一种基于小波特征提取和BP神经网络的诊断系统 ,利用小波分解后各频段能量的分布作为特征向量输入神经网络。试验表明该方法能准确地诊断出齿轮的故障 ,具有广泛的应用前景     

基于SAPSO优化的小波神经网络在滚动轴承故障诊断中的应用

针对滚动轴承振动信号复杂及故障类型难以预知的问题,提出一种基于模拟退火粒子群算法(SAPSO)优化小波神经网络来诊断滚动轴承故障的新方法,并将其应用于滚动轴承故障诊断。实验表明,该方法能减少迭代次数、提高收敛精度。     

基于小波遗传神经网络矿用振动筛故障诊断分析

矿用振动筛长期受到反复荷载作用容易出现筛板松动变形、筛框梁开裂、激振器抱轴等故障,影响振动筛的正常使用。利用小波降噪技术能够提取出振动筛故障信号,由此判断故障类型,故障诊断效率较高。设计诊断系统的BP神经网络,介绍其网络结构、初始参数的设置和权值的训练方法,将小波遗传神经网络的诊断效果与小波神经网络进行对比,结果显示前者在诊断效率和诊断准确性上都有明显优势。     

基于BP神经网络技术的采煤机齿轮箱早期故障诊断

齿轮箱既是采煤机的核心部件,也是较容易出现故障的部件,一旦发生故障会导致严重的后果。因此,在齿轮箱出现问题的早期进行故障诊断具有重要意义。采用齿轮箱振动信号的5种特征指标作为BP神经网络的输入值,以齿轮箱的正常、齿轮磨损、齿面点蚀和齿根裂纹4种状态为神经网络的输出值,通过对BP神经网络进行训练和对故障类型进行编码,可以实现利用BP神经网络对齿轮箱早期缺陷的故障诊断。从实验仿真结果可知,诊断方法具有较高的准确率,为采煤机齿轮箱的早期故障诊断提供了新的研究思路。     

基于ALNAFSA优化BP神经网络的行星齿轮箱故障诊断

以行星齿轮箱为研究对象,提出了一种新型故障诊断方法。介绍了一种改进的自适应局部邻域人工鱼群算法(ALNAFSA),用该算法优化BP神经网络,避免了BP出现局部极值。对行星齿轮箱进行了实验,提取出5种工况的样本熵并构成特征向量,将其输入到ALNAFSA-BP模型中进行分类识别。与BP神经网络模型进行比较,结果表明,ALNAFSA-BP神经网络故障诊断准确率显著提高,达到95%。     

基于冗余第二代小波变换的齿轮箱故障诊断

为了避免传统小波变换在进行信号特征提取时,过分依赖于小波基的选择,引入了冗余第二代小波变换。对不同层的原始预测器和更新器进行插值补零运算,得出对应层的冗余预测器和更新器。然后利用新的冗余预测器和更新器对原始信号进行分解,使得分解的高频信号和低频信号的长度与原始信号长度相等。对齿轮箱故障特征提取表明,冗余第二代小波变换优于其他小波变换方法,能够比较理想地提取出齿轮箱的故障特征。     

基于小波包与概率神经网络相结合的滚动轴承故障诊断

基于小波变换的滚动轴承故障诊断,振动信号中的高频部分对诊断结果有一定影响,为克服此影响,首先运用小波包对SKF型滚动轴承故障信号进行预处理,以此为特征向量结合概率神经网络去验证模型的实用性和可行性。分析结果表明,小波包与概率神经网络相结合的故障诊断方法可以有效的应用于滚动轴承故障诊断。     

基于小波包和BP神经网络的滚动轴承故障诊断

基于Matlab平台,利用小波包技术对滚动轴承典型故障的振动信号提取特征值,再借助BP神经网络对特征值进行分类,经验证该方法能够准确识别故障。