基于小波包与直接确定神经网络的柴油机故障诊断

系统论述了小波包分析在故障诊断中对信号的分解、去噪和重构,经过基函数神经网络可以很好地对信号进行诊断,最后用典型故障信号通过计算机仿真讨论该方法在柴油机故障诊断中的可行性。     

基于小波包与概率神经网络相结合的滚动轴承故障诊断

基于小波变换的滚动轴承故障诊断,振动信号中的高频部分对诊断结果有一定影响,为克服此影响,首先运用小波包对SKF型滚动轴承故障信号进行预处理,以此为特征向量结合概率神经网络去验证模型的实用性和可行性。分析结果表明,小波包与概率神经网络相结合的故障诊断方法可以有效的应用于滚动轴承故障诊断。     

基于小波包神经网络的电机故障诊断分析与研究

由于传统基于傅立叶变换的利用频域对电机故障的信号分析中无法对奇异信号点的时域信息进行检测。针对上述问题,提出基于小波包神经网络的电机故障诊断的方法。结合电机振动的非平稳随机性的特点。利用小波包多分辨率分析方法对电机的采样信号进行分解,提取电机故障状态特征并作为BP神经网络输入样本的特征向量,利用神经网络的自学习和模式识别的特点最终输出电机故障类型。通过MATLAB仿真结果可以证实该方法可行性。     

基于小波包和BP神经网络的滚动轴承故障诊断

基于Matlab平台,利用小波包技术对滚动轴承典型故障的振动信号提取特征值,再借助BP神经网络对特征值进行分类,经验证该方法能够准确识别故障。     

基于SOM-BP复合神经网络的齿轮故障诊断研究

采集齿轮4种常见状态的振动信号,采用MATLAB建立SOM神经网络、BP神经网络和SOM-BP复合神经网络模型并对模型进行训练,对齿轮故障进行分析。通过对比测试样本的实验结果,BP神经网络的识别准确率可达到94%,SOM神经网络的识别准确率可达到91%,SOM-BP复合神经网络的识别准确率可达到99%,证明了采用SOM-BP复合神经网络进行齿轮故障诊断的正确性和准确性。     

基于小波包与EKF-RBF神经网络辨识的瓦斯传感器故障诊断

针对瓦斯传感器常见的偏置型、冲击型、漂移型和周期型4种突发型故障,以小波分析和RBF神经网络为基础,提出了由小波包分解提取特征能量谱与扩展Kalman滤波算法（EKF）优化的RBF神经网络进行模式分类辨识的瓦斯传感器故障诊断方法。对瓦斯传感器的输出信号进行小波包分解,运用基于代价函数的局域判别基(LDB)算法进行裁剪,获取最优的特征能量谱,经处理后作为特征向量训练EKF-RBF神经网络,采用参数增广和统计动力学方法,通过带有整定因子的EKF参数估计,用来辨识瓦斯传感器的故障类型。实验结果表明：该方法的辨识正确率在95%以上,误报率和漏报率都明显优于其他算法,能够有效用于瓦斯传感器的故障在线诊断。     

基于小波包分析和概率神经网络的往复泵的故障诊断研究

往复泵的正常工作是确保煤矿生产顺利进行的关键,由于工作环境恶劣,往复泵的故障诊断是非常重要的,因此,深入地研究了小波包分析和概率神经网络在往复泵故障诊断中的应用。分析了基于小波包的往复泵故障提取机理,设计了基于小波包分析的往复泵故障特征提取流程;构建了基于概率神经网络的往复泵的故障诊断模型,设计了概率神经网络的基本结构。对往复泵进行了故障诊断分析,仿真结果表明小波包和概率神经网络能够准确地获得故障诊断的类型。     

基于小波包-SVD和IPSO-BP的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳性和非线性特点以及BP神经网络结构参数差等因素导致滚动轴承故障识别准确率低的问题,提出一种基于小波包结合奇异值分解(SVD)和改进粒子群算法(IPSO)优化BP神经网络的滚动轴承故障诊断方法。首先通过小波包对振动信号进行分解与重构,得到不同频段的信号之后利用SVD提出有效的故障特征向量,输入到BP神经网络中进行测试。考虑到BP神经网络结构参数差等因素,使用IPSO对BP神经网络进行优化,最后测试得出结果。对比实验模拟和现场数据验证表明,基于小波包-SVD和IPSO-BP的滚动轴承故障诊断准确度大大提高。     

基于小波包分析和高阶模糊神经网络的滚动轴承故障诊断

滚动轴承是旋转机械中最易发生故障的元件之一,提出了一种基于小波包分析和高阶模糊BP神经网络的滚动轴承故障诊断新方法。该方法的具体诊断过程:采用小波包分解的方法提取样本信号各频段的Shannon熵值并结合其他一些量化指标,经筛选后作为特征向量输入滚动轴承故障诊断高阶模糊神经网络,对该网络进行训练与检验。实验表明这种方法与传统方法相比,在收敛速度及对训练总误差控制方面具有更大的优越性。     

小波包神经网络在数控机床故障诊断中的应用

为了能够提高数控机床故障诊断的正确率,提出了小波包模糊神经网络方法对数控机床进行故障诊断,也提出了小波包分析提取特征向量的程序,利用小波包分析可以获得数控机床的特征向量,应用模糊神经网络对数控机床进行故障诊断.利用小波包模糊神经网络对数控机床常见的8种故障进行了诊断,证明小波包神经网络进行故障诊断的有效性.     

基于相对小波包能量特征向量的故障诊断

在小波及小波包分析的基础上引进相对小波包能量特征向量的概念,提出了一种建立旋转机械故障库的新方法,并结合模式判别的知识,引进欧几里德距离公式作为判据,使故障诊断公式化、定量化。实验结果表明这种方法能够很快地诊断出转子台故障类型,为旋转机械的故障诊断提供了新方向。     

基于小波包分解的煤矿通风机故障诊断

提出基于小波包分解的煤矿通风机故障诊断方法,经实际验证,能有效诊断出通风机故障,具有实用价值。     

基于小波包的机械故障信号消噪处理

在旋转机械故障诊断系统中需要获得采样信号用于系统的故障辨识或判断,而这些采样信号将不可避免地受到噪声污染,使系统辨识精度得不到提高。小波包变换的方法可以降低系统噪声影响,通过变换分解出高频噪声部分,利用小波包收缩的阈值量化方法去掉高频部分,再重构信号从而达到消噪目的。     

基于小波包和EMD的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。     

基于小波神经网络技术的井下瓦斯传感器故障诊断分析

煤矿井下瓦斯传感器的准确性和鲁棒性关系到矿井的安全生产。以瓦斯传感器故障诊断为研究对象,利用小波包分解算法分析了瓦斯传感器故障信号、提取了相关特征,并基于这些特征,采用扩展滤波算法训练神经网络。兖州集团王庄煤矿的100组瓦斯检测数据验证了该技术的有效性和准确性,为瓦斯传感器故障的在线诊断系统设计提供了参考。     

基于小波包与隐马尔可夫的矿井提升机主轴故障诊断

为解决当前矿井提升机主轴故障数据提取困难且诊断方法存在易受干扰、误差大、准确度低等缺点,设计了基于小波包与隐马尔可夫(HMM)的矿井提升机主轴故障诊断模型。该模型预先把主轴振动信号用小波包分解来获取小波包能量,再把高能量频带CEEMD分解,选取相关系数满足条件的IMF分量完成信号重构,通过重构信号来获得特征参数并构建特征向量,然后对每种故障完成HMM训练,构建HMM故障识别库,并把测试样本送入库中完成测试,从而测试模型的准确度。测试数据表明了基于小波包与HMM的故障诊断模型,准确度高、误差小、抗干扰能力强,比较适用于故障诊断。     

基于小波包算法的回转零件故障诊断

针对传统的故障诊断方法的局限性,将小波包分析方法应用到回转零件故障诊断中,利用小波包分解和重构方法有效地提取回转零件的共振频段,解决了传统方法人为确定共振解调频段的局限性。应用小波包算法处理后的信号重新采样,再根据Hilbert变换和包络谱细化原理,得到一种新的细化包络谱。通过回转零件的故障诊断实验分析,验证了该理论方法的正确性和实用性。