基于小波神经网络的陀螺仪故障诊断

为了准确可靠地发现和预测陀螺仪的故障,提出了一种基于RBF小波神经网络的陀螺仪故障检测方法;该方法是将陀螺仪的输出信号进行三层小波包分解,再对分解得到的8个不同频段上的节点进行特征提取,将提取后的8维特征向量作为RBF神经网络的输入;当陀螺仪发生故障时,陀螺仪的输出信号中会产生突变成分,进行训练后的RBF神经网络可以准确地诊断出陀螺仪的故障类型;应用Matlab实现了RBF小波神经网络诊断陀螺仪故障类型的仿真;仿真结果表明,应用RBF小波神经网络进行陀螺仪故障诊断有很好的效果。     

基于改进型小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出了基于改进型小波神经网络的往复泵故障诊断方法。以往复泵单个泵缸内的压力信号作为系统特征信号通过小波包分解来提取故障特征向量,同时将此特征向量作为改进型神经网络的输入,利用改进型神经网络对故障做进一步的精确实时诊断。文中对小波神经网络采用的优化算法是：动量因子和学习率自适应调整相结合的梯度下降法,该方法可以提高学习速度并增加算法的可靠性。通过对往复泵液力端多故障诊断实例的检验表明,该系统故障诊断正确率达到了93％以上。     

基于小波神经网络的齿轮箱故障诊断研究

论述了小波神经网络的系统结构及算法,并根据齿轮振动信号的频域变化特征,提取特征向量作为输入,利用小波神经网络建立特征向量与故障模式之间的映射关系,建立了基于该算法的齿轮故障诊断模型。仿真结果表明：与传统的BP神经网络相比,该模型显著缩短了训练时间。该小波神经网络进行机械故障诊断是有效的。     

基于小波神经网络的模拟电路故障诊断

模拟电路故障诊断具有诊断特性复杂，故障字典建立耗时长等特性，用传统的方法很难得到最佳的诊断效果。本文采用小波神经网络对故障电路建模，基于该网络学习收敛快，对网络输入不太敏感的特点，实现故障诊断。     

基于小波-神经网络的汽轮机转子故障诊断

结合小波变换和神经网络技术,本文首先利用小波包对故障信号进行分解,然后将归一化后的数据用于RBF神经网络进行汽轮机转子故障分类.MATLAB实验仿真表明小波分析和RBF神经网络的结合在汽轮机转子常见故障的诊断中是很有效的.     

基于小波神经网络的电机声频故障诊断系统

采用能量分布特征提取方法和改进的BP算法，设计了一种基于小波神经网络的故障诊断系统，并应用于电机声频诊断技术。实验表明，此系统诊断结果与实际相符，验证了该小波神经网络故障诊断系统的有效性。     

基于小波神经网络的开关电源的故障诊断

以非线性小波Morlet基作为激励函数,形成神经元,结合小波变换与神经网络各自的优点,建立集小波分析与神经网络于一体的紧致型小波神经网络;采用能量分布特征提取方法和改进的BP算法,设计了一种基于小波神经网络的故障诊断系统,并应用于开关电源故障诊断中;对实例电路仿真结果表明,该方法能正确识别各种故障状态,准确率高,系统诊断结果与实际相符,验证了该小波神经网络故障诊断系统的有效性。     

基于小波神经网络的模拟电路故障诊断

模拟电路故障诊断具有诊断特性复杂,故障字典建立耗时长等特性,用传统的方法很难得到最佳的诊断效果。本文采用小波神经网络对故障电路建模,基于该网络学习收敛快,对网络输入不太敏感的特点,实现故障诊断。     

基于小波神经网络的故障诊断方法研究

研究了基于小波分析和神经网络松散型结合的故障诊断方法。用信号的小波包分解结果作为神经网络的输入特征向量,采用遗传算法对神经网络的参数进行全局优化,最后用训练过的神经网络进行故障诊断。仿真结果表明,该方法较L-M算法有更高的计算速度和精度。将该方法应用于平流泵故障诊断,证实了它的可行性和有效性。     

基于紧框架小波神经网络的抽油机井故障诊断

所提出的小波网络包括初始的学习网络和训练过程中根据精度要求而自适应并入的子网络．通过对各维输入信号的综合时域分析,选择合适的尺度参数和位移参数构造单尺度下的小波紧框架,以构成各级子网络,进而解决多维小波网络中存在的“维教灾”问题．针对对角回归结构．推导出带遗忘因子的动态递推最小二乘法对网络的参数进行训练．将该网络应用于抽油机井的故障诊断,得到了较好的效果。     

基于概率神经网络的柴油机故障诊断与预测研究

针对柴油机故障诊断、预测难的问题,分析了柴油机常见故障及影响因素,介绍了柴油机故障数据的提取、分析和处理方法,建立了一种基于概率神经网络的故障诊断与预测模型。仿真结果表明,该模型能够有效地对柴油机等复杂机械系统故障进行诊断和预测,可以快速准确地给出诊断结果,其故障诊断和预测准确率达到94.84%。     

Investigation of engine fault diagnosis using discrete wavelet transform and neural network

An investigation of a fault diagnostic technique for internal combustion engines using discrete wavelet transform (DWT) and neural network is presented in this paper. Generally, sound emission signal serves as a promising alternative to the condition monitoring and fault diagnosis in rotating machinery when the vibration signal is not available. Most of the conventional fault diagnosis techniques using sound emission and vibration signals are based on analyzing the signal amplitude in the time or frequency domain. Meanwhile, the continuous wavelet transform (CWT) technique was developed for obtaining both time-domain and frequency-domain information. Unfortunately, the CWT technique is often operated over a longer computing time. In the present study, a DWT technique which is combined with a feature selection of energy spectrum and fault classification using neural network for analyzing fault signal is proposed for improving the shortcomings without losing its original property. The features of the sound emission signal at different resolution levels are extracted by multi-resolution analysis and Parseval’s theorem [Gaing, Z. L. (2004). Wavelet-based neural network for power disturbance recognition and classification. IEEE Transactions on Power Delivery 19, 1560–1568]. The algorithm is obtained from previous work by Daubechies [Daubechies, I. (1988). Orthonormal bases of compactly supported wavelets. Communication on Pure and Applied Mathematics 41, 909–996.], the“db4”, “db8” and “db20” wavelet functions are adopted to perform the proposed DWT technique. Then, these features are used for fault recognition using a neural network. The experimental results indicated that the proposed system using the sound emission signal is effective and can be used for fault diagnosis of various engine operating conditions.     

基于小波神经网络的空调系统传感器故障诊断

详细阐述了小波神经网络(WNN)的原理、结构,并对传统的BP算法进行了改进。以空调系统传感器故障检测问题为目标,提出了基于WNN的故障诊断方法。通过采集天津博物馆中的传感器数据,对训练好的WNN进行了传感器故障诊断能力的验证,对温度传感器的1℃偏差故障、0.05℃/s速率漂移故障、完全故障、与不同方差下的精度等级下降故障进行了仿真,结果表明:这种方法对传感器故障具有很好的诊断效果。     

基于小波包与SOM神经网络的传感器故障诊断

研究传感器实时故障诊断问题.首先采用MATLAB2015仿真得到传感器各种典型工作状态下的运行数据样本;其次将这些故障样本作3层小波包分解,分别求出第3层小波包基对应的各频率段的能量,利用这些能量值与正常工作时各频段的能量值之比构造出传感器故障诊断的特征向量;最后构建基于3×3的SOM神经网络的传感器故障诊断算法.测试证明了所提算法的有效性和准确性.     

小波神经网络在滚动轴承故障诊断中的应用

结合小波变换和神经网络的优势给出小波神经网络的结构模型,研究了小波神经网络的学习算法;针对传统算法收敛速度慢等问题,从学习率和引入动量项两个方面对算法进行改进。应用小波网络对滚动轴承的典型故障进行实例诊断。以7216圆锥轴承在实验台上所测取的数据进行网络训练。用振动信号为网络输入向量,给出训练结果。仿真实例表明,采用小波神经网络能够很好地对故障进行分类,其收敛速度明显要快于相同条件BP神经网络,有效地实现了滚动轴承的故障诊断。     

一类基于神经网络非线性观测器的鲁棒故障检测和诊断

利用神经网络的非线性建模能力，对一类具有建模不确定项的非线性系统提出一种基于观测器的故障检测和诊断的方法。设计的观测器不仅能实现故障检测，而旦应用神经网络设计的故障估计器能在线估计系统中的故障向量。通过分析验证了该方法对系统中的建模误差和外部扰动具有良好的鲁棒性。仿真结果表明所提出的方法是有效的。     

基于小波包和RBF神经网络的瓦斯传感器故障诊断

针对瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期型传感器输出故障为研究对象,提出了一种基于减聚类( SCM)与粒子群( PSO)算法优化的RBF神经网络进行模式分类与辨识的瓦斯传感器故障诊断方法。首先,利用三层小波包分解得到各个节点的分解系数,采用一定的削减算法使故障的瞬态信号特征得到加强,获取最优的特征能量谱。再利用SCM￣PSO算法优化RBF神经网络,使粒子的搜索速度更快,更有利于发现全局最优解。最后通过实验对比分析,该方法具有训练速度快、分类精度高的特点,辨识正确率在95％以上,能够显著提高故障诊断的速度和准确性。     

Fault diagnosis of power electronic system based on fault gradation and neural network group

We propose a new fault diagnosis approach with fault gradation using BP (back-propagation) neural network group consisting of 3 sub BP neural networks. According to the hazard extents and the occurrence frequencies of different faults, the faults are divided into different grades. The higher the fault grade, the larger the number of the used sub neural networks is. Experimental results show that our approach makes the correctness rate of the fault diagnosis rise greatly (from less than 95.0% to 99.5%) and the performance of the whole fault diagnosis system gets much better especially for the on-line complex systems. The approach proposed in this paper also can be extended to other complex fault diagnosis systems, such as mechanical systems.     

模糊神经网络抓斗纠偏系统故障诊断

针对抓斗纠偏系统复杂性、不确定性、模糊性的特点,提出基于故障树的模糊神经网络作为抓斗纠偏系统故障诊断的方法。该方法利用故障树知识提取抓斗纠偏系统故障诊断的输入变量和输出变量,引入模糊逻辑的概念,采用模糊隶属函数来描述故障的程度,利用Levenberg-Marquardt优化算法对神经网络进行训练,系统推理速度快、容错能力强,并通过实例分析验证了抓斗纠偏系统模糊神经网络故障诊断的有效性。