基于粗糙集神经网络的刀具磨损监测的研究

针对多传感器刀具磨损监测系统输入维数较多、神经网络结构复杂、收敛速度慢等缺点,提出了粗糙集和遗传算法优化神经网络的模型.该模型首先利用粗糙集理论的属性约简对输入数据进行处理,从而达到减少神经网络输入维数、简化神经网络结构的目的.然后通过遗传算法优化神经网络的初始权值和阈值,以提高神经网络的收敛速度,避免神经网络陷入局部极值点.将该模型应用到刀具磨损监测,通过对声发射信号和电流信号进行处理,提取特征向量值,将特征值先通过自组织神经网络进行连续属性离散化,再通过粗糙集理论进行属性约简,最后通过遗传算法优化的BP神经网络进行识别,取得了很好的效果,证明了此模型的有效性和可行性.     

遗传神经网络在轴系故障诊断中的应用

为解决BP神经网络收敛速度慢以及容易陷入局部最优解的问题,将遗传算法与BP神经网络相结合应用于轴系故障诊断中。首先设计了船舶柴油机轴系模拟实验平台,然后利用小波包分解技术分析了轴系故障时的振动信号,并将其能谱熵作为故障模式的特征向量,最后对轴系的4种运行状态进行了故障识别与分析。仿真结果表明,GA-BP算法预测精度要高于传统的BP算法,适用于轴系的状态监测和故障诊断。     

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。     

基于邻域属性重要度与主成分分析的齿轮箱故障特征约简

为有效降低齿轮箱故障特征的维数并提高诊断效率,提出了基于邻域属性重要度与主成分分析法相结合的齿轮箱故障特征约简方法,并利用支持向量机和BP神经网络对诊断的准确率进行对比分析。针对齿轮箱中具有不同程度裂纹的齿轮,选取其时域、频域和基于希尔伯特变换的36个特征;将邻域模型引入到特征属性的约简,构造前向贪心算法,以邻域属性重要度较大的9个特征作为特征集,提取累积贡献率达到95%以上的主成分,分别输入支持向量机和BP神经网络分类器中进行分类识别,并与不经过特征优选的主成分特征融合相对比。结果表明,采用基于邻域属性重要度与主成分分析法相结合的特征约简方法,既可以降低齿轮箱故障特征的维数,又不影响对其运行状态的表征,有助于识别不同裂纹水平的齿轮,与不经过特征优选直接进行融合的方法相比,所提出方法诊断准确率更高,训练时间更短。     

基于粗糙集-BP神经网络的垃圾破碎机故障诊断

针对目前垃圾破碎机故障诊断效率低的问题,设计了一种基于粗糙集理论与BP神经网络的故障诊断系统。结合粗糙集理论和BP神经网络的优点,首先利用粗糙集对原始故障诊断样本进行处理,然后对条件属性进行约简,删除冗余的信息,减少神经网络输入端的数据,从而简化神经网络的结构。并将基于粗糙集-BP神经网络的故障诊断系统对垃圾破碎机进行故障诊断。利用粗糙集对故障知识进行约简,简化BP神经网络结构,提高故障诊断的速度及准确度。将此方法应用于某型号垃圾破碎机的故障诊断中,诊断结果表明所提诊断方法可简化神经网络结构,提高诊断效率。     

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。     

基于粗糙集改进算法的神经网络故障诊断方法

针对BP神经网络在实际工程应用中受到大量冗余信息的制约,以及基于信息熵的属性离散方法的阈值选取具有主观性的缺点,提出了改进的基于信息熵的粗糙集连续属性离散化算法。该算法将Naivescaler离散化算法和信息熵离散化方法相结合,减少了离散化算法中候选离散点的数量;基于粗糙集约简信息决策表,有效解决了BP神经网络训练样本过于庞大的问题;并通过改进的离散化算法对属性约简后数据进行分类,将分类后的数据运用到神经网络运算中,进一步缩短了神经网络的运算时间。通过实例分析表明,该方法具有很好的故障诊断效果,并有效提高了诊断效率。     

基于信息熵与神经网络的供输弹系统早期故障诊断

对于供输弹系统早期故障信息微弱,难以识别诊断的问题,提出一种基于信息熵与Elman神经网络相结合的供输弹系统早期故障诊断的方法。通过合理布置测点采集供输弹系统振动信号,经自适应广义形态滤波后提取近似熵、样本熵为特征参量,分别运用Elman神经网络和BP神经网络对其识别。结果显示:该方法能有效对供输弹系统早期故障进行诊断,诊断正确率高达92.13%,且优于BP神经网络的诊断结果。文中所运用的方法在供输弹系统早期故障诊断中有良好的应用。     

基于粗糙集－集成神经网络的航空发动机磨损故障诊断方法

将粗糙集理论和神经网络相结合并应用到航空发动机磨损故障诊断中,依据属性的重要性和决策表的相容性,用自组织神经网络完成连续数据离散处理这一关键环节,采用粗糙集理论对征兆信息进行属性约简,获取征兆的主要特征,为神经网络结构简化和子神经网络的构成等奠定了基础,通过基于D-S证据理论的方法得到最终的融合结果。将该方法用于某型航空发动机的磨损故障诊断专家系统中,实验证明了该方法的有效性。     

基于Petri网和萤火虫神经网络的柴油机故障诊断

针对BP神经网络在柴油机故障诊断中,提取训练数据的盲目性及网络收敛速度慢、精度低的问题,提出一种基于Petri网与萤火虫神经网络的故障诊断方法.通过Petri网建模归纳出柴油机所有故障模式,提取神经网络的训练数据,利用萤火虫算法来优化BP神经网络的权值和阈值,改善BP神经网络的性能.仿真实验表明,采用Petri网建模并用萤火虫算法优化BP神经网络的方法,有效地提高了神经网络的收敛速度和诊断精度,在柴油机故障诊断中得到了较好的应用.     

基于BP神经网络的翻车机液压系统故障诊断

为了快速诊断出翻车机液压系统故障产生的位置以及故障原因,提出了一种基于BP神经网络算法的翻车机液压系统故障诊断方法,在此基础上提出了大型液压系统故障诊断分块建模的原则。利用某公司C型转子式翻车机故障数据样本建立了整体、分块故障诊断BP神经网络模型,对比实验数据分析表明,采用分块建模原则建立的BP神经网络故障诊断模型对翻车机液压系统故障具有较高识别精度,对提高翻车机液压系统状态监测与故障诊断能力有较大实用价值和工程意义。     

基于ART-并行BP神经网络的柴油机故障诊断研究

造成柴油机故障的因素十分复杂,既存在单一类的故障,也存在多故障并存的现象,而且还会出现新型故障,仅仅依靠单一神经网络技术的故障诊断已经很难满足对柴油机的有效诊断要求。本文在信息决策层融合的基础上,以自适应谐振理论ART和误差反向传播并行BP两种神经网络为基础,建立了用于柴油机故障诊断的新型神经网络模型,以对柴油机系统工作过程多种故障进行诊断识别。通过与单一神经网络诊断识别结果的分析和比较,验证了该神经网络诊断模型的可行性,它能够进行多传感器信息综合诊断,既能识别单故障和并发故障,又具有识别新型故障的能力,可有效地提高对柴油机故障诊断的准确性和可靠性。     

基于改进BP神经网络的水轮机进水蝶阀故障诊断方法

传统水轮机进水蝶阀故障诊断方法 RMSE性能较差,无法有效精准诊断到故障,提出基于改进BP神经网络的水轮机进水蝶阀故障诊断方法。建立BP神经网络,利用粒子群算法改进网络参数,采用传感器采集进水蝶阀振动、噪声以及压力等数据,利用改进后的BP神经网络分析故障信息,提取故障特征,识别与诊断进水蝶阀故障类型,实现故障诊断。经实验证明,设计方法 RMSE值在0.2以下,诊断精度较高,具有良好的应用前景。     

基于小波包-神经网络的电厂发电机组故障诊断研究

电厂发电机组齿轮箱通常工作在高速高负载和润滑不良的恶劣环境中,研究对其工作过程的有效监测和故障诊断具有重要意义。针对齿轮箱故障信号的非平稳特征,提出了基于小波包分解和神经网络的故障诊断方法。以故障信号小波包分解后的能量信息作为输入向量,以BP神经网络作为分类器对其进行识别和诊断。通过对齿轮箱的正常工况、齿面磨损、缺齿和复合故障等4种类型的分析表明,提出的小波神经网络故障诊断方法可以识别齿轮箱的故障类型。     

粗糙集用于故障诊断中的测点优化配置

提出了一种基于粗糙集属性约简技术的测点优化配置方法。首先根据齿轮箱的故障机理确定了基本测点,采用粗糙集理论建立了测点优化决策表;然后提出了采用基于属性频率的差别矩阵法求取最小属性约简集,避免了复杂的布尔运算;最后通过对约简集进行分析找到了有效的信号监测点,并且应用BP神经网络进行了仿真验证。实验结果表明该方法不需要对监测对象建模,也不需要进行动力学分析,而是根据时频域指标与故障种类之间的关联程度选择有效监测点,通过监控有效监测点,采集有效故障信息,有利于提高故障诊断的效率和准确率。     

基于SFLA-BP模型和KPCA特征提取的行星齿轮箱故障诊断

混合蛙跳算法(SFLA)是将竞争进化策略和有限度随机搜索有机结合的群智能优化算法,已应用于各种优化问题。分析混合蛙跳算法用于全局优化问题的优势,并建立了基于混合蛙跳优化BP神经网络(SFLA-BP)算法模型,进行了仿真研究。以行星齿轮箱为工程实例,分析了行星齿轮故障信号传递路径复杂,相互耦合,呈现非线性的特性。应用核主元分析(KPCA)提取了时、频域敏感的特征参数,特征属性由27维压缩到9维,并建立了结构为9-14-4的神经网络故障诊断系统。充分利用混合蛙跳算法全局搜索的优势实现了行星齿轮不同磨损程度的故障诊断。诊断结果表明:SFLA-BP模型与BP神经网络相比,整体输出误差较小,诊断的准确率提高了12. 5%,对不同损伤程度的故障可以达到准确的识别效果。     

基于改进决策树算法的设备故障智能诊断模型

提出一种改进决策树智能故障诊断方法.首先构建故障诊断原始决策表,然后对特征数据进行离散化处理;接着利用可辨识矩阵约简算法对决策表进行属性约简;最后利用 G45 算法构造出最优诊断决策树;并对实例进行故障诊断.结果表明:该方法能有效地删除冗余信息,形成精简的决策规则库,提高故障识别速度,具有很强的工程实用性.     

LLTSA特征降维与ELM模型在单向阀故障诊断中的应用

信号的单一特征难以全面反映设备运行状态,而利用多域特征表征设备运行状态时,随着特征维数增加,将引发维数灾难,导致分类器性能退化,降低状态监测模型的辨识性能。针对这一问题,提出线性局部切空间排列(Linear local tangent space alignment,LLTSA)特征降维与极限学习机(Extreme learning machine,ELM)模型的故障诊断方法,利用LLTSA从高维特征空间提取低维流形,实现信号特征的维数约简,保证模型分类性能。该方法首先利用完备总体经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)对振动信号进行分解,采用相关系数与峭度准则筛选分量,重构得到降噪后的振动信号;然后,计算重构信号的多域特征,并利用LLTSA进行特征维数约简;最后,利用其低维本质特征建立ELM故障诊断模型,监测设备运行状态。高压隔膜泵单向阀运行状态监测实验表明,对振动信号进行特征维数约简,降低特征间的冗余性,可提高ELM模型的故障识别精度。     

基于RBF神经网络的齿轮箱故障诊断

阐述径向基函数(radial base function,RBF)神经网络的基本原理和算法,将其应用于齿轮箱故障诊断与识别,建立齿轮箱的BRF故障诊断模型,并与BP(back propagation)神经网络、学习率自适应BP神经网络进行对比分析研究。结果表明,RBF神经网络性能优于BP神经网络,具有较快的训练速度、较强的非线性映射能力和精度较高的故障识别能力,非常适用于齿轮箱的状态监测和故障诊断。但在具体应用中应当注意,RBF网络的训练样本必须含有一定的噪声,以提高网络的容噪性能;各类故障的训练样本数不能太少,否则RBF网络的故障分类能力很差。     

基于粗糙遗传BP神经网络的滚动轴承故障诊断

为了提高滚动轴承的故障诊断效率和精度,将粗糙集理论和遗传BP神经网络相结合,提出了一种新的滚动轴承故障诊断方法。首先利用粗糙集理论对故障诊断决策表进行属性约简,以简化BP神经网络的结构及降低计算量。然后利用遗传算法来优化BP神经网络的参数以达到最优泛化能力,从而建立粗糙遗传BP神经网络故障诊断模型。以美国凯斯西储大学的轴承数据为例,通过MATLAB仿真,结果表明该方法不仅可以克服BP神经网络的缺陷、减少遗传寻优迭代次数,还能提高故障诊断精确度。