船舶推进轴系抗冲击动力学建模与仿真

本文基于ANSYS环境提出一种船舶推进轴系动力学仿真方法，并首次探讨了主机在轴系动力学仿真中的影响。文中从模态分析和瞬态动力学分析两个方面人手，比较了带主机轴系模型与不带主机轴系模型在动力学分析中的差异。并通过一个工程实例，验证了该方法的适用性。     

基于Kohonen神经网络算法的网络入侵聚类算法的测试研究

提出一种基于Kohonen网络的网络入侵聚类研究的方法,在阐述基本理论、原理和算法步骤基础上,利用Matlab软件平台对提出的网络入侵算法进行测试研究,并同其他方法进行仿真对比,发现Kohonen神经网络算法的网络入侵聚类在训练准确率、测试准确率和运行时间3个方面都优于PNN算法,其准确率可以达到98.1％.     

基于先进诊断策略的汽轮机组故障诊断研究

汽轮发电机组故障常表现为多因多果一种故障可能引起多种征兆,仅依靠振动信号不能精确诊断故障.为此引入热参数建立多征兆域知识网络,并且提出贡献性因子表示不同征兆对某故障的贡献程度.借助热参数可有效区分振动特征较相似的故障.基于改进的RBFNN神经网络故障诊断模型,采用多输入,单输出组合子网络结构,有效地避免了输入征兆的冗余和诊断缺征兆,,提高了故障识别能力.     

船体振动的轴系周期性故障特征信息识取方法

针对船舶推进轴系早期碰摩故障冲击信号周期性强且易被强烈的背景噪声所淹没的问题,提出了基于船体尾部结构振动的轴系周期性故障特征信息识取方法,简称EEAF（EEMD + Autocorrelation Analysis + FFT）。首先,对采集的复杂船体尾部结构振动信号进行集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）,得到一系列固有模式分量（IMF）;再以自相关函数的性质为准则,筛选出存在周期成分的IMF分量;最后对相应分解层进行快速傅里叶变换,频谱分析识取表征轴系早期碰摩故障的特征量。通过轴系故障的仿真和实船试验研究,验证了该方法的有效性和可行性。     

基于RBF网络的除湿机故障诊断

应用基于人工神经网络的故障诊断方法,建立了除湿机故障诊断的RBF网络模型,并利用六种典型故障状态参数样本数据对神经网络进行训练。结果表明对于训练样本集和检验数据集,网络的输出与希望结果相符,表明基于人工神经网络的除湿机系统的故障诊断是行之有效的。     

基于模糊神经网络的故障诊断方法研究

将模糊原理引入神经网络,对机械设备的故障诊断方法进行了研究,介绍了具体实现过程及原理,论证了单症兆和多症兆诊断的模糊模型分别与一定条件的单层神经网络等价,建立了单症兆和多症兆诊断的模糊神经网络模型,并由此模型建立了模糊神经网络故障诊断专家系统(FNN)模型.介绍了该模型在66-10空压机上的具体实现过程.     

Hilbert包络功率谱熵的曲轴轴系故障诊断

曲轴轴系是往复机械传动系统的重要组件之一,其工作状态对整套机械设备的正常工作和使用具有直接的影响。研究针对振动信号分析的曲轴轴系的损伤模式识别问题,提出一种基于Hilbert 包络功率谱熵和支持向量机相结合的往复机械曲轴轴系损伤识别方法。基于曲轴轴系损伤机理展开研究,分析曲轴轴系发生故障振动的原因,建立典型的机械故障动力学模型,并通过构建故障模拟与振动测试系统获取曲轴实时振动信号;基于CEEMDAN方法对信号进行分解,选取峭度较大的本征模式分量进行Hilbert 包络解调分析获取包络矩阵,计算信号的瞬时包络功率谱熵,可以明显看出曲轴轴系故障表征;最后进一步用SVM完成模式识别。数值模拟与实验结果验证了方法的有效性。该方法对往复机械曲轴轴系早期故障模式的识别具有较好的参考意义。     

基于一维卷积神经网络的圆柱滚子轴承保持架故障诊断

为解决滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特征难以获取问题,研究提出基于端到端识别的适应性卷积神经网络故障诊断模型.将不同保持架故障状态下的振动信号按一定比例采用有重叠样本分割进行数据增强,并对样本实施分段标准化预处理构建训练和测试集合;利用卷积神经网络实现对振动信号的自适应特征提取和特征降维...     

基于BP网络信息融合技术的电路板故障诊断

对基于BP神经网络的信息融合故障诊断技术进行了研究,将信息融合技术应用到某型反舰导弹俯仰综合放大器电路板的故障诊断中,并利用改进的BP神经网络进行数据融合,得到了较为理想的结果.研究表明,该方法能够较好地解决电路板元件故障诊断的不确定性问题.     

旋转机械振动故障诊断理论与技术进展综述

非线性理论、信号处理、知识工程和计算智能等学科的发展,丰富了故障诊断的内容。总结了旋转机械故障机理、征兆提取和诊断推理等方面的一些进展情况。     

旋转机械故障诊断的神经网络方法研究

BP神经网络具有较好的非线性映射能力,可以描述频率特征和故障之间的关系,而概率神经网络学习规则简单、训练速度快、避免局部极小和反复训练的问题。根据两种神经网络的原理选择合适的参数建立两个旋转机械故障诊断模型,并利用模型对某旋转机械的故障数据进行处理,结果显示两种网络在故障诊断方面的实用价值。通过对故障数据的结果对比可以看到PNN网络比BP网络具有更好的容错能力。     

采用改进遗传神经网络的多载荷振动信号故障诊断

根据柴油机气阀机构运动规律,利用小波包分解提取缸盖振动信号的特征向量;针对多种载荷混合诊断的问题,采用二进制与实数混合编码的方式对使用遗传算法的误差反向传播（BP）神经网络的隐层结点数目、权值和阈值进行优化。通过实验检测,证明该方法在多种载荷混合振动信号诊断上,较一般方法学习、收敛速度快,检测准确率高。     

基于人工神经网络的故障诊断专家系统

将人工神经网络引入故障诊断专家系统,探讨了该系统的原理及结构,分析了神经网络在该系统中的运用特点,并介绍了基于神经网络的学习机及推理机的原理,最后介绍了基于人工神经网络的66-10空压机故障诊断专家系统.     

基于小波分析和模糊神经网络的齿轮故障诊断研究

建立齿轮故障信号采集模拟试验台,结合小波分析特征提取方法和模糊神经网络对齿轮故障进行了诊断,通过实验仿真,取得了很好的诊断结果。相比于传统的BP神经网络诊断方法,无论在诊断速度还是诊断精度上,模糊神经网络更具有优势。     

根据振动信号诊断氦风机故障的方法研究

氦风机是10MW高温气冷实验堆(HTR-10)的一回路主风机,是大功率、高转速、多环节的旋转运动系统,有发生多种故障的可能,而其工作正常与否直接关系到反应堆的安全运行。通过在线分析氦风机运行时的振动信号,可以对氦风机的运行情况进行深入、彻底地评估,对可能的故障尽可能早地进行预防性诊断,从而保证氦风机能够正常和安全运行。本课题从氦风机本身结构和特点出发,研究提出并实现了分别在时域和频域上对氦风机的振动信号进行分析、进而对氦风机故障进行诊断的方法和框架。     

包装机械故障诊断的新方法——神经网络专家系统(PMNS)

提出了一种基于知识与模糊神经网络专家系统故障诊断方法,设计了包装机械故障诊断的神经网络专家系统的知识获得、知识库、推理机制等主要功能模块,并实现了基于改进型神经网络的包装机械诊断专家系统。     

基于弹性小波神经网络的故障诊断研究

航空电源系统是机上设备的重要组成部分,任意一个环节出现故障,将会影响整个飞机系统的正常安全运行.针对神经网络收敛速度慢,易陷入局部最小的缺点,将小波神经网络结合弹性BP算法应用到电源系统故障诊断中.训练过程及仿真结果表明:小波神经网络故障诊断算法收敛时间方面表现更优,具有较高故障诊断率.     

基于神经网络反馈控制的混沌运动的仿真研究

摘要：本文应用神经网络反馈控制策略,对混沌系统进行控制研究。首先利用神经网络能够高精度逼近非线性系统的特点,通过系统辨识建立要研究的混沌系统的神经网络模型,然后控制器应用此系统模型对混沌运动进行反馈线性化控制,将混沌吸引子中的不稳定周期轨道镇定到不动点,或诱导到各个周期轨道。对Lorenz混沌系统的仿真结果表明,神经网络反馈控制混沌的方法具有有效性。     

基于神经网络的机械设备故障诊断技术

阐述了神经网络故障诊断的基本原理及其与传统故障诊断的关系,分析了神经网络技术在故障诊断中的应用现状,探讨了该领域的发展前景,指出了运用神经网络技术进行故障诊断需要解决的若干问题.