基于改进弹性BP算法神经网络转子故障诊断

为精确诊断转子故障,以转子故障模拟实验台的实测数据为研究对象,采用基于小波包能量特征向量提取的信号特征值作为网络的学习样本,采用改进弹性BP算法训练网络研究转子的振动状态。为神经网络在转子故障诊断领域更深入广泛的应用提供可参考的思路和方法。     

基于小波包能量特征向量神经网络的旋转机械故障诊断

为精确诊断旋转机械的故障,提出一种基于小波包特征向量的神经网络故障诊断方法。用转子台信号模拟旋转机械故障,并对采集到的信号进行3层小波包分解,构造小波包特征向量,并以此为故障样本对3层BP网络进行训练,实现智能化故障诊断。实验结果表明训练好的神经网络能够很好地诊断出转子台故障类型,为旋转机械的故障诊断提供了新方向。     

基于小波包和BP神经网络的柴油机故障分析

随着人们对柴油机动力性、经济性要求的不断提高,现代柴油机结构日趋复杂,对其故障诊断要求也越来越高。本文通过WP7柴油机台架试验,模拟供油提前角、供油量、气门间隙以及喷油压力异常四种故障,采集振动信号,利用小波包技术对各种故障振动信号特征参数变化规律进行了分析,比较了各频率对故障信息敏感度的影响,进而利用MATLAB建立BP神经网络,对提取的信号特征进行训练与测试,并进行验证,实现了对柴油机的故障诊断。     

基于小波包分析和神经网络柴油机故障诊断研究

对于柴油机而言,及时的对其实施故障诊断是十分必要的.小波包分析能有效的对柴油机缸体振动信号进行消噪处理,并提取表征柴油机故障的振动信号能量特征向量作为BP神经网络的输入值.本文中,对4100QB柴油机缸盖振动信号实验数据采用单隐层BP网络进行训练,并对不同故障模式进行分类识别,实验验证表明这一方法是非常有效的.     

基于小波包与神经网络的柴油机故障诊断

针对柴油机缸盖振动信号的非平稳时变特点,提出应用小波包能量法提取故障特征向量,并将提取的特征向量作为BP神经网络的输入向量进行学习训练。训练后的神经网络可以利用测量的振动信号判断柴油机的气阀机构故障状况。实践证明该方法在柴油机振动诊断中是有效可行的,对其他设备的故障诊断也具有借鉴意义。     

基于小波包与神经网络的柴油机故障诊断

针对柴油机缸盖振动信号的非平稳时变特点,提出应用小波包能量法提取故障特征向量,并将提取的特征向量作为BP神经网络的输入向量进行学习训练。训练后的神经网络可以利用测量的振动信号判断柴油机的气阀机构故障状况。实践证明该方法在柴油机振动诊断中是有效可行的,对其他设备的故障诊断也具有借鉴意义。     

基于小波包的气门故障诊断

本文利用小波包将信号按任意时频分辨率（满足测不准原则）分解到不同频段的特点,论述了小波包特征提取的方法。利用这一特性对柴油机气门间隙和漏气故障进行了诊断,取得了满意的结果。     

基于小波包IRN网络的燃气轮机转子故障诊断

提出一种基于小波包和带有偏差单元的内部回归神经网络相结合的燃气轮机转子故障诊断方法。利用小波包分析去除噪声信号干扰,简化燃机转子故障特征提取。带有偏差单元的内部回归神经网络的记忆特性好,收敛速度快、稳定性强。小波包和带有偏差单元的内部回归神经网络的结合,大大提高了诊断速度及诊断准确性。     

基于小波包与图像处理的内燃机故障诊断研究

详细分析和讨论了柴油机缸盖振动信号的特点,对其进行了小波包分解,得到时－频分布图,并基于此,提出运用图像处理技术进行内燃机的状态监测与故障诊断的方法,建立了基于图像匹配的内燃机气阀机构诊断模型,并将其和于６１３５Ｇ柴油机气阀机构的故障诊断。结果表明,该方法物理意义明确,诊断结果精度较高,速度快,为内燃机的状态监测与故障诊断找到了一条新的途径。     

基于小波包和概率神经网络的气门漏气故障诊断研究

本文在阐述了发动机气门漏气声学特性及其振动诊断机理的基础上,针对发动机缸盖振动信号的特点,运用小波包对采集的振动信号进行3层分解、重构、提取特征向量。然后将特征向量作为概率神经网络的输入,构建网络模型。再用测试数据验证诊断模型的正确性。诊断结果表明该方法是可行的,并取得了较好的效果。     

基于小波神经网络的旋转机械故障诊断

研究了小波变换与人工神经网络结合起来应用于旋转机械故障诊断的问题。通过选择合适的参数，对故障信号功率谱进行小波分解，简化了故障特征向量的提取。建立了基于小波变换和BP网络的混合诊断模型，成功地实现了对故障的智能诊断。     

基于小波包能量分析及改进支持向量机的风机机械故障诊断

为了准确诊断风机的机械故障,提出了一种基于小波包能量特征和改进支持向量机的诊断方法.在某4-73No.8D风机实验台上对13种不同运行状态下的振动信号进行采集,利用小波包对振动信号进行消噪、分解与重构,提取其小波包能量特征,得到了各运行状态下风机多测点信息融合的小波包能量特征向量,并利用改进支持向量机对特征向量样本集进行训练与测试,实现了风机机械故障的分类诊断.结果表明:该诊断方法能够有效地诊断风机机械故障的类别、严重程度和发生部位,且诊断准确率高、测试时间短,适用于在线机械诊断.     

基于模型和神经网络的转子故障诊断方法

通过建立转子的理论模型仿真转子不平衡故障,从而提供给神经网络训练数据,再利用训练好的网络自动识别故障。仿真结果表明,基于转子理论模型、信号检测和神经网络的集成诊断方法,不仅可以有助于理解故障的物理意义,而且可以定量识别故障。     

基于贝叶斯网络的转子系统故障诊断研究

通过分析传统故障诊断方法在处理实际系统不确定性问题时存在的困难,研究了基于贝叶斯网络的转子故障诊断方法。依据转子系统存在的故障类型和对应的故障征兆,本文建立了转子系统的贝叶斯网络模型,并开发了基于贝叶斯网络模型的转子故障诊断系统。通过对实际转子系统故障的检测,证实了该方法在处理信息不确定条件下,进行故障诊断的有效性。     

基于小波神经网络的机械故障智能诊断研究

探讨了动量系数和学习率自适应调整的神经网络算法,给出了动量系数和学习率的调整方法,并作为机械故障的特征识别方法,以小波分析技术作为机械故障特征信号的提取手段,由此建立了基于小波与自适应神经网络的旋转机械故障智能诊断系统,给出了诊断系统的训练学习方式和工作方式,通过实际测试数据酌诊断结果说明此诊断系统对故障诊断是有效的。     

小波变换在转子动静碰摩故障诊断中的应用

转子动静件碰摩时存在奇异性，而信号中的奇异点及不规则突变部分常带有比较重要的信息。利用小波变换具有空间局部化的性质，并通过一维小波变换工具对碰摩信号进行多尺度小波分解获取细节信号。从而对信号中的奇异点进行检测，明确地指出转子动静碰摩时奇异点的位置和奇异度的大小，为汽轮发电机组碰摩识别提供了有效的方法。     

谐小波模糊神经网络应用于旋转机械的故障诊断

根据旋转机械复杂的故障特点，提出了结合谐小波分析、模糊理论和神经网络形成的谐小波模糊神经网络方法，并将其应用于旋转机械的故障诊断，实现了模糊故障诊断。通过计算机实现了全部算法。仿真和试验的结果表明：谐小波模糊神经网络在处理多故障耦合的情况时优势明显，故障诊断正确率高，证明该方法行之有效，为旋转机械的故障诊断提供了理论支持和新方法。图2表3参7