基于特征选择与概率神经网络的轴承故障诊断研究

为提高航空发动机轴承故障诊断精度,应用距离评估准则和概率神经网络分类技术,提出了一种基于特征选择与概率神经网络的轴承故障诊断方法。首先,利用轴承故障试验数据,提取得到14个时域特征和13个频域特征,构成故障诊断多域特征集;其次,为提高分类效率,降低各特征量间的耦合特性对分类结果的影响,应用基于距离评估的特征选择方法,筛选得到分类性能更好的特征参数;在此基础上,应用概率神经网络方法进行了轴承故障诊断研究。应用轴承模拟故障实验数据进行验证,结果表明,与BP神经网络和支持向量机诊断方法相比,PNN方法诊断精度更高;同时由于采用了特征选择,诊断效率和精度又得到进一步提高。     

基于神经网络的发动机异响故障诊断方法

针对汽车发动机异响故障诊断的特征，研究了基于神经网络的异响故障诊断专家系统的理论和方法及实现过程，并将此方法应用于具体JL368Q发动机异响故障诊断，结果表明其方法具有通用性和高效性。     

基于神经网络的电喷发动机故障诊断专家系统

针对汽车电喷发动机故障诊断的特点,本文对基于神经网络理论的发动机故障诊断方法进行了初步的研究,并在Windows环境下,将神经网络技术与计算机多媒体技术相结合,探讨了发动机故障诊断知识表示、知识获取及知识库的开发.对发动机故障诊断提供了智能诊断方法.     

基于模糊神经网络的航空发动机故障诊断研究

提出了一种基于模糊神经网络的航空发动机故障诊断方法 ,介绍了该方法的原理及实现算法 ,并利用某型发动机地面定检状态实测的数据作为样本数据 ,建立了基于模糊神经网络的航空发动机的故障诊断模型。通过该模型对起飞状态实测的发动机参数进行了辨识 ,结果表明该方法具有学习速度快、诊断精度高等优点。可用于航空发动机及其它装备的故障诊断。     

基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法

研究了一种基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数分量,然后将各分量的多尺度熵作为故障特征向量输入概率神经网络进行模式识别,实现了对损伤位置和损伤程度的诊断。将该方法与基于LMD时域统计量和神经网络的滚动轴承故障诊断方法进行了对比。实验结果表明,基于LMD多尺度熵和概率神经网络的方法能对滚动轴承故障进行有效的识别与诊断。     

基于SSA-PNN的电力变压器故障诊断

为了提高变压器故障诊断的准确率,在改良三比值法的基础上,采用麻雀搜索算法优化概率神经网络构建一种新型变压器故障诊断网络模型,并设计相应的故障诊断方法。分析表明,与基于概率神经网络的变压器故障诊断方法相比,基于该网络模型的诊断方法提高了变压器故障识别与故障分类的准确率,在电力变压器的故障诊断中具有一定的实际工程意义。     

基于神经网络专家系统的燃料电池发动机故障诊断系统设计

文章在分析了传统故障诊断方法在燃料电池故障诊断中的局限性的基础上,结合燃料电池发动机的特点,提出了基于神经网络专家系统的智能故障诊断方法,成功开发出一套基于VC++平台的燃料电池故障诊断专家系统软件,实现了燃料电池的状态检测和故障诊断,对保证燃料电池发动机的安全运行有重要的意义。     

基于神经网络的涡轴发动机故障诊断仿真研究

为了避免基于专家系统、模糊参数等传统方法,对涡轴发动机进行故障诊断而导致的诊断速度慢、数据精确差、正确率低等缺点,提出一种基于神经网络的故障诊断方法。此方法通过建立三层神经网络模型,以径向基函数为中心运用MATLAB软件进行了仿真训练与测试,再分析对比前期研究经验,结果表明基于径向基函数的神经网络在训练速度以及诊断正确率上效果较好,能够有效的对涡轴发动机进行故障诊断。     

基于集成神经网络的航空发动机故障诊断研究

针对航空发动机单一信息源故障诊断存在诊断效率低和准确率不高的问题,研究了基于油液和振动信息融合的集成神经网络的故障诊断方法,并将其应用到航空发动机的故障诊断中。以某型航空发动机为例,采用振动信息和油液信息融合诊断的思路,研究了集成神经网络故障诊断法在该发动机轴承故障中的应用,并结合具体数据对此诊断方法进行了验证。诊断结果表明,与传统的单一信息源故障诊断方法相比,集成神经网络故障诊断法诊断效率更高,可检测故障模式更多,误诊率更低。     

基于排气分析的发动机故障诊断模糊神经网络模型

根据基于排气的发动机故障诊断中信息模糊、多变的特点,结合模糊逻辑系统的鲁棒性、神经网络的时变性和非线性等优势,建立了发动机故障诊断的模糊神经网络模型.模型的训练与测试结果表明,该模型提高了发动机故障诊断的准确性.     

基于IPSO-PNN的电动汽车故障诊断

为了提高电动汽车故障诊断的准确性,提出了一种基于改进粒子群(Improved Particle Swarm Optimization,IPSO)算法优化概率神经网络(Probabilistic Neural Network,PNN)的电动汽车故障诊断方法,即基于IPSO-PNN的电动汽车故障诊断方法。首先,研究了基于PNN的电动汽车故障诊断模型,分析了PNN的平滑因子对该模型诊断准确率的影响;其次,在粒子群(Particle Swarm Optimization,PSO)算法中引入频率粒子群和采用动态惯性权重,改善PSO算法的全局和局部寻优能力,利用IPSO算法优化基于PNN的电动汽车故障诊断模型的平滑因子,以改善模型的分类能力;最后进行仿真与分析。仿真结果表明:相较于基于PSO-PNN的电动汽车故障诊断方法,基于IPSO-PNN的电动汽车故障诊断方法具有更高的诊断准确率和诊断速度。     

基于提升小波和PNN的三容水箱故障诊断

针对三容水箱是典型的非线性多变量耦合系统,提出将提升小波和概率神经网络相集合(LWPNN)方法用于三容水箱液位故障诊断.首先,建立三容水箱数学模型以获取实验数据,之后利用提升小渡对数据快速降噪,最后通过概率神经网络进行故障分类.实验结果表明,LWPNN集合方法较传统PNN故障诊断方法有较高的故障诊断率,是一种有效的故障...     

基于改进EMD与PNN的汽轮机通流部分故障诊断

根据热力参数非线性、非稳态的特点,提出了一种基于改进的经验模态分解(empirical mode decomposition,简称EMD)算法与概率神经网络(probabilistic neural network,简称PNN)的汽轮机通流部分故障诊断新方法。该方法针对EMD存在的端点效应问题,采取基于波形相似度的镜像延拓法进行改进,以得到更准确、更真实的本征模函数(intrinsic mode function,简称IMF)分量,从而有效提取了故障特征信息,并通过PNN训练判别汽轮机通流部分故障类型。以某电厂600MW火电机组实时运行数据为基础进行仿真实验,结果表明,基于改进EMD与PNN的汽轮机通流部分诊断方法能够快速准确地判别汽轮机通流部分的故障类型,其准确率明显高于基于EMD与PNN的故障诊断方法。     

水电机组振动故障诊断的人工神经网络选择研究

引起水电机组振动的原因很复杂，而且水电机组的振动故障往往是多故障同时发生，使得故障诊断很困难，目前主要是应用基于模式识别的神经网络来进行故障分类，但如何选择故障诊断的神经网络一直是个难点。文章研究了3种人工神经网络，即反向传播网络（BPN）、概率神经网络（PNN）和学习矢量量化网络（LVQ）对水电机组振动故障诊断性能的影响。结果表明，人工神经网络的结构和算法，包括相关训练参数的选择对故障诊断性能有着重要影响。比较而言，学习矢量量化网络和概率神经网络在分类能力方面要比反向传播网络好一些，概率神经网络在计算负载方面比学习矢量量化网络要更胜一筹。     

基于加权概率神经网络的齿轮箱抗噪故障诊断

针对齿轮箱现场故障诊断易受噪声干扰、诊断精度低的问题,提出了一种基于区分性权重概率神经网络的故障诊断方法。该方法考虑了不同子带特征受噪声的污染程度不同,提高噪声影响小的特征在诊断中的权重,降低噪声影响大的特征在诊断中的权重,以提高诊断的噪声鲁棒性,最终实现了齿轮箱故障的诊断。试验研究结果表明,与BP神经网络和概率神经网络诊断相比,该方法具有较高的诊断正确率和较强的诊断鲁棒性;并且该方法中平滑度参数对故障诊断精度影响不大,可以避免该参数选择困难的问题,具有良好的工程应用前景。     

基于改进概率神经网络的滚动轴承故障诊断

探讨了经典概率神经网络(PNN)作为模式分类器时的相关原理,针对传统PNN采用相同平滑因子而导致识别率低的问题,提出了一种改进概率神经网络(IPNN),其平滑因子根据模式类别的不同而自适应变化,从而使隐含层的神经元具有更高的适应性,更好地表征了特征向量与模式状态的关联性,反映了输入特征向量对于正确分类结果的实际作用,并将该IPNN应用于滚动轴承的故障诊断中。实验结果表明:IPNN能够有效提高滚动轴承故障分类的准确性,比经典PNN和常用的误差反向传播神经网络(BPNN)具有更高的识别率。     

基于小波分析与概率神经网络的化工过程故障诊断

针对复杂化工过程,提出了一种结合小波分析与概率神经网络（PNN）的故障诊断方法（HWPNN方法）,即利用Haar小波分析对过程原始数据进行消噪处理,然后将重构的逼近系数作为输入样本送入概率神经网络完成故障诊断。将HWPNN方法应用于TE过程（一个化工生产过程,由Tennessee Eastman公司控制小组提出）的15种故障进行实验,并与将原始数据直接送入概率神经网络作故障诊断的PNN方法进行了比较,实验结果表明HWPNN方法的故障诊断的准确率明显高于PNN方法。HWPNN方法的诊断准确率达到了100％,是一种可行而有效的化工过程的故障诊断方法。     

矢功率谱与概率神经网络结合在旋转机械故障诊断中的应用研究

与传统功率谱相比,矢功率谱融合了多通道的能量信息,反映的信息更全面,而概率神经网络学习速度快、收敛性好,基于此,结合矢功率谱和概率神经网络,提出一种故障诊断的新方法,该方法是以矢功率谱作为特征输入到概率神经网络分类器进行故障识别,并应用到旋转机械故障诊断中。实验结果表明,该方法是有效的。     

相对关联距离熵在转子系统故障诊断中的应用

将相对关联距离熵应用于航空发动机转子-机匣系统状态识别和故障诊断。在相空间重构的基础上，基于实测的航空发动机机匣振动时间序列求解了转子-机匣系统不同工作状态和故障状态的相对关联距离熵，并基于相对关联距离熵，对航空发动机转子-机匣系统进行了状态识别和故障诊断。     

基于模糊故障树的高速挖发动机系统故障诊断方法

将模糊数学相关理论和故障树分析方法相结合,提出了一种基于模糊故障树理论的故障诊断方法。以高速挖柴油发动机系统为研究对象,建立该系统的故障树模型,运用模糊故障树分析法对该系统进行故障诊断推理和搜索算法研究。研究结果表明,该方法切实可行,经相关改造,也可用于工程机械其它系统的故障诊断。