基于RBF神经网络的A320引气系统故障诊断研究

根据神经网络的非线性、自适应性及自学习等优点,针对空客A320飞机引气系统,提出了一种基于RBF网络的A320引气系统智能故障诊断方法.对近几年记录的A320引气系统故障表现与故障原因进行特征提取和分类,并用于RBF网络的学习.利用部分典型故障特征对网络进行测试表明,该故障诊断方法可以有效地根据空客A320飞机的引气系...     

基于神经网络与小波变换的滚动轴承故障诊断

神经网络是一种具有非线性映射能力强以及自学习、自组织、自适应等优点的智能方法,非常适合于滚动轴承的故障诊断。针对滚动轴承是机械设备重要的易损零件之一,大约有30%的故障是由轴承损坏引起的,提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别、诊断。实验表明,该方法对于滚动轴承的故障诊断具有良好的效果和应用价值,并可方便地推广到其他类似的诊断领域。     

基于神经网络的滚动轴承故障诊断方法的研究

神经网络是一种具有非线性映射能力强以及自学习、自组织、自适应等优点的智能方法,非常适合于滚动轴承的故障诊断。针对滚动轴承是机械设备重要的易损零件之一,大约有30%的故障是由轴承损坏引起的,提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别、诊断。实验表明,该方法对于滚动轴承的故障诊断具有良好的效果和应用价值,并可方便地推广到其他类似的诊断领域。     

以输入电流谐波为特征量的SOM网络整流电路故障诊断方法

针对故障诊断系统中最重要的故障特征提取和故障识别环节,提出了基于输入电流谐波变化,利用人工神经网络对整流电路进行故障诊断的方法。以三相桥式全控整流器为模型电路,以各类故障状态下的三相交流侧输入电流谐波数据为故障特征,选取自组织特征映射神经网络(SOM)为故障识别算法,对得到的谐波数据进行编程分析识别,通过多次学习和训练,对各类元器件故障进行精确分类,从而建立起故障诊断数据库和查询途径,完成对各类故障的检测。该算法训练速度快、诊断精度高,通过仿真和相关实验验证了理论分析的可行性和有效性。     

基于FrFT-FD和KPCA模拟电路故障特征提取方法

为获得有效的故障特征信息,提出一种基于分数阶傅里叶变换分形维的模拟电路故障特征提取方法。首先,把原始数据空间中的特征数据映射到不同的分数阶空间,分别计算不同分数阶次下故障响应信号的分形维数;然后,采用核主元分析进一步对候选特征实施降维;最后,将优化后的特征向量作为故障特征,利用神经网络进行分类诊断。仿真结果表明,本方法能很好地获取不同故障响应信号的细微差异,增强不同故障模式的可分性,提高故障诊断准确率。     

基于SOM神经网络的风机故障诊断研究

应用自组织特征映射（SOM）神经网络实现风机的故障诊断。介绍了SOM网络的结构和学习算法;总结了风机的故障集、征兆集和故障特征数据。在MATLAB环境下给出了风机故障诊断的具体实例,表明该方法是一种可行有效的风机故障诊断方法。     

高速列车牵引变流器故障诊断研究

针对高速列车牵引变流器冷却滤网状态异常引发的牵引变流器故障问题,通过综合分析牵引变流器故障分类和滤网堵塞程度之间的相关性,提出一种基于多任务深度学习的故障诊断方法。首先,构建了包含牵引变流器故障诊断主任务及滤网堵塞程度子任务的多任务深度神经网络（multi-task deep neural networks,简称MT-DNN）;然后,为了准确预测牵引变流器失效退化趋势,将多任务深度神经网络预测结果与自组织映射（self organizing map,简称SOM）方法结合,构建了多任务深度神经网络自组织映射模型（multi-task deep neural networks self-organizing map,简称MTDNN-SOM）,该方法根据历史故障数据特征变量演化规律定义退化状态曲线,直接反映故障特征量和退化状态之间的关系,最终实现了牵引变流器滤网脏堵故障诊断和维修预测。试验结果表明,该方法在精度和效率上都明显优于单任务或传统故障诊断方法,得到了较好的效果。     

基于粒子群优化SOM神经网络的轴系多振动故障诊断

针对自组织特征映射神经网络(SOM)在多振动故障诊断中出现的不能对所有可能故障完整分类和明显区分的缺点,提出基于粒子群算法优化的SOM神经网络.利用粒子群优化算法易实现、收敛快等优点,对SOM神经网络的参数进行优化,并用优化后的SOM神经网络对轴系故障进行仿真诊断.仿真诊断结果表明,粒子群算法优化的SOM神经网络比SO...     

基于PNN的电力变压器故障诊断方法

对油中溶解气体进行深入分析后,以改良的三比值法为基础,提出一种基于概率神经网络(PNN)的变压器故障诊断方法。该方法利用PNN的强大的非线性分类能力,将故障样本空间映射到故障模式空间中,可形成一个具有较强容错能力和结构自适应能力的诊断网络系统,从而提高故障诊断的准确率。仿真结果表明,实际案例数据验证了此方法准确率高,是一种有效的故障诊断方法。     

基于SOM神经网络的矿井提升机故障诊断研究

应用自组织特征映射（SOM）神经网络实现矿井提升机的故障诊断。介绍了SOM网络的结构和学习算法;总结了矿井提升机的故障集、征兆集和故障特征数据。在MATLAB环境下给出了矿井提升机故障诊断的具体实例,表明该方法是一种可行有效的矿井提升机故障诊断方法。     

基于小波-神经网络的模拟电路IDDT故障诊断

动态电源电流测试(IDDT)对模拟电路故障诊断非常有效,而小波变换能够有效提取动态电流的故障特性。因此提出一种基于小波-神经网络的模拟电路IDDT故障诊断方法。利用小波变换具有时频局部化特性,分别对模拟电路正常模式和故障模式的IDDT采样信号进行特征向量提取,建立故障字典;然后利用神经网络具有非线性映射优点,对各种状态下的特征向量进行分类决策,实现模拟电路的故障诊断。     

电机轴承故障的自组织神经网络可视化诊断

滚动轴承是电机的重要部件,及时、准确地对其进行故障诊断是电机安全运行的重要保障。针对滚动轴承常见的状态,包括正常、内圈轻微故障、滚动体轻微故障、外圈轻微故障、内圈中等故障、滚动体中等故障、外圈中等故障等七种情况,基于自组织神经网络,提出了电机轴承故障诊断的可视化方法。首先对采集到的振动信号进行特征提取,然后构建自组织神经网络,经过训练后,利用测试数据对诊断模型进行了测试,试验结果验证了所提方法的有效性。     

基于振动信号融合的ACO-DCNN多工况设备故障诊断

为解决大数据时代人工提取机械故障特征和设定网络参数造成多工况下设备故障诊断精度低的问题,提出了一种基于振动信号融合的蚁群优化深度卷积神经网络(Ant Colony Optimization-Deep Convolutional Neural Networks, ACO-DCNN)故障诊断方法。通过融合水平、竖直方向振动信号,确保不同位置信息的互补性;运用ACO算法自适应优化DCNN参数,利用深度学习强大的特征自提取和复杂映射表征能力进行故障判别。实例验证结果表明:与BP神经网络和标准DCNN相比,ACO-DCNN在多工况下平均故障诊断精度高达99.15%,该模型收敛速度较快且具有较强的泛化能力,可有效地实现多工况设备故障诊断。     

基于SOM神经网络的柴油机故障诊断

利用神经网络的非线性映射及其高度的自组织和自学习能力,将SOM网络应用于柴油机的故障诊断.利用夹持式传感器获得柴油机喷射系统的燃油压力波形,对波形进行时域分析和特征提取.根据所取得故障信息及其对应的故障类型来构造网络结构,用单一故障样本对网络进行训练,根据输出神经元在输出层的位置对故障进行判断.通过仿真实验验证SOM神经网络在柴油机故障诊断的正确性.经实例分析证明,该方法可对故障进行有效诊断.     

基于全连接神经网络的旋挖钻机缓冲平衡阀故障诊断

回转装置是旋挖钻机的主要结构之一,而缓冲平衡阀是回转装置的重要部件。针对缓冲平衡阀故障诊断中故障类型复杂多变、早期微弱故障特征难以提取等问题,提出了一种基于全连接神经网络的故障诊断方法。以VAA-B-SICN-PDRM-VF-150平衡阀为研究对象,针对平衡阀故障数据难以获取的问题,进行加速退化实验,获取故障数据;然后,根据阀的特性建立故障评价指标,结合全连接神经网络方法,建立了平衡阀故障诊断模型,并进行模型训练,验证故障诊断模型的准确性。结果表明,基于全连接神经网络的故障诊断模型能够快速、准确地检测出缓冲器平衡阀的故障,从而避免发生事故导致停工停产。     

基于核函数主元分析的滚动轴承故障模式识别方法

基于核函数主元分析的独特优势,提出了滚动轴承故障诊断方法,通过核函数映射将非线性问题转换成高维的线性特征空间,然后对高维空间中的映射数据作主元分析,提取其非线性特征,对故障模式进行识别.并与主元分析方法进行了对比.试验结果表明,核函数主元分析法更适合提取故障的非线性特征,并能很好地识别滚动轴承故障模式.     

数字孪生驱动的离心泵机组故障诊断方法研究

数字孪生技术不仅是实现信息物理融合的核心，还是实现数字化故障诊断的关键。为了实现物理空间和信息空间的实时映射、故障实时预测、故障信息及时反馈，提出数字孪生驱动的离心泵机组故障诊断方法。首先，利用数字孪生技术构建离心泵机组数字孪生映射模型。然后，基于数字孪生映射模型，通过数据驱动的故障诊断方法实现故障实时预测，利用模型仿真的故障结果验证方法完成故障结果验证，以验证结果作为数字孪生模型修正和深度学习模型调整的条件。最后，借助Unity3D平台实现故障诊断系统的开发，并通过3种工况验证了系统的可行性。     

基于振动幅域参数指标的滚动轴承故障诊断

利用幅域参数对滚动轴承早期故障进行监测和诊断。分析了滚动轴承典型故障的机理及其振动特征,针对滚动轴承的典型故障特征,提出采用了幅域参数指标的诊断方法。基于Windows平台,利用Matlab软件编制了滚动轴承振动信号幅域参数指标计算程序,并且通过QPZZ-II旋转机械故障试验系统进行了滚动轴承故障的实例模拟并对所编程序进行了验证。结果表明,利用振动信号幅域参数指标对滚动轴承进行早期故障诊断,效果良好。     

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。     

基于半监督聚元自组织映射的齿轮早期故障检测

自组织特征映射应用于齿轮早期故障检测时,常常导致训练时间长、检测精度低、故障分类结果不直观等问题.提出了基于LDA(线性判别分析)与半监督聚元自组织映射的故障检测方法,首先利用LDA对故障特征集进行降维处理,然后再利用半监督聚元自组织网络对降维后的特征子集进行分类并将结果可视化,Iris数据集的仿真结果验证了该方法的有...