故障诊断中基于神经网络的特征提取方法研究

在电路状态检测与故障诊断过程中,恰当地选择特征参数是诊断成败的关键。本文研究了基于神经网络的特征评价和特征提取方法,利用神经网络的训练结果对特征参数进行合理的评价。由于神经网络满足高分辨率信息压缩所需的非线性映射条件,通过特征提取将电路故障模式识别中复杂的分类问题转移到特征处理阶段,利用神经网络有效地实现了特征参数的提取。诊断实例验证了该方法的有效性。     

基于PCA与BP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效果,提出主成分分析结合BP神经网络的方法。简要介绍主成分分析法将轴承振动信号时域与频域的特征数据降维处理以及BP神经网络训练过程的原理。利用主成分分析与BP神经网络模型对凯斯西储大学轴承数据进行训练,将滚动轴承的状态类型作为网络输出结果。经过600组训练数据以及145组测试数据的仿真,结果表明主成分分析与BP网络模型比BP神经网络的训练误差精度相对提升了31.14%,测试误差精度相对提升了29.86%。     

基于BP神经网络的液滴图像识别方法

通过CCD监测白酒和掺入50％水的白酒两种不同液体液滴的生长过程,针对最大的液滴提取特征参数,利用主成分分析技术对特征参数进行优化,确定了5项有效的特征参数。最后采用BP神经网络识别不同的液滴。结果表明：不同液体液滴的轮廓特征参数是有区别的。因此,结合模式识别的图像液滴分析技术可以应用于分析和鉴别液体。     

一类基于统计理论的神经网络模式识别方法

本文针对用人工神经网络进行模式识别时样本特征指标过多的问题,提出用统计理论的主成分分析方法对数据进行预处理,再选出几个主成分作为神经网络的输入节点,从而极大地简化人工神经网络,提高了模式识别的效果。     

基于PCA-改进BP神经网络的齿轮箱故障诊断方法研究

针对BP神经网络存在局部极小值和收敛速度慢等问题,文章提出了一种PCA-改进的BP神经网络的方法。实验表明,基于PCA-改进的BP神经网络的方法可以大大提高故障诊断的准确性,缩短了诊断时间。     

实验设计和神经网络法对柴油机性能的优化研究

利用GT-Power软件搭建一款3.1L电控增压柴油机仿真模型,采用拉丁超立方采样算法进行实验设计与计算,确立了6个实验因子和4000个实验数目。通过神经网络径向基算法对不同响应变量因子进行建模,最终确定了转速与EGR率两个实验因子对多目标优化影响的贡献度最大。通过建立实验因子和响应变量模型关联,完成了基于模型的多目标遗传优化。优化结果表明:通过优化柴油机扭矩和燃油消耗率,可使柴油机扭矩值最大提升12.3%,且燃油消耗率最大能下降2.6%。     

基于联合概率密度判别器和神经网络技术的煤种辨识方法

提出一种基于联合概率密度判别器和神经网络技术进行煤种在线辨识的方法.根据不同种类的煤燃烧时火焰的特征不同,利用三个光电传感器来获得燃烧火焰在红外、可见光和紫外三个谱段上的辐射信号,通过特征值提取得到火焰辐射信号在时域和频域内的特征值,经过主成分分析处理得到正交化的、维数压缩的特征值矢量.利用获得的正交化特征值矢量数据,建立每一已知煤种的联合概率密度判别器和神经网络模型.利用基于燃煤特征值分布的联合概率密度判别器可进行是否为新煤种的判别,非新煤种则利用神经网络模型辨识燃煤的种类.试验结果表明,在某电站锅炉所测试的四种煤的情况下,结合联合概率密度判别器和神经网络模型进行燃煤种类的辨识,20次测试的平均成功率为97.6%.     

基于PCA-BP神经网络的磨粒自动识别

以航空发动机润滑油液中的磨损微粒为研究对象,提出一种采用PCA-BP分类器对磨粒类型进行自动识别的方法。该方法通过对磨粒图像进行预处理并提取一些特征参数,采用PCA对所提取的特征参数进行优选,采用BP网络分类器对磨粒类型进行计算机自动识别。结果表明,相对于传统型BP分类器的识别准确率,此分类器的识别准确率更高。     

基于PCA神经网络和D-S决策的瓦斯传感器故障辨识

针对瓦斯传感器故障诊断时,存在提取的样本数据空间维数大、诊断实时性差、诊断结论的识别能力低和存在不确定性的问题,提出了一种基于主元分析(PCA)-神经网络和D-S证据理论集成的故障诊断策略。使用主元分析方法对高维故障样本空间数据进行降维,再结合神经网络分类器进行故障模式识别。并且运用DS证据理论对神经网络分类器的故障诊断结果进行数据融合。仿真实验表明:该诊断方法改善了神经网络对瓦斯传感器故障诊断准确率的同时提高了诊断速度,并且降低了故障结论的不确定性以及提高了结论的识别与决策能力。     

基于神经网络的机械加工质量分析与诊断智能系统

本文引入了神经网络的系统理论，应用专家系统技术，开发了一个高智能化机械加工质量分析与诊断系统，以实现机械加工质量控制的前期工作，并解决了常规智能系统通常难以解决的知识获取的“瓶颈”问题以及推理过程中的“匹配冲突”问题。     

小波包-神经网络在斜轴泵故障诊断中的应用研究

针对斜轴式柱塞泵零部件故障信息被耒本身的流体冲击、机械振动所淹没的问题,采用小波包将振动信号分解到不同的频带以提取有关部件的故障信息,并将小波包分解在不同频带反映斜轴泵工作状况的振动特征信息作为故障样本,研究人工神经网络结合小波分析对斜轴泵进行故障诊断的方法,建立了相应的ＢＰ神经网络。研究结果表明训练成功的ＢＰ网络可作为智能分类器对斜轴泵的常见故障进行识别和诊断。     

利用神经网络对齿轮箱进行故障诊断的实例分析

以JZQ250型号齿轮箱为实验对象,根据实际状况下齿轮箱的故障机理和振动特点,设计了状态监测与故障诊断实验方案,采集了齿轮箱振动信号,应用MATLAB软件中自带的神经网络工具箱,编程实现了神经网络预测模型.仿真和实验证明,此模型能够有效地检测出齿轮箱的典型故障,可以用于齿轮箱的故障诊断.     

基于主分量分析的柴油机振动信号特征提取

针对柴油机振动信号非线性非平稳性的特点，提出一种相空间重构理论、局域波法与主分量分析相结合的信号特征提取模型，该模型首先应用相空间重构理论从已知时间序列中抽取动力系统，然后通过主分量提取以降低空间维数、突出故障信息，最后使用局域波时频分析方法对提取的主分量进行分析。通过对6BB1型柴油机实测信号进行的特征提取与分析表明，该方法能去除柴油机振动信号局域波时频图中的冗余信息，突出故障信息，从而证明了方法的有效性。     

基于主成分分析的特征频率提取算法及应用

通过研究主成分分析(principal component analysis,简称PCA)中有效特征值与信号频率和幅值之间的关系,发现有效特征值的数量是由原始信号中频率成分的个数决定,与幅值、频率和相位的大小无关。信号中每个频率产生两个有效的特征值,且幅值决定协方差矩阵C的特征值在其分布图中的排列顺序。提出了一种基于PCA的特征频率提取算法,该算法可实现对单个或多个特征频率的准确提取。将此方法应用于大型转子系统轴心轨迹的提纯上,效果优于谐波小波和小波包算法。     

基于小波与径向基神经网络的轴承故障诊断

研究了小波包分析与人工神经网络结合起来应用于轴承故障诊断的问题。采用小波包分析对其提取频域能量特征向量，利用径向基函数神经网络完成滚动轴承故障诊断。     

基于信息融合与神经网络的复合振动故障诊断

依据复合故障特性,提出了一种基于信息融合与神经网络的复合振动故障诊断方法。进行了传感器级的时间跨度的特征融合,然后再实行全局的空间跨度的融合。融合过程基于神经网络式特征提取,该方法可以在系统状态未知的情况下。自适应地融合不同故障测点的信息。从而较全面、准确、及时地反映系统的振动故障状态。并以汽车动力系统复合故障的诊断事例详细说明了该方法的具体实现步骤。结果表明,经过多故障特征信息融合,诊断结论的可信度明显提高,不确定性明显减小,显示了该诊断方法的有效性。     

核函数主元分析及其在故障特征提取中的应用

提出了基于核函数主元分析的故障特征提取方法。该方法利用计算原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析，得到原始特征的非线性主元．以所选的非线性主元作为特征子空间，并应用转子试验台的故障数据对该方法进行了检验。结果表明，核函数主元分析更适于提取故障信号的非线性特征，它提取的故障特征对故障具有更好的识别能力，并对分类器具有较强的鲁棒性。     

运用免疫遗传神经网络的汽轮机振动故障诊断

提出了基于疫苗接种策略的免疫遗传神经网络(VIG-NN)算法,并将其用于汽轮机的振动故障诊断。该算法将疫苗接种、基于浓度的抗体选择、自适应交叉和变异概率引入遗传算法,不仅保持了优良抗体在进化中的主导地位,而且充分发掘了强成长性抗体的寻优潜力,对全局最优解的搜索快速且有效。实践表明,与传统算法相比,VIG-NN能够更准确地模拟故障征兆与故障类型之间的非线性关系,提高了汽轮机振动故障诊断的准确率。     

基于LM-BP神经网络的非线性轮廓图优化方法研究

将正交试验设计理论与BP神经网络模型和Levenberg-Marquard算法相结合,提出了一种基于LM-BP神经网络模型的针对输出为非线性轮廓图响应的离线设计优化方法。并结合实例与传统的统计回归建模方法得出的优化结果进行了比较。结果表明基于LM-BP神经网络建模可以避免由于实验误差和试验设计方案所造成的模型系数估计误差,而与标准的BP算法比较,克服了标准BP算法性能不稳定、收敛速度慢、收敛精度低、存在局部最小值等缺点,具有极高的精确性,优化结果令人满意。     

基于LMD-CM-PCA的滚动轴承故障诊断方法

为提高在非平稳工况下对滚动轴承故障的直观辨识能力,笔者提出基于LMD-CM-PCA的故障诊断方法。首先,对滚动轴承振动信号进行局部均值分解(local mean decomposition,简称LMD),提取乘积函数(product function,简称PF)矩阵;然后,计算PF矩阵与原振动信号的皮氏相关系数(pearson product-moment correlation coefficient,简称PPCC),将PFs对应的PPCC代入相关熵模型得到PF的相关熵矩阵(correntropy matrix,简称CM),CM经主成分分析(principal component analysis,简称PCA)进行特征变换得到融合相关熵矩阵(integrated correntropy matrix,简称ICM)。分别在轻微和严重故障时,对滚动轴承不同工况下的振动样本进行交叉混合,并计算其ICM。结果证明,ICM在可视维度比传统特征(如:能量矩和谱峭度)的融合特征更能隔离工况对故障可分性的干扰。LMD-CM-PCA方法为滚动轴承故障的直观辨识提供了技术支持,在故障诊断方面具有良好的应用前景。