基于BP神经网络的复杂电子设备实时故障诊断专家系统

以某型通信设备为例，介绍了如何将BP神经网络和传统的专家系统结合在一起，构成实时的故障诊断系统，从而避免传统的专家系统存在的一些问题，更好地解决故障诊断的问题。     

基于BP神经网络的高压断路器故障诊断

为诊断与分析高压断路器故障, 本文提出了基于BP神经网络的高压断路器故障诊断方法。该方法利用高压断路器典型分合闸线圈电流-时间曲线, 能反映其机械故障状况的特点, 将仿真输出数据与故障编码比较获得诊断结果。该方法只需一组完整的故障数据作为网络的训练和测试输入, 就能够诊断出高压断路器操动机构是否出现异常情况, 以及确定出现故障的类型。本文以MATLAB2014b为试验平台, 用实际数据作为训练样本和测试样本进行仿真分析, 其输出结果与期望输出一致, 验证了该方法是一种有效的高压断路器故障诊断方法, 具有广阔的应用前景。     

基于BP神经网络的转动架稳定性灵敏度分析

转动架作为某型游乐设备的关键部件,其固有频率和屈曲强度直接关系着结构的稳定性。运用有限元软件ANSYS Workbench建立转动架的有限元模型,通过模态分析和谐响应分析得到对转动架振动影响最为显著的固有频率,通过屈曲稳定性分析得到转动架失稳时的屈曲特征值,并运用试验设计获得140个样本点。为探索各个设计参数对转动架固有频率和屈曲强度的灵敏度,运用MATLAB软件建立BP（back propagation,反向传播）神经网络数学模型并对样本点进行拟合,再通过Isight与MATLAB的集成应用,利用描述性蒙特卡洛抽样法对神经网络模型进行数值模拟。结果表明：对转动架稳定性影响较大的危险模态主要是第10至第12阶模态;对转动架危险模态频率影响较大的主要是肢杆壁厚度、肢杆截面长度和肢杆截面宽度,而对转动架屈曲稳定性影响较为明显的则是肢杆、腹杆和圆板的6个尺寸参数。研究结果表明,合理地改善对转动架稳定性影响较大的设计参数将有效地提升其稳定性和设计效率,这可为该结构的后续设计和优化提供一定的借鉴和参考。     

BP神经网络在某测试系统故障诊断中的应用

本文以某导弹伺服机构的测试设备故障诊断为例,将BP神经网络引入测试系统的故障诊断中,建立了基于BP神经网络的故障诊断模型,并进行了仿真.验证表明BP神经网络可以运用到测试设备的故障诊断,具有易于实现和诊断精度高的特点.     

基于遗传BP网络的模拟电路故障诊断

提出了一种用故障的典型特征作为训练样本、遗传算法与BP网络相结合的模拟电路故障诊断新方法.该法采用故障的典型特征作为样本训练网络,遗传算法来优化BP网络的结构与初始权值分布的策略.详述了其诊断原理及诊断步骤,并给出了仿真实例及工程应用.结果表明,该方法具有特征提取简便、测前工作量小、故障诊断速度快及故障定位准确率高等特点.     

BP神经网络在机械故障诊断中的应用

随着现代化生产的进行,机械设备的故障诊断技术日益受到重视.介绍BP算法神经网络模型,给出BP神经网络应用于机械故障诊断的基本步骤.阐述三层BP神经网络采用数据驱动正向推理的故障诊断策略.即从初始状态出发,向前推理到达目标状态为止.介绍BP神经网络在机械故障诊断中的应用及实例,对某型号拖拉机变速箱中的主要零件——齿轮和轴承进行故障诊断振动测试,对部分齿轮和轴承发生故障时的振动信号进行测量.虽然BP网络在机械故障诊断中已得到广泛的应用,但由于神经网络本身还处于发展之中,还有不少问题需要进一步深入研究.     

基于神经网络的电子线路故障诊断

分析了故障字典法在实际应用中存在的不足,提出将单位BP算法应用到电子线路的故障诊断中。对基于该方法的航空装备电子线路故障诊断进行了计算机仿真,并分析了网络参数的变化对训练结果的影响。仿真结果表明了该方法的合理性和有效性。     

基于神经网络的柴油机故障诊断

传统的柴油机故障诊断与处理方法主要都是以定期保养和事后维修为主,缺乏针对事故的预见能力,且效率比较低,成本较高。这就为人工智能技术在柴油机故障诊断上的应用开辟了广阔的空间。本文主要以非线性并行分布处理为主的神经网络为研究理论,通过对建立的BP网络模型,RBF网络模型和Elman网络模型进行了比较,发现这三种网络虽然各有特点和优势,但均适用于特定条件下的故障诊断要求。     

基于神经网络的某装备电路单元故障诊断研究

某装备是一种较为先进的防空武器系统.该系统结构和电路复杂,元器件种类与品种多,技术保障中其性能检测与故障诊断的难度大.为此,针对系统电路单元功能模块的组成情况,进行了单元电路模块化诊断方法研究.以该装备某单元电路板为例,介绍了利用神经网络和模式识别相结合,实现功能模块的故障判断并对故障元器件定位的方法.结果表明:这种方法能够大大降低测前仿真的工作量,提高故障诊断的精度和速度,增强该武器装备的维修保障能力.     

基于BP神经网络的枪弹外观缺陷识别与分类

为实现枪弹外观缺陷自动检测,提出一种基于BP神经网络的枪弹外观缺陷自动识别与分类方法.首先针对枪弹外观缺陷图像特点,从形状、颜色、纹理提取类别差异明显的缺陷特征向量,作为神经网络的输入,以提高分类效果;然后通过经验和实验验证确定神经网络结构及参数,并分析传统BP算法在枪弹外观缺陷分类应用中的不足,通过优化BP算法以提高网络分类性能.实验表明:优化BP算法能够有效分类枪弹外观缺陷测试样本,识别率达到92.1％,与传统BP算法相比,提高了收敛速度,并表现出较好的准确性和鲁棒性,能够更好满足枪弹外观缺陷自动检测要求.     

基于椭球单元网络的旋转机械多故障同时性诊断

阐述了椭球单元（ＥｌｉｐｓｏｉｄａｌＵｎｉｔ）网络的原理及其结构，研究了网络权重初始化方法和网络的训练算法，借助这种高阶网络泛化的有界性，针对大型旋转机械多故障同时性诊断问题，构造了一种由多个子网络组成的分级诊断网络（ＨＤＡＮＮ）。测试结果表明：用基于椭球单元网络的ＨＤＡＮＮ网络分级诊断策略解决大规模故障诊断问题是合理有效的，且具有较高的诊断精度，可用于旋转机械工况实时监测和诊断场合。     

神经网络技术与小波分析相结合的故障诊断方法

提出了一种将神经网络技术与小波分析相结合的故障诊断方法,对诊断对象进行时域信号采集,通过小波分析,获得所需参数,再将此参数作为神经网络的输入量,从而达到故障诊断的目的.     

基于神经网络的智能诊断

人工智能与诊断理论的结合形成了智能诊断,早期发展的模拟人脑思维推理的、基于知识的专家系统以串行运行的格式进入设备诊断领域,形成了基于知识的诊断推理专家系统,国内外已有许多成熟的商品化软件系统。近几年新发展起来的人工智能的一个分支－－人工神经网络模仿人脑物理结构以其强大的并行运算和联想能力非常适合于设备诊断中状态识别,本单位研制的通用型神经网络智能诊断系统,已达到商品化水平,并已在生产线上运行。     

Wear Fault Diagnosis of Machinery Based on Neural Networks and Gray Relationships

1　ＩｎｔｒｏｄｕｃｔｉｏｎＩｎａｌｌｆａｕｌｔｓｏｆｅｑｕｉｐｍｅｎｔ,ｔｈｅｒａｔｅｏｆｗｅａｒｆａｕｌｔｉｓｅｍｉｎｅｎｔ[1] ,ｅｓｐｅｃｉａｌｌｙｉｎｒｅｃｉｐｒｏｃａｌｍａｃｈｉｎｅｓ.Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｓｔａｔｉｓｔｉｃｓ,ｉｎａｌｌｆａｕｌｔｓｔａｋｉｎｇｐｌａｃｅｉｎｄｉｅｓｅｌｅｎｇｉｎｅｓｕｓｅｄｉｎｍｉｎｅｓ ,ｔｈｅｒａｔｅｏｆｗｅａｒｆａｕｌｔｉｓｏｖｅｒ 50 % .Ｔｏｔｈｅｄｉａｇｎｏｓｉｓｏｆｔｈｅｓｅｆａｕｌｔｓ,ｔｈｅｅｆｆｅｃｔｉｖｅｍｅｔｈｏｄｉｓｔｏｕｓｅ…     

人工神经网络和机械故障诊断

智能化诊断是现代故障诊断技术发展的主要趋势,人工神经网络技术的出现为这种智能化提供了一个全新的途径。本文首先简单介绍了人工神经网络的基本性能及几个重要模型,着重探讨了人工神经网络技术在机械故障诊断领域中预测与控制、工况监测与故障分类诊断、模糊诊断和基于专家系统的故障诊断等几个主要方面的应用,指出人工神经网络技术与现有的信号处理、模式识别、模糊逻辑、专家系统等技术相结合,以解决故障信号分析与处理、故障模式识别以及故障论域专家知识的组织和推理等问题,必将加快智能化诊断发展的进程。可以预料:基于人工神经网络的故障诊断技术将具有广阔的发展与应用前景,并且随着VLsI 技术的发展,这一新技术必将广泛地应用于各种诊断实例。最后讨论了进一步值得研究的方向。     

遗传算法和BP神经网络在电机故障诊断中的应用研究

人工智能方法在电机故障诊断中的应用,使得电机故障能够得到及时准确的预测和诊断,保障了电机的安全运行。介绍了BP神经网络及遗传算法的基本原理及组成结构,针对BP神经网络容易陷入局部极小点及收敛速度慢的问题,利用遗传算法对BP神经网络的权值和阀值优化,改善了BP神经网络的诊断性能;通过GA-BP网络对电机的三种故障模式进行了诊断识别,其实验仿真结果表明：无论是在诊断速度上还是诊断精度上,GA-BP神经网络诊断性能都比单独的运用BP网络有了很大提高。     

基于遗传神经网络的异步电动机故障诊断研究

提出一种基于遗传神经网络进行异步电机故障检测的新方法,仅利用一个振动传感器来获取异步电机的特征信息,建立电机动态非线性神经网络检测诊断模型,并利用该模型进行电机的故障检测,为减少网络权值学习搜索空间,解决神经网络权值学习中易于陷入局部最小点的问题,本文采用遗传算法实现模型权值的修正,实际使用证明利用该方法可以方便的实现在线故障诊断,且方法简单,易于实现。     

改进的BP神经网络在风机故障诊断中的应用

采用动量法和学习速率自适应的改进BP神经网络建立风机故障诊断系统。在网络训练过程中分别采用标准训练样本和含有白噪声的训练样本来训练网络,使网络具有一定的容错性。最后通过仿真实验和风机的故障诊断实例表明：改进的BP神经网络减少训练次数,提高了学习效率,而且有效地抑制网络陷于局部极小,是风机故障诊断的有效方法。     

基于卷积神经网络的ZPW-2000R轨道电路智能故障诊断方法

为解决ZPW-2000R型轨道电路故障智能自诊断问题,提出一种基于深度卷积神经网络的ZPW-2000R轨道电路故障诊断模型,输入微机存储的38个实时监测变量数据,可自动诊断包括轨道电路室内及室外设备的共29种故障类型,且故障诊断准确率可达96%。为轨道电路故障诊断提供了有效的智能化解决方案。