差分进化小波神经网络在微动齿轮故障诊断中的应用

构建立了三层小波神经网络,给出了小波神经网络结构及算法,给出了差分进化的原理和实施步骤.给出了微动齿轮的机械振动机理和故障特征,将微动齿轮故障分为无故障、齿轮断层、齿轮面磨损脱落、齿轮面损伤,齿轮面裂痕等五种故障,通过振动试验测试故障信息,将其作为小波神经网络的训练样本,将差分进化应用于小波神经网络结构和参数的优化中.仿真结果表明差分进化小波神经网络能够有效避免神经网络不收敛的缺点,提高学习速度,采用差分进化小波神经网络进行微动齿轮故障诊断,具有较高的诊断精度和效率,可以有效应用于其他系统的故障诊断工程中.     

小波一神经网络在齿轮故障诊断中的应用

基于齿轮箱故障齿轮的特征提取,提出了将小波包分析与神经网络结合的齿轮故障诊断方法。对齿轮信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,实验结果表明该方法能够有效地诊断出齿轮的故障类型。     

小波-神经网络在齿轮故障诊断中的应用

基于齿轮箱故障齿轮的特征提取,提出了将小波包分析与神经网络结合的齿轮故障诊断方法.对齿轮信号进行3层小波包分解,构造小波包特征向量作为故障样本.用训练好的BP神经网络进行故障诊断,实验结果表明该方法能够有效地诊断出齿轮的故障类型.     

基于小波包变换与神经网络的齿轮故障诊断方法

对齿轮箱故障诊断问题进行研究,由于齿轮的振动信号是非平稳信号,常规的齿轮特征提取方法难以从振动信号中提取有效故障特征信息。笔者采用小波包理论对齿轮振动信号应用db12小波进行多层分解后,从而对信号进行消噪,并对消噪后的信号进行小波包3层分解及系数重构,再次对各频段能量进行处理分析从而得到特征向量。最终应用归一化方法对特征向量处理后再结合RBF神经网络进行故障诊断,并且取得了良好的诊断效果。     

基于PSO优化RBF神经网络的往复式压缩机故障诊断

为解决往复式压缩机故障诊断难度大且准确率不高的问题,提出一种利用小波包分解和基于PSO优化RBF神经网络的故障诊断方法。该方法利用小波包多层分解对压缩机进行故障特征的提取;针对RBF神经网络易陷入局部最优问题,通过减聚类算法计算出神经网络隐含层的最优节点数,排除人为指定超参数的不确定性。再利用改进后的PSO算法对RBF神经网络的内部参数进行全局寻优;将提取到的故障特征输入到优化后的RBF神经网络,实现对往复式压缩机的故障诊断。实验将压缩机气阀振动信号作为信号源,对上述诊断方法进行验证并与基于BF神经网络和未经优化的RBF神经网络两种诊断方法进行对比。结果表明,该诊断方法具有更好的诊断效果和更高的准确率。     

基于小波包特征向量与神经网络的滚动轴承故障诊断

基于故障轴承的特征提取,提出了将小波包分析与神经网络结合的滚动轴承故障诊断方法.对滚动轴承信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,试验结果表明,该方法能够有效地诊断出滚动轴承的故障类型.     

小波范数熵特征提取的模拟电路故障诊断方法

提出一种遗传优化神经网络与小波范数熵相结合的新型模拟电路故障诊断方法,降低神经网络的结构冗余度和减少过拟合现象。小波范数熵方法提取了故障数据的本质特征,遗传算法优化了神经网络的体系结构,诊断系统实施了模拟数据的故障分类。仿真结果表明,同小波变换预处理的故障诊断系统相比较,这种诊断系统具有更好的网络收敛性能、更高的诊断精确度和更强的推广能力,能对模拟电路故障元件进行有效识别和分类。     

基于小波包与改进BP神经网络的齿轮故障诊断

对齿轮振动信号应用小波包分解提取故障特征向量,并以此作为改进BP神经网络的输入,对神经网络进行训练,建立齿轮运行状态分类器,用以诊断齿轮的运行状态。结果表明,该方法对齿轮故障诊断十分有效。     

基于改进的小波神经网络异步电动机故障诊断

根据异步电动机常见故障征兆与故障模式之间的映射关系,利用小波神经网络建立了异步电动机的故障诊断模型。该模型采用共轭梯度下降算法,用动量法和自适应学习速率相结合来优化,并对小波神经网络参数进行了初始化研究。仿真结果表明:与常规小波神经网络和BP网络相比,该模型显著缩短了训练时间,用于异步电动机故障诊断是有效的。     

基于小波神经网络(WNN)的齿轮故障诊断

在研究齿轮故障诊断模型以及齿轮故障诊断策略的基础上,选择基于知识方法的小波神经网络方法用于齿轮故障诊断,提出了学习速率自适应调整的梯度下降法来修正小波神经网络的各个系数;最后通过实验证明,利用小波神经网络技术能够实现准确识别齿轮故障.