故障诊断的多层神经网络研究

针对大型旋转机械多测点、多故障、同时性诊断问题，基于人工神经网络及贝叶斯分类规则，构造了一种由多个子网络组成的模块化、分层诊断网络，提高了子网络的分类能力，从而使整个网络有高精度、多故障同时性实时诊断的能力。     

火电厂锅炉在线故障诊断神经网络专家系统

针对火电厂热工生产过程高度复杂,多测点,多故障,同时性诊断特点,提出了将专家系统和人工神经网络方法相结合的火电厂锅炉集成故障诊断系统。其中,神经网络采用多个子网络并联相结合的结构,提高了系统的诊断速度和多故障同时性实时诊断的能力。     

火电厂锅炉在线故障诊断神经网络专家系统

针对火电厂热工生产过程高度复杂、多测点、多故障、同时性诊断特点,提出将专家系统和人工神经网络方法相结合的火电厂锅炉集成故障诊断系统．其中,神经网络采用多个子网络并联相结合的结构,提高了系统的诊断速度和多故障同时性实时诊断的能力．神经网络的输入采用模糊数学方法对参数不确定性状态进行高层逻辑概念量化,使系统能自动适应输入数据的变化,给出正确的诊断结果．该系统的仿真结果表明其设计是合理和可行的     

旋转机械故障诊断的模糊神经网络方法

本文给出了一种模糊神经网络方法 ,并将其应用于旋转机械故障诊断。文中针对旋转机械几种典型故障的诊断 ,将模糊神经网络方法与传统 BP网络方法和模糊分类方法进行了比较。结果证明 ,模糊神经网络方法具有更好的诊断效果 ,特别是在处理多故障情况时更为有效     

小波与BP网络在发动机配气系统故障诊断中的应用研究

对柴油机表面振动加速度信号进行检测,经时频分析、小波分析提取信号的特征量,并将其作为BP神经网络的输入端,用神经网络方法对故障信号的冲击类型进行分类和诊断.分析表明,发动机多故障的冲击为进气门异常状态、排气门异常状态和爆燃冲击状态,这与实测的发动机运行状态完全一致.由此证实基于小波和神经网络相结合的分析方法能准确地识别发动机多故障状态的冲击类型,准确区分正常状态、故障状态及故障类型.     

二进制递归网络的随机多故障条件诊断性综述

二进制递归网络(BR网络)具有结构规则、易于分割等优点,是理论研究和实际应用中颇受欢迎的网络结构.文章在综述互连网络的(强)诊断度、条件诊断度、g-好邻居条件诊断度、g-额外条件诊断度、诊断算法和二进制递归网络研究现状的基础上,针对二进制递归网络的故障结点数大于连通度的随机多故障模式,提出二进制递归网络的随机多故障条件...     

汽轮发电机组故障诊断的模糊聚类分析新方法

已有的模糊聚类分析方法不能对汽轮发电机组振动多故障进行有效诊断。文章综合运用模糊聚类分析理论,将待检样本与所有标准故障样本一起作为分类样本,在模糊等价矩阵的传递闭包法的基础上,提出了一种适合汽轮发电机组振动多故障诊断的新方法。实例表明,该方法可有效诊断汽轮发电机组的振动多故障,具有良好的应用前景。     

模拟电路单故障与多故障诊断的提升小波和RBF方法

为了更高效、更准确地诊断模拟电路的单故障和多故障,提出了提升小波和RBF神经网络相结合的方法。该方法用提升小波系数表征故障电路的特征,训练RBF神经网络,将训练好的神经网络作为分类器,对故障电路进行诊断。通过对比,提出的提升小波方法诊断效果明显优于传统小波,准确率达到99.2%,用时更长。结果表明,基于提升小波和RBF神经网络的模拟电路单故障与多故障诊断方法可以有效地提取故障电路的特征并准确快速地对故障进行分类。     

基于神经网络和证据理论的液压系统故障诊断

针对液压系统故障多样性和复杂性等特点,基于信息融合原理,提出了一种基于神经网络和D-S（Dempster-Shafer）证据理论相结合的液压系统故障诊断方法。该方法通过构建多子神经网络分类模块进行局部诊断,利用各子神经网络的输出值作为证据理论中的基本可信度,经过证据理论的再次融合得出最终的诊断结果。实例表明,该方法通过简化神经网络结构,提高了局部诊断网络的诊断能力,通过对多源多特征参数的融合,充分利用各传感器的冗余和互补的故障信息,与单一故障特征的诊断相比,显著提高了故障诊断的准确率,降低了决策的不确定性。     

基于模糊聚类的移动机器人并发故障诊断

移动机器人并发故障诊断技术大多将并发的多故障作为多种单故障组合状态处理,这样不仅需要为每种故障设计滤波器,且只能诊断特定的多故障组合.为了克服这些缺点,提出一种移动机器人多故障并发的故障诊断技术.根据移动机器人的运动模型,为每一种单故障状态设计一个对应的卡尔曼滤波器,用这些滤波器对移动机器人并发故障数据进行滤波.利用模糊聚类方法对滤波结果进行分类,根据移动机器人运行数据对不同单故障集合的隶属度诊断任意组合的并发故障.在三轮移动机器人Pioneer3上进行仿真实验,对14种常见的单故障和多故障并发的情况进行诊断,证明了该方法对轮式移动机器人并发故障诊断的有效性.     

机械故障诊断的神经网络技术

首先论述各种状态信息和设备状态之间的对应关系，即模式分类的重要性，然后通过学习，建立故障诊断的神经网络模型，并应用于大型旋转机械的故障诊断，实验研究表明，神经网络能够较好表达训练样本要求的决策区域，具有较强的分类能力，利用机械振动特征信息进行训练的网络对大型旋转机械个故障有较好的联想能力，其识别效果令人满意，投入现场应用是可行的。     

BP神经网络在水轮发电机组状态监测与诊断系统中的应用

引用了一种改进的BP(back_propagation)神经网络训练方法 ,对水轮发电机组的故障诊断进行了分析诊断 .利用这种方法可以使BP网络得到更快的收敛速度 .使用了BP子网络方法对水轮发电机组故障进行了分类构造诊断网络 ,此诊断方法已用于水电厂故障诊断系统 ,文中阐述了神经网络诊断在系统中的具体实现     

组合多重神经网络动态系统鲁棒故障检测与诊断

利用Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据理论，通过组合多重神经网络分类器，对一控制中的校正网络进行故障检测与诊断，单个神经网络分类器以某些特定的特征量进行分类，对应实际系统特征量的网络输出值怀盯庆训练用特征集的网络输出均值之间的广义距离为单个分类器输出的实际霜类的度量值，证据理论采用简单支撑集假设下的证据组合形式，最终的输出为综合多个神经网络输出后的结果，实际应用表明，此方法可以检测与诊断出单一分类     

基于多层BP神经网络的财务风险预警模型构建

首先筛选引发财务危机相关因素,建立财务风险预警指标体系.分析BP神经网络的隐含层数及结点数对网络分类能力的影响,构建基于多层BP神经网络的财务风险预警模型.进行了M atlab仿真实验,以验证所建模型的可行性、有效性及合理性.     

应用奇异值分解和峭度分离滚动轴承复合故障

滚动轴承多故障特征影响故障诊断结果,为此提出一种结合奇异值分解和峭度的复合故障诊断方法。将采集的双通道多故障特征振动信号进行多层奇异值分解,利用奇异值差分谱和归一化峭度进行筛选和重构,实现对多故障特征的分别提取;通过滚动轴承内外圈故障实验,最终分离出轴承的2种故障。与直接采用原始信号诊断相比,该方法能够在背景噪声下准确分离频率相近的微弱故障成分,提高提取瞬态冲击信号特征的能力,能有效识别滚动轴承的故障类型和发生部位,提高复合故障诊断的准确性。实验结果表明,该方法可以有效地分离和提取滚动轴承多故障特征。     

基于三维卷积神经网络的肺结节分类

为提高不易分割诊断的毛玻璃结节的分类准确率,同时针对VGG16网络结构卷积层数深,参数多的问题,提出一种基于灰度增强、纹理和形状滤波增强的三维深度卷积神经网络用于肺结节分类.对VGG16网络结构进行优化,提出的模型在肺结节公开数据集LIDC-IDRI上进行训练和测试.结果表明,采用灰度增强、纹理和形状滤波增强相结合的方...     

螺杆泵井智能集成故障诊断专家系统研究

为了及时处理油田开采中应用越来越广泛的螺杆泵井所存在的抽油杆断脱等故障,提高故障诊断的准确性和多故障同时诊断的能力,构造了一种基于模糊神经网络的智能集成故障诊断专家系统,并给出了系统的结构.介绍了模糊神经网络推理机的构成和功能,对综合知识库的结构和性能进行了简要分析,并设计了系统的故障诊断流程.系统经实际现场螺杆泵井的运行应用,取得了预期的诊断效果.     

运用模糊神经网络的雷情系统故障诊断研究

为了对雷达情报信息系统进行快速准确的故障诊断,提出了一种模糊神经网络的故障诊断方法.该方法将BP网络与FAM网络相结合,充分利用BP网络的分类功能和FAM网络的综合诊断功能,实现了高效、准确的故障诊断.最后通过对雷达情报信息系统故障实例的诊断仿真,证明了该算法的合理性.     

智能异构模型在电机故障诊断中的研究

提出以测试电机的三相电流噪声为电机故障特征信号的诊断方法,建立电机电流噪声多元时序模型,将时序模型的多元残差序列化为一元序列作为故障总体检测指标。针对多元时序模型参数φi的特点,提出了多层NN的故障类型识别模型,应用APEX网络提取初始模式向量的分类信息,利用前馈网络建立其识别函数,实践证明该诊断方法是正确的。     

面向轴承智能诊断的多领域深度对抗迁移网络

针对不同工况下轴承监测数据分布差异性导致的诊断精度下降问题,基于深度学习与迁移学习,提出一种多领域深度对抗迁移网络,用于变工况下轴承的智能诊断。将不同工况下的样本集视作属于不同的领域,在特征提取时利用深度残差网络将轴承源域的训练数据与目标域的测试数据映射到高维特征空间,提取监测数据高层抽象的特征表示;设计多领域对抗模块,以支持多故障模式的轴承样本在不同领域对抗模块上进行对抗迁移训练,保障源域与目标域数据在特征空间中的分布有效对齐;在利用源域数据训练故障分类器时引入标签平滑约束,增强故障识别的泛化能力,将源域故障诊断知识迁移到目标域数据的故障信息识别,实现变工况下的轴承智能诊断。利用变工况下的齿轮箱轴承故障数据集与电机轴承数据集对提出方法进行验证,结果表明：相比其他方法,提出的新方法考虑了轴承监测数据的多故障模式结构,更好地提取了领域不变特征,提升了变工况下轴承故障的识别精度。