共查询到20条相似文献,搜索用时 62 毫秒
1.
基于粗糙集与神经网络的齿轮箱故障诊断 总被引:1,自引:0,他引:1
《机械传动》2013,(10):134-139
对粗糙集的属性离散化和约简算法进行了研究,提出了一种基于粗糙集与神经网络相融合的故障诊断方法。首先提出一种优化NS断点集的方法用于离散化决策表,然后采用差别矩阵和差别函数直接求取最小属性约简集,最后采用神经网络对JZQ-250齿轮箱进行故障诊断,并比较了约简前后特征集的诊断结果,实验表明粗糙神经网络能够简化网络结构,有较强的容错和抗干扰能力,且迭代次数少,收敛速度快,诊断精度高,是一种有效的齿轮箱故障诊断方法。 相似文献
2.
本文构建了粗糙集-神经网络故障诊断模型,用粗糙集方法约简信息,简化训练集,以减小神经网络结的规模,同时利用神经网络克服粗糙集对噪声数据敏感的影响.仿真结果表明,与该模型更能简化神经网络结构,减少网络的训练时间,提高故障诊断的准确率. 相似文献
3.
基于粗糙集-RBF神经网络的水电机组故障诊断 总被引:3,自引:0,他引:3
由于水电机组监测数据量过大,基于神经网络的故障诊断存在网络结构复杂,训练时间长的问题,本文将粗糙集理论引入到水电机组故障诊断中,提出了基于粗糙集理论与RBF神经网络相结合的水电机组故障诊断方法。利用粗糙集理论在处理不确定信息方向的优点,在保持分类能力不变的前提下,去掉机组的冗余信息,保留必要的要素,并结合RBF神经网络对预处理后的信息进行诊断,使神经网络的输入神经元数目明显减少,其结构也得以简化,可以有效地提高故障诊断准确度。通过对实测机组振动数据进行诊断,证明了该诊断方法的有效性。 相似文献
4.
5.
6.
针对传统故障字典法需要精确先验知识且不适合大规模故障诊断的缺点,提出了一种基于粗糙集和BP神经网络的模拟电路故障诊断新方法。首先进行样本数据采集和预处理,并使用定义的粗糙集差别矩阵算法矩阵法对数据进行属性简约,删除冗余信息,得到简约后的特征向量。然后,将简约后的特征向量作为BP神经网络的输入进行训练,最后,将训练好的BP神经网络模型用于故障诊断。仿真实验表明,文中的基于粗糙集属性简约和BP神经网络训练的故障诊断模型,具有较小的训练误差和较高的诊断精度。 相似文献
7.
8.
采煤机摇臂齿轮箱是采煤机的故障多发区,为了提高采煤机摇臂运行可靠性,减少故障发生率,对其进行故障诊断研究显得尤为重要。研究一种基于多尺度熵(Multi-scale Entropy,MSE)和BP(Back-Propagation)神经网络的故障诊断方法,利用多尺度熵算法具有的抗干扰和抗噪能力,来对齿轮振动信号进行复杂度分析,以各尺度样本熵值作为故障特征信息对齿轮的故障类型进行诊断识别。通过实验数据分析得到,所提出的基于多尺度熵-BP神经网络的故障诊断方法可以准确区分多种齿轮故障,对于四种齿轮状态的识别率达到84.0%以上,是一种有效的采煤机摇臂齿轮故障诊断方法。 相似文献
9.
提出了一种粗糙集理论与神经网络集成的风机故障诊断方法。试验结果表明:该方法可以有效提高风机故障诊断的精度和效率。 相似文献
10.
11.
该方法不仅显著提高了神经网络的泛化能力,而且无需预先确定神经网络的拓扑结构,简单易用。设计了四种不同的诊断器在柴油机供油系统的标准样本集上进行的诊断测试实验,结果表明基于异构粗糙神经网络集成的故障诊断方法具有最好诊断正确率。 相似文献
12.
根据BP神经网络的滚动轴承故障振动诊断技术 ,利用信号的时域特征参数、频域和倒频谱的包络谱等特征参数作为神经网络的输入信号 ,建立起故障诊断系统 ,并进行故障诊断试验 相似文献
13.
14.
针对连续性生产线的特点,对垃圾环保再生煤生产设备进行研究.在分析连续性生产线的故障特点的基础上,采用集成神经网络与专家系统结合的方式,建立基于集成神经网络专家系统,本文着重探讨了这种专家系统的知识获取、知识表示和知识库的建立等问题. 相似文献
15.
16.
17.
应用粗糙集理论,可以从原始的数据中提取有用的知识或规则.依据这一思想,本文建立了一个实际非线性系统的粗糙集模型.在建模过程中,首先用系统输入输出的采样数据构成原始信息表,然后离散化,再利用粗糙集算法得到系统粗糙集模型的不完备规则集,通过实验和线性插补法实现规则集完备化,最后完成模型的设计和校验.校验结果表明所建的粗糙集模型是有效的,并利用该模型实现了系统的一种故障诊断. 相似文献
18.
基于改进BP神经网络的故障诊断方法 总被引:1,自引:0,他引:1
对于常规BP神经网络,其收敛过程存在两个很大的缺陷:收敛速度慢;存在所谓"局部最小值"问题.文章采用了一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练,建立了智能诊断模型,并应用于某型坦克发动机的故障诊断,测试结果表明该方法相比常规BP算法能够更有效诊断发动机油路和气路的故障,从而为故障诊断及判定的自动化提供了一个新思路. 相似文献
19.
20.
《Measurement》2016
The importance of fault diagnoses, in any kind of machinery, can’t be over stated. Any undetected small fault in machinery will most probably rise with time and will cause machinery to shut down thus resulting in both mechanical and more importantly economical loss for the industry. In recent years, researches have been done for the faults diagnosis through the analysis of their vibration and sound signatures. The extraction of those characteristic signatures is a complicated process because complexities in modern day machineries can results in many vibration and sound generating sources. This paper presents a condition based fault diagnoses technique to detect the condition of gear. An experimental setup, consisting of a worm gear driven by an electric motor, was setup to conduct tests under different working conditions. The vibration and sound signature signals of worm gear were examined for normal and faulty conditions under different speeds and oil levels. The collected data was then used for feature extraction, by using Fast Fourier Transform to filter background noise signals and to collect only the signature of the gearbox vibration and sound signals. An MLP (Multilayer Perceptron) Artificial Neural Network Model has been developed to classify the signature signals. A thermal camera is also used to observe the heating patterns for all those working conditions. With the help of MLP Artificial Neural Network it is possible to predict the speed and oil level of the gearbox and hence a possible fault diagnoses is also feasible. 相似文献