基于油液分析的多层前向BP网络在复杂机械故障诊断中的应用

为了提高大型复杂机械故障诊断系统的诊断精度和自适应性,将改进的多层前向BP神经网络引入大型复杂机械系统故障诊断的研究,通过对该系统的多技术油液分析,建立了该机械系统油液分析故障特征表及神经网络目标输出,以此构建了基于油液分析的复杂机械系统多层前向BP网络故障诊断模型,并对该模型在MATLAB环境下进行了仿真训练和故障诊断。仿真结果表明,该模型能用于故障诊断,并有较高的输出精度。     

基于Elman神经网络的滚动轴承故障诊断方法

介绍了Elman神经网络的模型及原理,阐述了滚动轴承故障诊断的技术路线;通过轴承故障试验台采集滚动轴承振动信号并提取信号特征数据,利用构建的Elman神经网络,实现了轴承的智能诊断。与传统BP神经网络诊断相比,Elman神经网络综合诊断性能更优。     

基于尾气成分分析的内燃机故障诊断方法

为提高内燃机运行质量,保证其安全性和稳定性,本文分析内燃机尾气成分与故障类型的关系,以F12L413F型风冷柴油机为例,构建了BP神经网络故障诊断模型。通过对比优化前后的BP神经网络诊断结果发现,BP神经网络诊断结果与期望值存在较大误差,而优化后的GA-BP神经网络诊断正确率较高。实验数据表明,经过优化的BP神经网络结合新的内燃机故障诊断对象,可以提高内燃机故障诊断精度。     

基于BP神经网络的数控机床远程故障诊断系统

根据数控机床故障诊断的内容和使用需求．把远程监测和基于BP神经网络的故障诊断技术结合起来，组成为基于BP神经网络的数控机床远程故障诊断系统。     

基于D-S证据理论的航空发动机磨损故障智能融合诊断方法

油样分析方法目前已成为航空发动机磨损故障诊断的重要手段,但单一油样分析技术的诊断准确率均有限,为了提高故障诊断的精度,本文提出了基于D-S证据理论的发动机磨损故障智能融合诊断方法。首先用BP神经网络实现发动机磨损故障的单项智能诊断,然后,充分利用神经网络诊断结果,用D-S证据理论实现了磨损故障的融合诊断。最后,算例验证了本文方法的有效性。     

基于小波神经网络信息融合动密封故障诊断研究

针对动密封中唇形密封的综合故障问题，应用小波神经网络技术加混合式数据融合方法，将数据级、特征级和决策级故障诊断数据融合在一起，对动密封中唇形密封的缺陷进行智能诊断，描述了小波神经网络的建模过程，探讨了通过多源互补信息减少故障诊断系统不确定性的优化方法。结果表明，采用混合式融合结构可以通过多源互补以及冗余信息来提高诊断系统的鲁棒性；采用小波神经网络信息融合的诊断方法，可有效诊断动密封中唇形密封存在的综合故障问题。     

基于集成神经网络的风机故障诊断系统的研究

利用集成神经网络建立了风机故障的智能诊断系统.该系统在设备异常后进行诊断,通过运行和诊断实例得出了故障诊断结果.     

基于改进的BP模糊神经网络的汽车ABS故障诊断

针对汽车ABS(anti-lock brake system)故障分类边界的模糊性和故障模式之间存在交叉数据的诊断不确定问题,对模糊逻辑和改进的BP(back propagation)神经网络故障诊断方法进行研究.根据这两种方法各自的优缺点,采用串联方法将二者相结合,实现ABS故障诊断系统对不精确或不确定等模糊信息的处...     

基于遗传神经网络的故障智能诊断方法及其应用研究

该文将BP神经网络与遗传算法结合起来,建立了遗传神经网络模型。然后通过采用Visual C 6.0语言并结合数据库技术开发出液压AGC故障智能诊断平台,阐述了平台设计思想。最后,以电液伺服阀为例,给出了故障模式识别的实验数据,证明了遗传神经网络用于该故障诊断系统的可行性。     

基于小波包能量神经网络的滚动轴承故障诊断方法

针对单一的信号处理诊断方法难以实现滚动轴承故障准确诊断的局限性,提出一种基于小波包能量神经网络相融合的滚动轴承诊断方法。搭建MPS-ICP滚动轴承振动信号的数据采集平台,利用小波包变换对滚动轴承内环、外环及滚动体的故障信号进行去噪、分解与重构,有效提取不同故障下各频段能量的故障特征。将提取的能量故障特征分别输入至建立的BP、RBF和Elman神经网络的诊断系统中,实验分析表明,三种神经网络都能较好的诊断电机滚动轴承的故障类型,且与实际滚动轴承的故障类型较吻合,但就诊断误差和时间综合而言,BP神经网络诊断系统更适合电机滚动轴承故障的检测。     

轧机伺服液压缸内泄漏故障诊断研究

针对目前轧机伺服液压缸故障诊断过程中,故障特征提取困难,信号非线性变化,数据量大的问题,提出了一种基于深度置信网络的轧机伺服液压缸故障诊断的方法.根据轧机系统工作原理,建立轧机系统仿真模型,对轧机内泄漏故障状况进行模拟.利用深度置信网络在智能故障诊断的优越性,将信号归一化处理后放入深度置信网络进行训练,然后通过反向传播...     

基于KPCA-SOM网络的列控RBC系统故障诊断方法

无线闭塞中心(RBC)系统是CTCS-3级列控系统的核心设备,在现场其故障分析主要依靠人工完成,诊断结果不精确、效率低。因此,提出了基于one-hot模型、核主元分析(KPCA)和自组织映射(SOM)网络的RBC系统智能故障诊断方法。首先,通过人工选取的故障特征词库和故障追踪记录表构建基于“one-hot”模型的故障文档矩阵;其次,利用核主元分析方法对故障文档矩阵进行降维降噪处理,避免信息冗余;最后将处理后的数据输入至SOM网络,训练生成KPCA-SOM故障分类模型。通过与BP神经网络算法、SOM网络算法比对分析,KPCA-SOM智能诊断方法可有效地对列控RBC系统常见故障类型进行区分,并且在准确率和处理效率上进一步优化提升。     

Fault diagnosis for manifold absolute pressure sensor(MAP) of diesel engine based on Elman neural network observer

Intake system of diesel engine is a strong nonlinear system, and it is difficult to establish accurate model of intake system; and bias fault and precision degradation fault of MAP of diesel engine can’t be diagnosed easily using model-based methods. Thus, a fault diagnosis method based on Elman neural network observer is proposed. By comparing simulation results of intake pressure based on BP network and Elman neural network, lower sampling error magnitude is gained using Elman neural network, and the error is less volatile. Forecast accuracy is between 0.015-0.017 5 and sample error is controlled within 0-0.07. Considering the output stability and complexity of solving comprehensively, Elman neural network with a single hidden layer and with 44 nodes is presented as intake system observer. By comparing the relations of confidence intervals of the residual value between the measured and predicted values, error variance and failures in various fault types. Then four typical MAP faults of diesel engine can be diagnosed: complete failure fault, bias fault, precision degradation fault and drift fault. The simulation results show: intake pressure is observable and selection of diagnostic strategy parameter reasonably can increase the accuracy of diagnosis;the proposed fault diagnosis method only depends on data and structural parameters of observer, not depends on the nonlinear model of air intake system. A fault diagnosis method is proposed not depending system model to observe intake pressure, and bias fault and precision degradation fault of MAP of diesel engine can be diagnosed based on residuals.     

数控设备远程运行与故障诊断系统体系结构设计

以柔性制造系统中数控设备为制造单元并作为控制对象,以实现CAD/CAM/CAPP智能化、集成化地制造.通过分析网络化环境下数控设备远程运行与故障诊断系统的特点,提出该系统的体系结构,使用BP神经网络进行数控设备的故障诊断,阐述了基于BP神经网络和专家系统混合的神经网络故障诊断专家系统的基本原理,并分析了基于EJB的数控...     

基于全矢增强深度森林的旋转设备智能故障诊断方法

针对传统智能诊断方法需要专家知识和复杂特征提取，而深度神经网络模型复杂度高、构建难度大，以及单源信号信息不完备等问题，提出了一种新颖的全矢数据融合增强深度森林的旋转设备故障诊断方法。该方法根据旋转设备振动信号的特点，选择全矢谱技术与深度森林多粒度扫描相结合，用于接收同源双通道信号输入，增强了数据的完备性，并通过改善深度森林级联层来减少深层特征消失和特征冗余。为了验证所提出方法的有效性，分别进行了滚动轴承与轴向柱塞泵两例故障诊断实验研究，结果表明，该方法在不同旋转设备上都有很好的诊断效果，并可以实现端到端故障诊断。此外，该方法在小训练数据集上的故障识别准确率也非常高。     

基于GNN的全寿命期砼泵液压系统故障分析

液压系统是机、电、液耦合的复杂系统,实践表明工程机械有70%的故障是由液压系统引起的,液压系统的故障诊断已成为国内外学者研究的热点,其中智能化诊断已成为当前发展趋势,以神经网络应用最为广泛。然而研究发现,各类BP网络模型在样本点的选取上均没有考虑液压系统寿命周期不同对故障诊断所造成的影响,为解决这个问题,构建了全寿命期砼泵液压系统故障分析模型,在神经网络分析的基础上考虑设备寿命期对系统故障分析的影响,并结合遗传算法对BP神经网络进行优化。     

基于蚁群神经网络的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确性,将蚁群算法与神经网络相结合,根据轴承故障产生的机理,建立其BP神经网络的诊断模型,以网络的误差为目标函数,通过蚁群算法进行BP网络的权值优化,并用优化好的BP网络进行故障诊断。仿真结果表明,该方法具有较高的故障诊断准确度,具有较强的实用性。     

液压支架液压系统故障仿真与诊断技术研究

针对目前支架液压系统故障诊断中获取故障数据较难等问题,提出了一种基于故障模拟仿真的支架液压系统故障诊断方法。在分析支架液压系统工作原理和常见故障的基础上,利用AMESim软件对其常见故障工况进行模拟仿真并采集样本数据,采用BP神经网络的故障诊断算法通过MATLAB软件进行故障仿真训练和诊断测试。结果表明,该方法具有较高准确性和可靠性,达到了预期目标,可用于支架液压系统的故障诊断,并为进一步开展支架液压系统智能故障诊断和健康监测奠定了研究基础。     

无人机指挥控制系统的神经网络专家故障诊断

将神经网络与专家系统相结合，提出了一种应用于无人机指挥控制系统的智能故障诊断方法。给出了该故障诊断系统的结构组成，详细阐述了它故障诊断的原理。利用MATLAB对系统仿真的结果表明，该方法应用于无人机指挥控制系统的故障诊断是有效的。     

基于SVM和BP神经网络的轴系故障诊断

阐述SVM（support vector machine）和BP（back propagation）两种神经网络的基本原理和算法,将其应用于柴油机轴系的故障诊断与识别,建立轴系故障的SVM故障诊断模型,并与BP神经网络进行对比分析研究。结果表明,SVM和BP神经网络都具有精度较高的故障识别能力,但SVM整体性能优于BP神经网络,具有较快的训练速度和较强的非线性映射能力,非常适用于轴系的状态监测和故障诊断。