BP神经网络用于风机振动报警时间预测

提取D350风机转子在一段时间内的水平、垂直和轴向振动值,以此为样本值,应用BP神经网络算法训练,然后预测D350风机的振动报警时间。预测结果表明与实际报警的发生时间非常接近。     

BP神经网络在旋转机械故障诊断中的应用

神经网络由于其本身具有的优越性，已广泛应用于各个领域中的分类、联想问题。本文将ＢＰ神经网络理论应用于风机故障诊断中，取得了较好的结果。     

BP神经网络模型在旋转机械故障诊断中的应用

本文利用神经网络模型建立了旋转机械常见故障的类别与征兆之间的映射关系.并利用这一模型对几种常见故障进行了分析诊断,诊断结果表明本方法精度高,结果可靠,对于工程应用具有一定的实用价值.     

基于BP神经网络的除尘风机振动故障诊断

将BP神经网络技术引入到大型除尘风机的振动故障诊断中结合神经网络的结构分析了其工作原理和算法.通过一个设备故障实例,利用神经网络对设备的故障特征和测试信号等数据进行学习和训练,模拟了专家对故障所进行的推理、判断和决策,从而获得了正确可靠的诊断结论.测试结果表明:文中建立的BP神经网络对训练的特征样本进行模式识别具备了很高的准确率,实现了诊断分析的智能化.     

K-L子空间法在风机振动故障诊断中的应用

提出用基于K-L变换的多子空间模式识别方法解决旋转机械的多类故障诊断问题。通过K-L变换,能有效降低特征空间的维数,形成各类别对应的特征子空间,然后分别计算待分类模式与各子空间的距离实现模式分类。实验室离心风机几种常见机械故障的实例诊断结果表明,该方法能有效解决多类故障的诊断问题。     

小波—BP神经网络在旋转机械故障诊断中的应用

利用小波分析和BP神经网络相结合的方法对旋转机械的故障进行识别.首先运用小波分析对故障信号进行降噪处理,然后运用小波包对信号进行分解和重构,提取各频带能量值,将该能量值作为BP神经网络输入端的特征向量,训练网络进行故障模式识别.实验表明,该方法在旋转机械故障诊断中切实可行.     

基于同源信息的BP神经网络在故障诊断中的应用

阐述了同源信息融合和BP神经网络（BPNN）关键技术,提出了基于同源信息融合的BP神经网络诊断方法;以旋转机械为例进行了MATLAB编程,得到了误差小和速度快的结论。     

组合预测在风机振动预测中的应用

本文将组合预测方法引入到风机测点振动烈度的状态预测中,通过比较组合预测模型与其它几种单个预测模型的预测结果,表明采用组合预测法进行振动预测具有更高的精度,为风机的振动预测以及故障诊断提供了一个新的思路。     

BP神经网络在机械故障诊断中的应用

根据BP算法神经网络模型,阐述BP神经网络应用于机械故障诊断的基本步骤,归纳总结BP神经网络在机械故 障诊断中的应用及实例,提出存在的问题和发展方向。     

基于Pearson关联度BP神经网络的时间序列预测

针对BP神经网络存在的过拟合问题,提出了基于Pearson关联度的神经网络预测模型。将传统的基于误差反向传播的BP神经网络中的误差函数替换为Pearson关联度函数,利用梯度上升法对训练过程中神经网络的连接权重和阈值的调整量进行了推导,并为调整量添加了动量项用于提高神经网络收敛速度,然后建立了关联度反向传播预测模型,并对其权重进行了阈值限制以及增加学习率来防止过拟合。对通用数据集进行时间序列预测实验,通过与改进的RBF和BP神经网络对比,表明对于多因素时间序列的预测Pearson关联度BP神经网络的预测误差精度RMSE降低了4.02,收敛次数减少1 690代。实现了将关联分析与BP神经网络的结合,能够在保证效率的同时,解决过拟合问题,提高预测精度。     

基于广义回归神经网络的时间序列预测研究

介绍了广义回归神经网络的基本理论,提出了应用BIC准则确定输入神经元数目的方法．将其应用于大型旋转机械振动状态时间序列的单步和多步预测,与传统的采用误差反向传播学习算法的三层前馈感知器网络(BP神经网络)的预测结果进行对比。结果表明,该网络的预测性能优于后者,即使样本数据稀少,也能获得满意的预测结果。     

BP神经网络在矿井涌水量预测中的应用

矿井涌水量问题受到多种因素的共同影响,具有非线性和高度复杂性。应用BP神经网络,结合工程实例,采用了两种不同的输入神经元构造方法来构建涌水量神经网络预测模型。首先收集了陕西大海则煤矿某个钻孔自1999~2008年7月份的涌水量数据,然后利用这些数据对已经构建好的神经网络进行训练,并用训练完成的网络进行涌水量数据预测,最后与实际值进行比较。结果表明:两种模型都可以完成预测工作且易操作,但是在预测精度上有差异。     

神经网络在风机故障诊断中的应用

在用神经网络进行故障诊断的过程中，指出了用随机法进行网络训练的优越性。应用该方法对风机的某一实例进行了诊断，结果是符合实际的，这表明了神经网络应用于诊断的可行性。     

振动时效在风机制造中的应用

介绍了一种高效、节能、环保型技术－振动时效（VSR）的基本机理,列举了振动时效（VSR）在轴流压缩机铸造机壳,压缩机焊接联合底坐和鼓风机叶轮制造过程中的应用,并对该技术应用一年的经济效益状况做了分析比较。     

相位在风机振动监测中的应用

针对当前风机振动监测与诊断存在的误区,提出了振动相位的概念和测量方法,介绍了振动相位所包含的故障信息,指出了振动相位对于振动分析的重要性.     

遗传神经网络法在风机故障诊断中的应用

本文在神经网络训练过程中,加入一个局部极小判别式,以确定网络是否陷入局部极小点,若陷入局部极小点,则利用遗传算法进行权值修正。以鼓风机常见故障为例,应用本文提出的遗传神经网络算法对其进行了故障诊断分析,从而证明了该算法的有效性。     

基于改进BP神经网络的数控机床振动趋势预测

为准确预测数控车削时机床的振动情况,搭建了一个能用于测量机床振动信号的实验平台.并运用Levenberg-Marquardt算法改进BP神经元网络,建立了改进BP神经网络的非线性系统预测模型,实现了对机床刀架的振动趋势进行多步预测,为提高工件加工质量、加工精度和进行故障诊断提供了依据.结果表明L-M算法的收敛速度和预测精度均明显优于标准的BP算法.     

BP神经网络在财务失败预测的应用

采用了改进的BP神经网络对企业的财务状况进行了仿真预测，并与证券交易所公布的结果做比较，验证了其可靠性。     

基于BP神经网络的蓝宝石柱加工时间预测模型

针对蓝宝石难加工问题,采用数控精雕机床加工蓝宝石柱,在加工工艺参数正交实验的基础上,应用BP神经网络,建立数控磨削加工时间预测模型,并通过仿真验证了预测效果,确定了优化的加工时间为最优参数.     

基于LabVIEW和BP神经网络的旋转机械故障诊断研究

旋转机械产生的振动信号是复杂的非平稳信号,使用单一的BP神经网络,难以快速分析出故障的状态。该文研究了基于LabVIEW和BP神经网络的旋转机械故障诊断。利用LabVIEW软件作为测试平台,对旋转机械的振动信号进行分析和提取,构造出特征向量,以此作为BP神经网络的故障样本进行训练。实验结果表明,BP神经网络能够快速收敛到目标精度,为旋转机械故障状态诊断积累了应用经验。