基于Elman神经网络的液压泵故障诊断模型研究

针对传统BP网路进行液压泵故障诊断时，网络学习具有收敛速度慢和学习、记忆不稳定的缺陷，提出了将Elman神经网络应用于液压泵故障诊断的新方法，建立了Elman神经网络的应用结构模型，介绍了该网络的训练算法，阐明了液压泵故障诊断的实现过程。通过试验验证了该神经网络收敛速度快，学习记忆稳定，具有很好的学习功能；测试结果表明该诊断方法具有高可靠性，达到了预期的效果，可以用于液压泵故障诊断。     

基于VMD分解与卷积神经网络的液压泵故障诊断

针对液压泵数据退化特征维数高以及故障诊断精度不高的问题,提出了一种基于变分模态分解（Variational mode decomposition,VMD）与卷积神经网络（Convolutional Neural Network,CNN）的液压泵故障诊断方法。利用VMD良好的分解能力处理高维度数据,进行数据扩展,提取详细特征;基于CNN良好的特征提取和分类性能,在不需要先验知识的情况下直接从数据中提取特征,实现高精度故障诊断。该方法因具有端到端特征学习能力,在实测液压泵数据上进行验证,具有较高的故障诊断精度和稳定性。     

基于敏感度分析与概率神经网络的液压泵故障诊断方法研究

为了提高液压泵故障诊断的速度与准确性,提出了将敏感度分析与概率神经网络相结合的液压泵故障诊断方法。分析了不同状态下振动信号的时域图与频谱图,得出使用传统方法不易对液压泵进行故障诊断的结论。对各种状态下的振动信号提取特征参数,并对所提取特征参数进行敏感度分析。将敏感度高的特征参数以向量的形式输入概率神经网络进行训练和测试。实验表明:概率神经网络能快速、有效的诊断出液压泵的故障,节约诊断时间。将敏感度分析与概率神经网络相结合能提高概率神经网络诊断的正确率。     

基于神经网络的液压泵故障诊断

本文提出了一种基于多层感知器神经网络的液压泵故障诊断技术，并建立了从故障信号来集，预处理到诊断的整个框架。最后对某柱塞梁作了试验。     

LCD模糊熵和SOM神经网络在液压泵故障诊断中的应用

针对液压泵故障诊断问题,提出了一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)、模糊熵和SOM神经网络三者相结合的故障诊断方法。对液压泵振动信号进行LCD分解,得到若干个内禀尺度分量(Intrinsic Scale Component,ISC);将ISC分量分别与原信号进行相关分析,筛选出包含主要故障信息的前几个ISC分量,计算其模糊熵并组成特征矩阵;将特征矩阵输入SOM神经网络进行分类识别。液压泵故障诊断实例表明,该方法能够准确识别液压泵典型故障,具有一定优势。通过与BP神经网络分类结果相对比,显示了SOM神经网络在特征分类方面的优越性。     

液压泵轴承故障诊断的神经网络方法研究

他基于集成ＢＰ网络的液压泵轴承故障诊断方法。利用频域和倒频域进行特征提取,采用集成ＢＰ网络进行故障诊断和识别,解决了液压泵轴承故障特征提出困难、多故障识别困难的问题。试验结果表明,利用集成ＢＰ网络可以有效地诊断与识别液压泵轴承多故障模式,并且具有很强的鲁棒性。     

人工神经网络在液压泵故障诊断中的实现

本文介绍了人工神经网络对液压泵进行故障诊断的原因、结构及网络训练步骤。     

倒频谱在液压泵故障诊断中的应用

本文通过对轴向柱塞泵壳体振动加速速度信号的监测,利用倒频谱分析技术,不仅有铲地识别出了松靴故障,而且消除了传感器安装位置对监测分析结果的影响,为液压泵的故障诊断技术提供了方便。     

基于Lyapunov指数分析的液压泵故障诊断方法研究

提出了一种基于最大Lyapunov指数分析的微弱信号检测新方法,依据该方法对柱塞泵的脱靴故障进行了实验诊断.实验结果表明,故障压力信号的最大Lyapunov指数比无故障时的正常信号的小,可以作为故障发生与否的定量判据,为旋转机械故障诊断提供了一条新途径.     

基于小波神经网络的液压泵故障类型识别

根据液压泵发生故障所表现出来的特征,采用小波包能量值提取的办法作为故障类型识别的特征量,采用BP神经网络对输入的特征量进行识别。实验结果表明:采用小波神经网络对液压泵故障类型的识别可以取得满意的效果。     

液压泵故障诊断的小波-神经网络方法

针对利用压力信号进行故障诊断的液压齿轮泵,分析了液压齿轮泵的压力脉动机理,研究了应用小波分析进行齿轮泵压力信号的特征提取,利用RBF网络进行故障识别和诊断的方法,建立了相应的RBF神经网络,试验表明小波分析-RBF神经网络方法可对液压齿轮泵的常见故障进行识别和诊断.     

粗糙集在液压泵故障诊断研究中的应用

针对液压泵故障诊断的现实需要,提出了基于粗糙集理论的故障诊断方法.该方法利用小波分析对测量的原始数据进行去噪处理并结合Labview软件进行特征提取,得到揭示其内在规律的数据信息并建立故障诊断决策表.采用粗糙集理论提取决策表中的诊断规则,为液压泵的故障诊断提供有效的依据.通过实验证明了该方法可有效的应用于液压泵的故障诊断.     

基于小波包与概率神经网络的液压泵故障模式识别

小波包具有良好的去噪效果和高频分析能力,而概率神经网络具有很好的分类效果。采用小波包分解重构液压泵故障特征信号,并提取第三层各频率段的节点能量作为特征向量,将特征向量概率神经网络模型的输入向量对液压泵故障模式进行识别。通过采用LabVIEW和MATLAB混合编写的识别软件系统对液压泵故障识别,证明了将该方法用在液压泵故障模式识别上,能取得良好的效果。     

模糊Petri网在液压泵故障诊断中的应用研究

液压系统的故障诊断已经成为世界性的研究课题,如何快速、准确地诊断出故障的原因和位置,也是许多专家研究的问题.在液压诊断系统中引入模糊Petri网作为推理机制来判断故障的原因和位置,并具体介绍模糊Petri网在液压泵诊断过程中的应用.     

基于TSMAAPE与WOA-KELM的液压泵故障诊断北大核心

多尺度排列熵(MPE)是一种非线性动力学方法,广泛应用于旋转机械的故障诊断。然而,排列熵没有考虑具有相同排列模式的时间序列可能具有不同的振幅,并且粗粒化方法存在缺陷。为解决上述问题,提出时移多尺度振幅感知排列熵(TSMAAPE)。利用时移时间序列改善MPE中粗粒度时间序列存在的不足,同时引入振幅感知排列熵。通过与时移多尺度排列熵和多尺度振幅感知排列熵进行对比,验证TSMAAPE的鲁棒性。考虑到TSMAAPE在特征提取方面的优势,结合鲸鱼优化算法优化的核极限学习机,提出一种液压泵智能故障诊断方法。结果表明:该方法对液压泵的不同故障具有较好的分类准确率,在故障诊断领域有广阔的应用前景。     

基于神经网络的电动机故障诊断设计

以神经网络模型理论和智能控制技术为基础,研究了径向基函数(RBF)神经网络的模型结构及其在交流电动机故障诊断中的实现方法。结果表明:RBF神经网络的训练速度更快,逼近误差更小,能够更加有效地解决交流电动机故障诊断问题。     

基于模糊神经网络的液压泵故障诊断系统的研究

针对目前液压系统故障诊断中模型不容易建立的现状,采用模糊逼近方法、根据流量和压力的关系构建液压系统泄漏的故障诊断系统模型,并采用ANFIS对该模型进行优化.实际工作时只需将模型的输出与实际结果相比较便可知泵是否发生泄漏.实验结果表明,采用该方法能较好地判断系统是否泄漏.     

基于RBF神经网络的数控机床故障诊断研究

本文介绍神经网络用于数控机床控制系统的故障诊断技术，分析了数控机床故障诊断的方法，并采用RBF神经网络实现数控机床控制系统故障诊断的算法和程序设计。     

基于RBF神经网络的LSD2000点焊机故障诊断

本文介绍神经网络用于LSD 2000点焊机控制系统的故障诊断技术，分析了点焊机故障诊断的方法，并采用RBF神经网络实现点焊机控制系统故障诊断的算法和程序设计。     

基于熵的Mass函数算法及在液压泵故障诊断中的应用

如何确定Mass函数是D-S证据理论的棘手问题,本文从信息论的观点出发,提出一种新的计算Mass函数的算法.该算法依据证据体可信度因素和证据体与目标关联的相对熵来分配证据体的Mass函数,较全面反映证据体的不确定性.将方法应用于液压泵诊断中,结果表明它获取的Mass函数是符合实际情况的,具有较好的实用性,而且其算法容易实现.