共查询到20条相似文献,搜索用时 46 毫秒
1.
2.
本文提出了一种新的汽车发动机故障诊断方法。首先利用小波包对故障信号进行处理,将能量信息作为识别故障的特征向量,并采用了隐含层节点的动态删除策略对径向基函数神经网络结构进行精简。利用训练样本数据,得到最优预测模型,并用检验样本数据对所得的预测模型进行检验。试验表明该诊断方法对发动机故障诊断有良好的诊断效果,能够对故障进行准确分类。 相似文献
3.
本文通过对缸盖表面的振动信号进行小波包分解并重构,求出各分量的能量并归一化作为特征参数,输入到BP神经网络中进行诊断和识别。实验结果表明:基于小波包分解和BP神经网络的方法能够实现对发动机气门不同故障程度进行识别。 相似文献
4.
5.
针对滚动轴承的故障诊断,提出了小波包分解与BP神经网络结合的诊断方法。对轴承振动信号进行3层小波包分解,构造其特征向量,输入神经网络进行训练和测试。Matlab仿真结果表明,该方法能有效地诊断出轴承的故障类型。 相似文献
6.
7.
用加速度传感器获取主轴箱振动信号,应用小波包分解提取故障特征向量,进一步用特征向量训练前向传播BP神经网络,建一立齿轮运行状态分类器,对齿轮故障进行识别。实验结果表明,基于小波包分解能量提取故障特征是十分有效的。 相似文献
8.
基于小波包变换和径向基神经网络技术的汽车后桥总成故障诊断研究 总被引:1,自引:0,他引:1
现代汽车工业中,汽车故障有近20%是由汽车后桥引起。后桥故障诊断的难度大并且技术落后,导致后桥总成故障率居高不下,给厂家带来了巨大的经济和名誉损失。为了替代落后的诊断方法,实现后桥总成故障诊断的囱动化和智能化,降低后桥总成故障率,本文基于小波包变换和径向基神经网络技术提出了一种新型的汽车后桥总成故障诊断算法。首先,介绍了小波包和径向基神经网络的基础知识并对常见后桥故障类型进行了分类,得到后桥总成故障模式;然后,实现了对重构后桥振动信号进行四层小波包重构,得到了各频率段能量特征向量,继而与重构信号的方差、偏度和峰度构成了特征输入向量;接着,使用适量的后桥振动样本数据进行建立并训练了用于故障诊断的径向基神经网络;最后,利用50套后桥验证数据验证了所建立的神经网络在故障诊断中的实际效果,网络的故障诊断率迭到了92%。 相似文献
9.
针对缸盖振动信号的非平稳特性,提出了基于小波包相关系数和极限学习机的汽车发动机失火故障诊断系统.首先,对原始信号进行小波包分解,然后计算得到每个样本的能量熵和每个样本各子频带重构信号与原始信号的相关性系数.分别利用相关系数法和能量熵融合峭度的方法建立特征向量,随后输入到BP神经网络和极限学习机中进行训练和测试.实验结果表明,该方法可以有效地反映故障产生的差异并准确地识别单缸失火故障,具有精度高、训练时间短的优点. 相似文献
10.
11.
12.
小波包与改进BP神经网络相结合的齿轮箱故障识别 总被引:1,自引:0,他引:1
应用小波包分解技术提取齿轮箱振动信号中的故障特征向量,并以此作为改进BP神经网络的输入,对神经网络进行训练,建立了齿轮箱运行状态分类器,用以识别齿轮箱的运行状态。试验结果表明,小波包分解与神经网络相结合的齿轮箱齿轮故障识别方法是可靠的,可以准确识别齿轮箱的故障。 相似文献
13.
14.
基于齿轮箱故障齿轮的特征提取,提出了将小波包分析与神经网络结合的齿轮故障诊断方法。对齿轮信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,实验结果表明该方法能够有效地诊断出齿轮的故障类型。 相似文献
15.
小波-神经网络在齿轮故障诊断中的应用 总被引:1,自引:0,他引:1
基于齿轮箱故障齿轮的特征提取,提出了将小波包分析与神经网络结合的齿轮故障诊断方法.对齿轮信号进行3层小波包分解,构造小波包特征向量作为故障样本.用训练好的BP神经网络进行故障诊断,实验结果表明该方法能够有效地诊断出齿轮的故障类型. 相似文献
16.
17.
基于小波包特征向量与神经网络的滚动轴承故障诊断 总被引:1,自引:0,他引:1
基于故障轴承的特征提取,提出了将小波包分析与神经网络结合的滚动轴承故障诊断方法.对滚动轴承信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,试验结果表明,该方法能够有效地诊断出滚动轴承的故障类型. 相似文献
18.
简述了小波包分析及用于特征提取的机理,以SKF 6326-C3轴承为例,从吉林同发风电场采集了不同工况下的实时信号,利用小波包对滚动轴承振动信号进行分解,振动信号被分解到独立的频段。不同频带内的信号能量变化反映了运行状态的改变,提取各频带小波包能量谱,并对其进行能量归一化处理,作为特征向量,最后应用于基于Kohonen神经网络的故障诊断方法。经对大量实测数据的处理和分析,能够比较准确地诊断出轴承的故障。 相似文献
19.
基于DWT和PNN的印刷过程实时监测和故障诊断 总被引:2,自引:0,他引:2
提出了一种新的基于离散小波变换和概率神经网络的印刷过程振动信号的实时监测和故障诊断系统。利用小波包分解技术对印刷过程振动信号进行降噪处理,并选择特殊频段进行小波包重构,有效捕捉和分离了处于信号不同频段的印刷过程振动信号故障特征分量。对提取的故障特征参数应用概率神经网络映射,实现对印刷过程振动信号运行状态的实时监测和故障诊断。仿真结果表明,该诊断方法快速、准确且易于工程实现。 相似文献