基于粗糙集与神经网络的齿轮箱故障诊断

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。     

基于粗糙集-神经网络的变压器故障诊断方法

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.     

基于粗糙集-RBF神经网络的水电机组故障诊断

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。     

基于粗糙集神经网络的综合传动故障诊断

针对综合传动装置在道路试验过程中大量采集的油样,建立了油液分析数据库。采用粗糙集理论的信息约简,根据粗糙集理论能处理不精确、不完整、不一致的数据的特点,结合神经网络强大的线性逼近和模式识别的功能,建立了粗糙集神经网络模型。将该模型应用于综合传动装置的模式识别,取得了满意的诊断结果。研究结果为在不完整征兆信息下的机械故障诊断提供了新的方法和思路。     

基于粗糙集神经网络的综合传动故障诊断

针对综合传动装置在道路试验过程中大量采集的油样,建立了油液分析数据库.采用粗糙集理论的信息约简,根据粗糙集理论能处理不精确、不完整、不一致的数据的特点,结合神经网络强大的线性逼近和模式识别的功能,建立了粗糙集神经网络模型.将该模型应用于综合传动装置的模式识别,取得了满意的诊断结果.研究结果为在不完整征兆信息下的机械故障诊断提供了新的方法和思路.     

基于粗糙集和ANN的模拟电路故障诊断研究

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。     

基于广义粗糙集与神经网络集成的旋转机械故障诊断研究

故障诊断规则中判断条件的冗余、不完全和不确定性不利于实际应用。采用广义粗糙集理论对旋转机械振动故障诊断的非完备决策系统进行了约简 ,得到了更为简明的最优诊断规则 ;根据约简结果 ,建立了基于神经网络的故障诊断系统 ;网络的训练对比结果表明 ,基于粗糙集理论的约简处理简化了神经网络结构 ,提高了网络的训练效率 ;以诊断实例验证了广义粗糙集理论与神经网络集成进行故障诊断的可行性     

基于多尺度熵-BP神经网络的采煤机摇臂齿轮故障诊断

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。     

基于粗糙集与人工神经网络的风机故障诊断

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。     

基于粗糙集神经网络的液压伺服系统故障诊断模型的研究

文章提出了一种基于动态流量的液压伺服系统故障诊断的新方法,即基于粗糙集神经网络专家系统的故障诊断方法,在分析了现有故障诊断方法及其局限性的基础上,重点阐述该方法的体系结构设计,详细讨论了知识获取模块和神经知识库等关键技术。最后给出了粗集神经网络推理机的工作过程。     

基于异构粗糙神经网络集成的故障诊断研究

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。     

用神经网络技术诊断桥式起重机轴承故障

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     

粗糙集合理论在旋转机械故障诊断技术中的应用

粗糙集合理论基于严格的集合分析方法,通过对数据集合进行等价关系、近似空间、分类等运算,发现隐含在数据中的规律与性质,从而完成知识发现。在人工智能机器故障诊断系统中,如何获得故障诊断等知识成为关键技术。论文提出将粗糙集合理论应用于加工中心故障诊断技术,使得故障诊断技术中的知识获取瓶颈问题得以有效解决。     

基于集成神经网络的垃圾破碎机故障诊断专家系统知识库研究

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.     

电梯故障诊断的RBF神经网络方法研究

以电梯曳引机为研究对象,在阐述其振动故障的基础上,针对涡轮蜗杆减速器故障,给出了故障特征现象和故障代码.对已发生的蜗杆不平衡故障,分别采用RBF神经网络和BP神经网络,利用Matlab工具建模,给出了故障诊断结果,并进行结果分析比较.多次数据离线检验和实时在线监测结果均表明采用RBF神经网络方法能够及时、有效地检测出曳引机工作过程中的故障,并能够满足曳引机运行的实时性和鲁棒性等要求.     

基于粗集故障诊断系统中VB调用MATLAB程序的实现

VB应用程序是一种可视化的编程技术,并且与用户的交互性强,MATLAB具有强大的数值计算分析功能、数据输入与数据输出灵活的特点.设计实现了基于粗集的故障诊断系统,介绍实现了运用VB应用程序调用MATLAB编写的故障诊断程序进行混合编程的详细步骤.     

基于粗糙集理论的系统建模与故障诊断

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.     

基于改进BP神经网络的故障诊断方法

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.     

基于AIC的RBF网络在旋转机械故障诊断中的应用

提出了一种适用于各类旋转机械的精度高、响应快的故障诊断方法。首先利用赤迟信息准则(AIC)确定RBF神经网络的隐含层节点数和中心,然后建立基于该神经网络的故障诊断模型,再利用旋转机械振动信号来分析并判定其运行状况。以柴油机连杆铜套磨损故障为例进行分析,实验及仿真结果表明:基于AIC的RBF网络技术的诊断方法在柴油机故障诊断中是有效可行的,对于单一故障的识别率为100%,对其他复杂旋转机械的振动诊断同样具有参考价值。     

Thermal analysis MLP neural network based fault diagnosis on worm gears

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.