基于ART-2网络的自行火炮变速箱状态自适应分类

对于结构复杂的自行火炮变速箱，其故障模式具有不可预知性。针对传统的神经网络识别方法明显存在不足这一问题，提出一种基于自适应谐振理论（Adaptive Resonance Theory）的自行火炮变速箱瞬态过程故障诊断新方法。该方法不仅可以对已知的故障模式进行分类，而且对自行火炮变速箱未知故障模式具有很强的自适应分辨能力。实例证明，ART-2神经网络与传统的神经网络方法相结合为自行火炮变速箱故障诊断提出了新思路。     

基于嵌入和遥测的轮式自行火炮变速箱测试诊断研究

针对在有线连接的条件下无法实现轮式车辆变速箱带载荷测试的问题,提出基于嵌入式和遥测技术的变速箱性能检测新方法,包括系统硬件和软件设计等。嵌入式检测系统随车采集变速箱的状态信息,经特征提取后,反映变速箱工况的特征量通过无线数传模块发送给远端的信号分析单元,信号分析单元在提取变速箱故障特征的基础上,应用模糊聚类分析方法对变速箱工作状态进行识别。该方法由于充分利用了车辆行驶时的动态载荷,使得测试的振动信息更有代表性,可以反映更多的系统特性,能够提高轮式车辆变速箱的故障定位精度。     

变速箱典型故障奇异性指数的模糊神经网络识别

基于小波奇异性分析和模糊神经网络理论,建立变速箱故障识别模型,探讨将两种理论集成用于状态监测以提高故障识别准确度.通过小波变换提取车辆变速箱运行状态监测数据的奇异性指数,并据此训练模糊神经网络,计算表征变速箱技术状况的代码,判断部件是否发生故障及故障类型.对某型车辆变速箱监测信号的研究表明,本模型用于识别变速箱典型故障的误差仅为0.15384.     

基于卷积神经网络的滚动轴承故障诊断

针对传统故障诊断方法诊断过程复杂、效果不佳的问题,提出一种基于卷积神经网络的滚动轴承故障诊 断方法。首先选取不同故障的振动信号进行归一化处理,然后把 1 维的振动信号转化成 2 维的灰度图像,利用每个 元素与其相邻元素之间的关系,并且采用重叠采样的方法加强数据集。在卷积神经网方面利用 tensorflow 搭建网络 框架,采用 4 种不同的卷积神经网络结构对样本进行训练。为避免实验的随机性,对每种方案进行多次训练,采其 结果的均值。根据测试集的准确率选取最好的适合轴承故障诊断的模型,同时对网络的结构参数进行优化改进,提 高模型的识别率和运行效率。实验结果表明,该方法可以准确地将滚动轴承的故障进行识别和分类。     

变速箱轴承故障诊断中小波分析方法

针对自行火炮变速箱工作时背景噪声非常大,测取的振动信号信噪比很低,被检信号常常淹没在背景噪声中,特征信号难以提取的问题,提出了采用小波形状与冲击信号非常相似的Morlet小波作为基小波,对变速箱振动信号进行连续小波变换,通过实例证明了此方法非常有效。     

自行火炮变速箱瞬态过程振动信号的时频分析研究

讨论了一般机械在瞬态过程和稳态过程中所呈现出的不同振动特性,提出了基于瞬态过程分析机械故障诊断的必要性。针对瞬态过程诊断问题,将时频分析方法应用于非平稳信号的处理,同时针对时频分布图利用Hough变换,提取分布图中的线性部分。最后,给出自行火炮变速箱在不同工况下的瞬态过程振动信号的时频分析实例。实例证明,本文提出的方法对机械设备非平稳振动描述是可行的,对机械设备的故障诊断是有效的。     

基于CBR-ANN的自行火炮故障诊断系统

针对自行火炮维修保障中存在大量维修案例没有被记录和整理、维修中故障诊断效率低等现状和诸多不足，提出了将人工智能中的基于案例推理技术（CBR）与人工神经网络技术（ANN）相结合（即CBR—ANN）应用于自行火炮的故障诊断中，建立了故障诊断系统；同时对诊断系统中的几个关键技术——案例的混合聚类模型、案例的表达及基于3层BP神经网络的案例索引进行了设计和说明。该系统的完善和应用有利于提高自行火炮的维修保障能力。     

神经网络故障技术的可实现性

归纳了神经网络在故障诊断中的运用方式,探讨了故障诊断的神经网络方法和专家系统方法的联系和区虽,以及两种方法的转化,最后,给出了神经网络邦联诊断技术在航天领域里的应用情况。     

装甲车辆新型变速箱故障诊断研究

基于材料力学理论,给出了含点蚀的轮齿啮合刚度定量描述方法;进而建立了行星齿轮系统故障动力学模型;数值仿真了点蚀对行星齿轮系统啮合刚度与动态响应频谱特性的影响.结果表明:发生齿面点蚀时,啮合刚度会降低,且随故障程度发生变化;点蚀对行星系统动态响应的影响与定轴齿轮系统不同,其故障特征频率比较复杂;故障特征频率可以作为故障定位的依据.     

基于神经网络的自行火炮毁伤距离预测模型

应用BP神经网络理论建立自行火炮毁伤距离的预测模型,过程包括:建立神经网络模型、构造训练样本并进行归一化处理、对网络进行训练、校验与网络应用.实例分析表明,该模型能较准确预测对抗双方自行火炮在不同榴弹威胁下各战斗损伤等级的毁伤距离,为自行火炮战损等级预测提供了有效的理论基础.     

基于分形理论齿轮箱故障诊断研究

在对齿轮箱的机械故障诊断中,由于齿轮箱运行过程中产生的信号中存在非线性,为此将分形理论引入故障诊断技术中。介绍了分形法诊断故障的基本原理,利用G-P算法求出各工况的分形维数并进行比较,实现了对齿轮箱故障的诊断。诊断结果表明,发动机轴承正常状态下的分形维数为2．6346,各故障状态时均有惟一确定的分形维数且都大于2．6346。由此看出,用分形维数可以表征机械故障状态,说明分形理论能从本质上反映故障的结构特征。     

基于LabVIEW与Matlab的滚动轴承故障诊断

针对滚动轴承故障在线监测问题,将LabVIEW与Matlab 2种编程方式相结合进行故障诊断。论述滚动轴承故障信号特征,介绍峭度分析法和共振解调法分析方法,并采用LabVIEW和Matlab联合编程进行算法实现。借助典型轴承故障实验数据对分析方法进行验证,结果表明：该系统能有效分析并识别轴承的特征故障,可用于轴承故障监测。     

基于一种新型神经网络的姿态控制故障诊断方法

在导弹姿态控制系统的故障检测和诊断中,针对BP神经网络自身存在的收敛速度慢等缺点,介绍了一种新型神经网络——带偏差单元的递归神经网络的结构及算法。将它和一改进算法的BP（称为FBP）网络分别用来对同一导弹姿态控制系统进行故障诊断,结果表明,这种算法提高了故障诊断的快速性,增加了诊断的准确性,故障诊断的正确率优于FBP神经网络。     

基于BP网络的舰炮齿轮箱故障诊断方法

提出了一种新的关于舰炮齿轮箱故障的BP网络诊断方法。齿轮箱故障中约有60％是由齿轮故障导致的。采取经典的“频域”分析方法对齿轮箱进行故障诊断。通过建立相应的BP网络模型，克服了以往各种诊断方法的不足，较好地完成了对舰炮齿轮箱的故障诊断任务，提高了诊断的效率和质量。     

基于小波神经网络的航天器故障诊断方法

针对微小航天器集群的故障诊断问题,提出一种故障诊断(fault diagnosis,FD)新方法。依据小波神经网络(wavelet neural network,WNN)理论,结合航天器集群的领队航天器故障检测与系统重构问题,构建一种故障诊断框架,采用小波神经网络与神经网络相结合,得出航天器姿态故障诊断策略及卫星姿态故障重构技术,给出了领队航天器故障重构方案,并进行了仿真实验与验证。仿真结果表明,该故障诊断方法是有效性的、故障重构是可行性的。     

基于盲源分离的齿轮箱复合故障诊断研究

针对传统盲源分离(BSS)技术在处理非线性变化的复合故障信号时的不足,将核独立分量分析(KICA)技术应用于齿轮箱的状态检测与故障诊断。介绍了KICA的基本原理,进行了仿真说明。最后应用该方法并结合包络阶次谱分析对设置了2种故障的齿轮箱进行故障诊断,最终找到了故障特征,成功判别出了这2种故障,并验证了该方法的有效性。     

基于小波分析齿轮箱故障诊断研究

文中主要用小波分析对齿轮箱进行了故障诊断。对测取到的齿轮箱振动信号运用小波消噪处理后．采用较新的信号分析工具——小波分析来进行信号分析与处理．从而来判别出故障。结果表明．小波分析为判断、预防同类故障提供了一种有效的分析手段。     

基于RBF网络的鱼雷控制系统故障诊断

文中研究了将RBF（径向基）网络应用于鱼雷深度控制系统的故障诊断方法。根据鱼雷深度控制规律．设定五类故障．并应用相关数据对RBF网络进行训练．然后使用满足训练要求的网络对故障数据进行分析，判断属于何类故障。仿真实验结果表明该方法能够有效地解决鱼雷深度控制系统故障诊断问题。     

基于高阶累量谱的轴承故障诊断

在轴承故障诊断中，故障信号的提取是一个关键问题。实际测得的轴承振动信号一般是非平稳和非高斯分布的信号，信噪比很低，微弱的故障信息往往完全淹没在噪声中，信号特征的提取非常困难。信号的高阶累积量对加性高斯噪声和对称非高斯噪声不敏感，应用在轴承的故障诊断中，可以有效地分离信号与噪声，提高信噪比，增强故障信息。对轴承在不同状态下的振动信号进行对比分析，提取了不同状态下轴承振动信号的功率谱与高阶累量谱（双谱），建立了用于故障诊断的双谱特征向量，并利用BP神经网络进行了故障诊断。分析结果表明，从高阶累积量提取的特征与功率谱相比，对故障特征比较敏感，容易实现智能诊断中的数字特征提取，可有效地区分轴承的故障。