基于多信息的柴油机缸套磨损故障诊断研究

采用了模糊神经网络模型，对柴油机缸套磨损故障以及缸套破坏性磨损故障进行了诊断研究．通过缸套磨损故障的模拟实验，获取柴油机机身振动和铁谱分析等多源多雏故障信息，并对融合故障信息进行预处理，解决了模糊神经网络输入矢量的模糊特性化、输出矢量的隶属函数及网络的学习训练问题，对缸套不同磨损故障进行了诊断．研究表明，这种基于多信息的诊断方法减小了故障诊断的不确定性，提高了诊断精度．     

基于振动和证据理论的柴油机缸套磨损故障诊断

在简述Dempster-Shafer证据理论的基础上,探讨了内燃机缸套磨损故障诊断中的故障识别框架的形成、mass函数的构造以及相应的组合与推理思路,并以柴油机缸套磨损故障诊断为例,详细说明了该方法的具体实现步骤.测量6-135G型柴油机缸套在正常、中等磨损故障、严重磨损故障和破坏性磨损故障四种状态下的机体表面振动,通过时、频域分析,得到了故障特征信息;利用Dempster-Shafer证据理论方法对故障特征信息进行融合处理,有效地诊断识别了柴油机缸套的多种磨损故障,诊断结论的可信度明显提高,不确定性明显减小.研究表明,可以基于振动和Dempster-Shafer证据理论进行内燃机缸套磨损故障诊断,诊断效果良好,并有效地提高柴油机故障诊断的准确性和可靠性.     

发动机磨损诊断的神经网络技术研究

目的　利用神经网络技术诊断发动机的磨损故障 ,研究神经网络技术应用于机械故障诊断领域的发展方向 .方法　基于油液分析技术 ,对发动机常见磨损故障进行诊断 ,具体包括发动机磨损颗粒的识别、磨损元素浓度值的预测和磨损故障智能诊断专家系统 .结果　对基于油液分析的发动机故障诊断提供了新的方法 .结论　使用神经网络技术可以大大提高发动机磨损故障诊断的效率 ,说明该技术方法在发动机磨损故障诊断领域是有效的 ,同时对其它机械设备的磨损故障诊断具有借鉴意义     

基于D-S证据理论信息融合的转辙机故障诊断方法研究

在列车提速后S700K型电动转辙机被普遍安装在正线道岔的背景下,本文针对单一故障诊断方法的诊断精度偏低问题,提出了基于信息融合故障诊断模型和故障诊断方法.该方法分别用BP神经网络和模糊综合评判对转辙机进行故障诊断,利用神经网络输出和模糊综合评判输出来构造D-S证据理论中的概率分配,然后利用D-S证据理论将BP神经网络和模糊综合评判对转辙机的故障诊断结果在决策级进行融合,诊断转辙机是否有故障并判断故障的模式.诊断结果表明,该诊断方法具有较高的故障诊断精度,诊断结论的可信度有明显提高.     

模糊神经Petri网在发动机磨损故障诊断中的应用

针对模糊Petri网在故障诊断中缺乏自学习能力的缺点,将模糊Petri网与神经网络理论相结合,建立适用于发动机磨损故障诊断的模糊神经Petri网模型。其学习训练步骤包括：设置初始权值和阈值、利用期望的输入输出数据对、计算实际输出、修正权值,以及确定样本稳定。最后,以某型发动机磨损故障诊断为例进行仿真验证,结果表明该模型可行有效。     

基于多指标融合的故障诊断理论与方法

运用嵌入约束方法,对故障诊断中的多指标信息融合问题作了统一的数学描述,系统地研究多指标诊断的信息理论、故障的可诊断性检验、诊断指标的筛选以及基于Ｂａｙｅｓ方法的诊断模型等,并将其应用于内燃机活塞缸套磨损故障的诊断,取得了预期的效果。     

基于模糊神经网络的智能故障诊断专家系统

发动机是车辆的核心部件,及时有效地发现并排除故障,对降低维修费用,减少经济损失,增加发动机工作时的可靠性,避免事故发生具有重大的意义。以某型号发动机为研究对象,运用测试技术、信号处理、小波分析、神经网络和模糊控制理论,提出了基于模糊神经网络的智能故障诊断系统。建立了发动机故障信号采集试验台,在试验台上人工模拟3种转速下6种工况,通过加速度传感器采集正常工况和异常工况的振动信号,之后利用小波包技术进行消噪处理,并提取出故障信号的特征值,作为网络训练和测试的样本数据。用样本数据训练和检测自适应模糊神经网络,完成对信号的离线模式识别,之后以测试样本数据实现在线故障诊断,通过仿真分析,取得了很好的诊断效果。与传统的BP神经网络故障诊断方法进行对比,无论在诊断精度上还是学习速度上,模糊神经网络在故障诊断中更具有优势。同时,在专家系统的理论基础上,将模糊神经网络与专家系统进行信息融合,实现数据接口通信,利用网络的自学习能力建立智能故障诊断数据库和诊断规则库,通过程序语言快速高效的设计出智能诊断系统。最后,通过发动机故障诊断实例仿真分析,验证了基于模糊神经网络的智能故障诊断专家系统的可行性。     

基于MACNN的柴油机故障诊断方法研究EI北大核心CSCD

高效、准确的故障诊断可以提高柴油机的安全性和可靠性。传统机械故障诊断方法中人工参与程度过高,对识别结果带来诸多不确定性。针对这一问题,提出一种基于多重注意力卷积神经网络(multiple attention convolutional neural networks,MACNN)的端到端故障诊断方法。该方法采用多层卷积神经网络(convolutional neural networks,CNN)结合卷积注意力模块(convolutional block attention module,CBAM)对原始时域数据进行特征提取;然后,对多维卷积输出特征图进行重组以保留其序列信息;最后,直接采用序列注意力机制完成序列特征的学习。经采用实测柴油机缸盖振动信号数据进行验证后表明:面对8分类柴油机故障数据集,MACNN能够达到97.88%的识别准确率,测试100个样本用时仅为0.35 s。与现有多种传统故障诊断方法和端到端故障诊断方法相比,均具有更好的诊断效果。     

基于深度迁移学习的柴油机故障诊断研究

得益于大数据和人工智能的高速发展,数据驱动的智能故障诊断方法受到广泛关注。然而,在柴油机故障数据稀缺的情况下,传统神经网络训练容易出现过拟合且网络泛化能力差。为解决上述问题,提出一种基于深度迁移学习的小样本故障诊断方法。构建一种适用于柴油机原始振动信号的宽卷积核卷积长短期记忆神经网络,来提高故障数据特征提取和抗噪的能力,另外从原始数据自动提取特征,增强特征学习的智能性。进一步采用迁移学习方案,将大型标签源域数据的诊断知识迁移到目标域网络上,改进网络在目标域任务小样本条件下的学习和分类能力。在跨故障域和跨设备域迁移任务上进行算法评估,并与传统深度神经网络进行比较,验证了所提方法可有效改进小样本诊断性能。     

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.