基于径向基神经网络的变压器故障诊断

研究了一种基于RBF神经网络的电力变压器故障诊断方法。该方法采用目前应用较多的隐含层为径向基函数的最小正交二乘法训练人工神经网络,克服了BP算法易陷入局部极小、收敛速度慢的缺点。利用MATLAB仿真实现,结果表明该方法具有速度快、诊断精度高等优点,能有效地运用于电力变压器故障诊断中。     

RBF神经网络在变速箱齿轮故障诊断中的应用

提出了径向基函数神经网络应用于变速箱齿轮故障诊断的基本方法.利用Matlab神经网络工具箱对变速箱齿轮进行故障诊断仿真,并创建RBF神经网络与BP神经网络来进行故障诊断.通过对比诊断结果,证明RBF网络在诊断精度、诊断速度上均优于BP网络,说明RBF网络应用于齿轮的故障诊断准确、可靠,在机械故障诊断方面具有广泛的应用前景.     

基于径向基函数神经网络的转子系统裂纹故障诊断

结合基于模型的转子系统诊断技术和径向基函数(RBF)神经网络在辨识非线性系统动态时的优势,本文提出了一种新的转子系统裂纹故障诊断方法.该方法采用RBF神经网络对裂纹转子系统的未知动态进行辨识,实现部分神经网络权值收敛到最优值以及神经网络对系统未知动态的局部准确逼近;诊断过程中利用已辨识的信息实现转子系统裂纹故障的快速检测与分离.所提方法尤其适用于微小裂纹的在线检测与定量识别.最后,以Jeffcott转子系统裂纹故障诊断为例进行仿真,仿真结果验证了所提方法的有效性.     

基于Elman神经网络的齿轮故障诊断研究

在齿轮故障诊断过程中,针对传统的BP神经网络具有学习、记忆不稳定等缺点,提出了将Elman神经网络应用于齿轮故障诊断中,建立了Elman神经网络的应用结构模型,介绍了该网络的训练算法,阐明了齿轮故障诊断的实现过程;结果表明该神经网络学习记忆稳定,具有很好的学习功能,诊断方法具有高可靠性,达到了预期效果。     

基于Elman神经网络的齿轮故障诊断研究

在齿轮故障诊断过程中,针对传统的BP神经网络具有学习、记忆不稳定等缺点,提出了将Elman神经网络应用于齿轮故障诊断中,建立了Elman神经网络的应用结构模型,介绍了该网络的训练算法,阐明了齿轮故障诊断的实现过程;结果表明该神经网络学习记忆稳定,具有很好的学习功能,诊断方法具有高可靠性,达到了预期效果。     

基于L-M神经网络的齿轮故障诊断

齿轮传动工况的复杂性使得其特征参量与故障形式呈非线性映射关系.提出基于Levenberg-Marquardt算法的前向多层神经网络的齿轮故障诊断方法,该方法通过利用二阶导数信息,可以提高收敛速度和增强网络的泛化性能.并以一种齿轮箱故障信号采集实验系统为例,通过MATLAB软件及其神经网络工具建模和仿真研究.结果表明,Levenberg-Marquardt神经网络对齿轮常见故障有良好的识别能力,能稳定、准确地识别各类故障,与标准BP网络相比,收敛速度快且诊断更为准确.     

基于神经网络的故障诊断应用研究

文中根据神经网络的相关原理，运用神经网络领域的相关知识，对于工业生产中经常出现的设备故障，提出了一种基于RBF神经网络的诊断方法，并详细讨论了RBF神经网络的结构、训练算法及用于设备故障诊断的步骤，最后以某系统的故障诊断为例，证明了此方法的优越性。     

基于信号经验模态分解与分集合并的齿轮故障诊断

为了准确地进行齿轮故障诊断,结合信号经验模态分解与分集合并,提出了一种新的故障诊断方法;首先,运用经验模态分解对齿轮振动信号进行分解得到若干个分量;其次,根据分量的峭度大小以及相邻分量的峭度是否接近,筛选、合成有效分量;然后,运用等增益分集合并技术对有效分量进行合并,即将其包络进行叠加;接着,使用快速傅立叶变换得到信号包络和的频率谱;最后,根据该频率谱进行故障诊断;通过对仿真信号和齿轮断齿故障振动信号的分析,验证了方法的有效性.     

基于神经网络的故障诊断应用研究

文中根据神经网络的相关原理,运用神经网络领域的相关知识,对于工业生产中经常出现的设备故障,提出了一种基于RBF神经网络的诊断方法,并详细讨论了RBF神经网络的结构、训练算法及用于设备故障诊断的步骤,最后以某系统的故障诊断为例,证明了此方法的优越性.     

基于神经网络传感器组故障诊断方法研究

对于系统状态检测与故障诊断,传感器自身故障的及早发现很重要。本文提出了一种基于神经网络和冗余率计算的传感器组故障监测与诊断的新方法。该方法先用RBF神经网络对传感器组中的各个输出进行预测,若预测值与输出值发生较大的偏差,可能是传感器故障或设备故障,运用传感器之间的冗余率,进一步判断传感器是否发生故障,进而采用对应的诊断策略。     

基于LMD-PE与神经网络的刀具故障诊断方法

针对刀具故障诊断信号信噪比低、诊断结果不准确等问题,采用局域均值分解(LMD)结合排列熵(PE)来处理采集到的刀具加工时的振动信号,然后将提取到的特征向量输入到训练好的长短期记忆神经网络(LSTM)中得到诊断结果,为了提高LSTM的诊断效率,结合卷积神经网络(CNN)对LSTM进行了改造;试验表明,文章提出的方法诊断准确率比BP神经网络提高了将近12%,改进LSTM网络比传统LSTM的诊断时间缩短了50%。     

基于小波包和RBF神经网络的瓦斯传感器故障诊断

针对瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期型传感器输出故障为研究对象,提出了一种基于减聚类( SCM)与粒子群( PSO)算法优化的RBF神经网络进行模式分类与辨识的瓦斯传感器故障诊断方法。首先,利用三层小波包分解得到各个节点的分解系数,采用一定的削减算法使故障的瞬态信号特征得到加强,获取最优的特征能量谱。再利用SCM￣PSO算法优化RBF神经网络,使粒子的搜索速度更快,更有利于发现全局最优解。最后通过实验对比分析,该方法具有训练速度快、分类精度高的特点,辨识正确率在95％以上,能够显著提高故障诊断的速度和准确性。     

基于RBF网络的模拟移动床PH传感器故障诊断

为了提高模拟移动床控制系统PH传感器的可靠性,提出了一种基于两级RBF神经网络的故障诊断方法。该方法首先利用径向基(RBF)神经网络对传感器的输出序列建立预测模型,通过计算预测输出和实际输出的残差来检测故障的发生,然后对包含故障的残差信号利用小波变换进行特征提取,最后利用RBF诊断网络实现故障诊断。通过把这种方法应用到实际诊断测试中,可达到较准确的诊断结果。     

EEMD与RBF神经网络的太阳黑子月均值预测

太阳黑子月均值是典型的混沌时间序列,具有较强的非线性和非平稳特征,能够反映太阳活动的真实水平。采用一种应用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）与径向基函数（Radial Basis Function,RBF）神经网络组合的预测模型。通过EEMD将原始时间序列分解为若干个不同时间尺度的本征模态函数（Intrinsic Mode Function,IMF）分量,并对这些分量进行建模预测,再将各分量的预测值重构得到原始时间序列的预测值,这样不仅降低了算法的复杂性,而且有利于提高模态分量包含信息的物理意义。仿真结果表明,与经验模态分解（Empirical Mode Decomposition,EMD）结合RBF神经网络的模型相比,该模型具有较高的预测精度。     

非线性电路的神经网络故障诊断方法

针对非线性动态电子电路,提出一种基于神经网络的故障诊断方法。通过故障字典的建立,对电路故障响应进行预处理后得到的故障特征作为神经网络的输入,然后利用神经网络对各种状态下的特征向量进行分类决策,对故障类别进行辨识,并对电路进行了可测性分析,从而实现非线性电路的故障诊断。详细的仿真过程及结果表明, 该方法有效地解决了非线性电路辨识难的问题,能较好地对故障模式进行分类,取得了满意的诊断效果。     

基于RBF网络的高炉热流分析传感器故障诊断

在炼铁高炉热流强度分析系统中要用到温度、流量等传感器,为确保热流分析系统中传感器数据的可靠性及系统的连续、稳定运行,诊断系统用径向基函数(RBF)神经网络对传感器进行故障判断。系统由上位机、温度及流量采集装置、传感器等组成,采用RBF神经网络为每一个传感器建立预测模型,网络的输入为传感器采集信号最近的n个值,输出为该传感器在n+1时刻的预测输出值。网络通过在线学习实现对传感器的在线故障监测,经仿真分析表明:用RBF神经网络构建预测模型可满足实时性的诊断要求,提高了诊断系统的诊断精度。     

基于小波神经网络的齿轮箱故障诊断研究

论述了小波神经网络的系统结构及算法,并根据齿轮振动信号的频域变化特征,提取特征向量作为输入,利用小波神经网络建立特征向量与故障模式之间的映射关系,建立了基于该算法的齿轮故障诊断模型。仿真结果表明：与传统的BP神经网络相比,该模型显著缩短了训练时间。该小波神经网络进行机械故障诊断是有效的。     

模糊神经网络抓斗纠偏系统故障诊断

针对抓斗纠偏系统复杂性、不确定性、模糊性的特点,提出基于故障树的模糊神经网络作为抓斗纠偏系统故障诊断的方法。该方法利用故障树知识提取抓斗纠偏系统故障诊断的输入变量和输出变量,引入模糊逻辑的概念,采用模糊隶属函数来描述故障的程度,利用Levenberg-Marquardt优化算法对神经网络进行训练,系统推理速度快、容错能力强,并通过实例分析验证了抓斗纠偏系统模糊神经网络故障诊断的有效性。     

基于PSO神经网络的故障诊断方法研究

将粒子群优化算法和BP算法相结合,提出了一种基于粒子群神经网络的故障诊断方法.该方法分阶段实施神经网络的训练,有效地加强了算法的全局搜索能力,采用PSO优化了传播中的权值、阈值以及网络结构.这不仅弥补了BP算法的不足,而且删除了冗余连接,提高了故障模式识别的能力.仿真结果表明该方法加快了神经网络的学习收敛速度,提高了故障模式的识别正确率,可以有效地应用于设备的故障诊断.