基于多神经网络多参数综合的旋转机械故障诊断系统研究

本文提出并建立了基于多神经网络多参数综合的旋转机械故障诊断系统。在多层多输出前向神经网络的算法基础上,对多个征兆域分别建立相应的诊断网络,然后利用加权方法进行综合评判,并且该诊断系统具有自学习、自适应能力,以便能够适应大型旋转机械,特别是汽轮发电机组等实际产生故障的振动原因的复杂性及诱发的振动征兆的多元性等特点,从而提高了故障诊断的可靠性和诊断精度。本系统对工程应用具有较高的实用价值。     

基于多重分形理论与神经网络的齿轮故障诊断

针对齿轮故障振动信号具有多重分形特征,提出多重分形与神经网络相结合的机械故障诊断方法。采用多重分形理论计算出振动时间序列的多分形谱f(α)和广义分形维数D(q),并将多分形谱能和广义分形维数谱能作为特征量,构成二维特征向量。将该特征向量作为概率神经网络的输入参量,对采自齿轮故障台的振动信号进行故障分类。作为对比,将关联维数作为特征量输入同样参数的概率神经网络并进行故障识别,结果表明,所提出的方法具有更高的识别率。     

基于振动信号时频分解-样本熵的受电弓裂纹故障诊断

构建了基于时频分解-样本熵测度的受电弓振动信号故障特征提取模型。对振动信号进行聚合经验模态分解,接着对分解得到的本征模态函数计算参数优化后的样本熵特征。将获取的故障特征输入基于粒子群参数优化的支持向量机(PSO-SVM)进行受电弓故障识别分析。结果发现,基于受电弓顶管振动信号的EEMD样本熵故障诊断效果较好,而碳滑板振动信号诊断效果较差。针对这一特点,利用二代小波样本熵进行优化,进一步提高了碳滑板振动信号故障诊断结果,验证了现代时频分析算法与信息熵联合的诊断方法在受电弓振动信号特征提取与故障诊断的可行性与有效性。     

基于BP神经网络的吸运风机故障诊断

吸运风机是农业现代化生产机械联合收割机的重要组成设备.针对目前吸运风机经常出现的故障,收集了吸运风机故障征兆和其对应的故障类型.将故障样本数据和模糊神经网络相结合,并根据BP神经网络确定网络的输入和输出向量,对风机进行故障诊断,诊断结果与实际情况比较吻合.运用MATLAB实现神经网络故障诊断仿真,仿真结果表明诊断误差较小,输出向量与实际故障矩阵结果接近.     

基于小波神经网络的凝汽器故障诊断

引入小波变换优化神经网络,建立了凝汽器故障征兆参数集,利用小波神经网自适应能力强、收敛速度快、精度高的特点对凝汽器故障进行诊断。应用结果表明,该方法能够有效地对凝汽器故障进行准确诊断。     

基于邻域粗糙集与RVM的制粉系统故障诊断

针对火电厂制粉系统的故障征兆参数复杂、不易诊断的特点,提出一种基于邻域粗糙集(NRS)与相关向量机(RVM)的故障诊断方法。该方法首先利用邻域粗糙集约简输入的特征向量,并将约简得到的最优决策表作为RVM的输入,采用组合核函数代替传统的单一核函数,利用网格搜索和交叉验证的方法确定最佳的核函数参数和组合核系数,建立二叉树RVM多分类模型,从而进行制粉系统故障识别和诊断。实验结果表明,该方法故障诊断准确率可达95%,且泛化能力强。     

汽轮发电机组不平衡振动分析

汽轮发电机异常振动是一种复杂的综合性故障形式,而不平衡振动是汽轮机振动中最常见的形式。通过200MW-660MW机组多起不平衡振动事例的分析,对不平衡振动随转速、负荷等重要参数的变化规律及不平衡振动的频谱特征进行了小结,提出了不平衡振动诊断时注意的事项,为科学诊断不平衡振动故障提供了借鉴。     

故障多征兆域一致性诊断策略的研究

提出了故障多征兆域一致性的诊断思想,并对该思想的实现途径进行了研究;提出了从群体专家一致性决策角度基于BP神经网络实现故障多征兆域一致性诊断的思路,且具体研究了基于Dem pster-Shafer证据理论和基于模糊积分理论实现一致性处理的两种有效策略;最后就所提出的方法和策略进行了示例研究。     

基于多信息的柴油机缸套磨损故障诊断研究

采用了模糊神经网络模型，对柴油机缸套磨损故障以及缸套破坏性磨损故障进行了诊断研究．通过缸套磨损故障的模拟实验，获取柴油机机身振动和铁谱分析等多源多雏故障信息，并对融合故障信息进行预处理，解决了模糊神经网络输入矢量的模糊特性化、输出矢量的隶属函数及网络的学习训练问题，对缸套不同磨损故障进行了诊断．研究表明，这种基于多信息的诊断方法减小了故障诊断的不确定性，提高了诊断精度．     

基于MF-DFA与PSO优化LSSVM的滚动轴承故障诊断方法

针对滚动轴承故障损伤程度难以确定的问题,提出对滚动轴承不同故障位置、不同损伤程度的振动信号进行故障特征提取及智能分类的故障诊断方法。先对各状态振动信号进行MF-DFA分析,选取敏感性及稳定性最好的二种多重分形谱参数作为故障特征量,然后输入到经过PSO参数优化的LSSVM中进行故障诊断。通过仿真试验、应用实例验证了该方法的有效性,并与LSSVM、SVM方法的诊断结果进行比较。结果表明:所提方法可实现滚动轴承故障位置及损伤程度的智能诊断,比直接LSSVM、SVM方法具有更优的泛化性,适合解决实际工程问题。