神经网络技术及其在旋转机械故障诊断中的应用

人工神经元网络模型是由大量的简单计算单元广泛相互联接而成的一个非线性动力学网络系统,它以高度的并行分布式处理、联想记忆、自组织及自学习能力和极强的非线性映射能力,在众多的领域里显示了广阔的应用前景。本文从模式识别的角度,论述了神经元网络技术及其在旋转机械故障诊断中的应用,就神经元网络结构及其所能形成的模式分类决策区域作了较为详尽的阐述,并与传统的模式识别技术作了比较。最后在振动频谱波形特征的基础上,就旋转机械中五种典型故障模式,用感知器网络进行了试验研究和分析。结果表明,人工神经元网络技术对于高维空间模式识别及非线性模式识别问题,具有较强的分类表达能力。作为一种新的自适应模式识别方法,神经元网络技术能够有效地解决故障诊断中较为复杂的状态识别问题。     

浅析振动分析技术在旋转机械设备故障诊断中的应用

机械振动是一种十分普遍的现象,凡是运动的机械都存在程度不同的振动。旋转机械故障诊断是近年来国内外发展较快的一门新兴技术。旋转机械监测与诊断系统的研究与应用对于避免巨额的经济损失和灾难性事故的发生有着重要意义。结合旋转机械设备的振动状态监测管理,可以把设备通过振动仪与人进行信息沟通,明确设备的故障性质、故障部位等,提高旋转机械设备运行的安全可靠性。介绍振动分析技术在旋转机械设备故障诊断中的应用。     

旋转机械故障诊断中的神经网络改进算法研究

就ＢＰ神经网络学习收敛速度慢和易出现局部最小点的不足，采用了自适应学习率和绝对误差等距离逼近方法，引入了控制因子常数，就控制因子常数，惯性因子常数以及隐层单元数对网络收敛迭代次数的影响进行了研究。并将改进算法应用于旋转机械故障诊断中。     

改进BP网络在旋转机械故障诊断中的用

ＢＰ神经网络在旋转机械故障诊断中得到了广泛应用，但是实践中发现，ＢＰ网络的联想能力有限，特别是对于多故障情况，本文以此进行了改进，提出了一种新型ＢＰ网络模型，新模型增加了输入、输出层间的部分连接，大大提高了ＢＰ网络的联想能力，特别适用于象旋转机械这类复杂系统的故障诊断。     

振动信号短时分析方法及在机械故障诊断中的应用

研究了低信噪比情况下提取周期性冲击故障信号特征的短时分析方法。定量分析了短时能量方法的抑噪特征,指出信号的局部特征越明显则短时能量处理越能显著的提高信噪比,短时能量函数中实际有用信号能量与实际噪声信号能量的比值可作为一特征量使用。建立了信号的物理含义相同,反映的只是信号功率谱重心的变化,与信号能量的变化无关,故不适宜于分析受强噪声干扰的时变故障信号。最后以滚动轴承故障信号分析实例验证了短时能量分析     

关联维数在大型旋转机械故障诊断中的应用

将描述混沌运动搓联维数用于大机组振动信号的分析,并针对故障诊断的实际情况,从点间距的计算、动态关联和标度区的判断等方面对关联维数的Ｇ－Ｐ算法作了一定的改进。分析结果表明：由于不同故障的动力学产生机制不同,通常也具有不同的关联维数。因此,关联维数可用于非线性故障的特征提取。     

大型旋转机械故障诊断专家系统ETHYLENE的理论研究

本文在模糊产生式规则的基础上引入了加权模糊连接算子的概念,并研究了征兆的类型。在此基础上,为旋转机械模糊诊断知识提出了一个灵活的知识表达方法——广义模糊产生式规则。在征兆类型的基础上引入了征兆认可因子的概念.利用这一概念来描述模糊蕴涵关系的语义,基于征兆认可因子提出了一个模糊推理算法。文中还给出了由基于这一广义模糊产生式规则和模糊推理算法建立的透平压缩机组故障诊断专家系统ETHYLENE得到的两个诊断结果。     

深度超圆盘分类器及其在旋转机械故障诊断中的应用

几何模型分类器具有坚实的几何统计基础和良好的泛化能力,因此在旋转机械故障诊断中取得了较高的分类精度。与仿射包和凸包相比,超圆盘（Hyperdisk,HD）对样本分布区域的估计更加合理。但超圆盘模型属于浅层学习模型,对复杂函数的表示能力有限,存在学习能力和泛化能力差等缺点。针对这个问题提出一种深度超圆盘分类器（Deep Hyperdisk Large Margin Classifier,DHD）,该方法通过模块叠加的方式将超圆盘分类器深度化,利用特征提取公式从每层模块的输入样本中自主提取新的特征值,并将其应用在下一层模块的训练学习中。将所提方法应用到旋转机械故障诊断当中,实验结果表明该方法对故障样本的分类准确率高于其他模型算法,且对不均衡样本和强噪声背景下的故障样本均具有良好的分类能力。     

旋转机械故障诊断平台研究与实现

设计了一个旋转机械故障诊断平台,能够实现故障数据的采集、故障特征分析和故障诊断等功能．首先介绍了旋转机械常见故障特征,接着介绍了利用Lab—Windows／CVI开发的旋转机械故障诊断平台,能够显示测量数据的波形、信号频谱和转子的轴心轨迹等,能够自动进行基于神经网络的故障推理．最后给出了几种模拟故障诊断的实验结果．     

基于浅层Inception-MobileNet旋转机械故障诊断

针对现有的旋转机械故障诊断算法存在着时频表示模糊、特征提取困难,从而导致故障诊断效率和精度较低的问题,提出一种基于浅层Inception-MobileNet的旋转机械故障诊断模型。该模型通过拼接法将原始振动信号转换为二维图像,然后采用多尺度卷积核提取不同分辨率的特征图,并结合深度可分离卷积实现特征学习与分类。该网络在CWRU数据集和MFPT数据集上分别实现了十种故障分类和三种故障分类,分类精度为99.5%和95.78%。与传统的网络进行比较,该网络可提高特征提取能力,并且在相同数据集上该网络实现的故障识别精度最高。     

基于奇异值分解、模糊聚类和粗糙集理论的旋转机械故障诊断

对含有重复和冲突对象的离散决策表,提出了一种基于粗糙集的规则获取方法,使得获得的规则能够涵盖所有的对象。对连续条件属性值和离散决策属性值的决策表,基于矩阵的奇异值分解、模糊C均值聚类和粗糙集属性约简技术,提出连续属性最佳离散数目确定方法。在上述方法的基础上,进行旋转机械故障诊断的规则获取,获得的诊断规则具有很好的知识归纳能力和知识泛化能力。利用获得的诊断规则进行旋转机械故障诊断,建立了待诊断对象和诊断规则的弹性匹配模式,使得诊断结论的获取取决于不同的诊断要求。     

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。     

旋转机械碰摩故障的BP神经网诊断

本文介绍了旋转机械碰摩故障的ＢＰ神经网络诊断方法，并利用一种新的转子碰摩故障模拟试验系统，验证了方法的可行性。本方法既能诊断碰摩故障的发生，又能判定碰摩程度。     

旋转机械故障诊断技术的现状与展望

介绍了旋转机械在振动故障诊断方面的国内外现状。内容包括:故障机理的研究,故障信息处理技术的研究,故障诊断专家系统的研究及有关诊断系统的开发现状,并对今后发展方向进行了阐述。     

模糊聚类分析法在抽风机故障诊断中应用

介绍了模糊聚类分析的理论和方法,讨论了数据规格化的三种方案,指明极差值是数据规格化最简便的方案。并将该理论应用于抽风机故障诊断研究中,在样本中引入正常状态和故障状态时的样本数据,运用基于传递闭包的模糊等价矩阵进行聚类分析,并通过待检测数据检验其可靠性。通过实例检验表明,理论分析与现场检查结果相符,证实了模糊聚类分析对提高抽风机故障诊断能力的有效性。     

离散余弦变换在滚动轴承故障诊断中的应用

本文探讨了应用离散余弦变换分析滚动轴承故障的方法,采用小波基将滚动轴承振动信号变换到时间－尺度域,对高频段的小波系数用离散余弦变换进行包络分析。通过对滚动轴承具有外圈缺陷、内圈缺陷的情况下振动信号的分析,说明这种方法可以有效的用于效地用于滚动轴承的故障诊断。     

CA—BP法用于变速机械的故障诊断

ＢＰ神经网络有较强的分类功能，因而很适用于对机械系统的故障诊断，但由于这种网络学习速度较慢、实时性较差，因而不易将其应用于变速机械的故障诊断，因为变速机械的振动信号是非平稳随机振动信号。为加快ＢＰ网络的学习速度，本文首先用Ｃａｌｍａｎ－Ｂｕｃｙ滤波建立变速机械的时变ＡＲ模型时颁特征谱阵，再将特征谱阵中的特征值作为ＢＰ神经网络的输入并进行分类，本文将这种方法称为ＣＡ－ＢＰ法，对比计算表明，ＣＡ－ＢＰ法显著地加快了常规的ＢＰ网络的学习、分类速度。采用ＣＡＢＰ法，本文成功地对变速转子的几种典型故障进行了分类。     

基于EMD的时频熵在齿轮故障诊断中的应用

提出了一种基于EMD(EmpiricalModeDecomposition)方法的时频熵齿轮故障诊断方法。首先利用EMD方法分解齿轮振动信号,然后将得到的内禀模态分量进行Hilbert变换,以得到振动信号的时频分布,将信息熵理论引入时频分布,定量描述时频平面上不同时频段的能量分布,各时频段能量分布的均匀性可以反应齿轮的运行状态的差别,从而可以通过时频熵的大小判断齿轮的工作状态和故障类型。实验证明该方法能有效的判断齿轮故障特征,为齿轮故障诊断提供了新的思路。     

汽轮机故障诊断的遗传神经网络法

阐明了遗传算法与神经网络结合的必要必邮多层感知器神经网络作为遗传搜索的问题表示方式的思想。设计了遗传神经网络故障诊断模型,用这种新方法解决了汽轮机多故障诊断问题。新方法可以简化神经网络的结构并逃逸局部极小。诊断结果与实际相符,从而验证了该方法的有效性和实用性。     

基于KS检验的智能故障诊断方法研究

提出了一种利用KS检验对机械故障进行分类的新方法。通过仿真试验和齿轮故障诊断，说明该方法在数据样本含有一定噪声时也能正确判断故障。在利用少量轴承时域故障数据样本建立多故障分类系统后，仅仅需要极短时间就能准确分类多种故障。结果表明，该方法具有很好的分类能力和较高的计算效率，完全可以满足智能故障诊断的要求。