小波神经网络故障诊断系统的设计与应用

采用能量分布特征提取方法和优化BP算法，提出了一种基于小波变换和BP神经网络的故障诊断系统。利用该系统对汽车变速箱三挡齿轮磨损程度进行估计，诊断结果与实际完全吻合，表明该小波神经网络故障诊断系统的有效性。由于小波分析特别适用于非平稳信号的处理，因此该小波神经网络诊断系统对复杂机械设备的故障诊断有着广阔的应用前景。     

基于BP神经网络的电控柴油机故障诊断

运用了优化算法的BP神经网络设计高压共轨式电控柴油机的故障诊断系统,以高压共轨式电控发动机的传感器数值作为BP网络的输入,把发动机的故障状态作为BP网络的输出,以此来对电控柴油机进行实时的故障诊断.将诊断结果与实测结果进行比较后,证明此方法是可行的.     

人工神经网络在汽车发动机故障诊断中的运用

随着车用发动机的不断发展与完善,发动机产生故障的种类也越来越多,故障现象与故障原因之间的非线性关系越来越复杂,发动机故障诊断越来越难。基于此,笔者分别对BP神经网络、RBF神经网络、PNN神经网络及SOM神经网络在汽车发动机故障诊断领域的应用及成效展开了分析。每种神经网络所应有的诊断场景有所不同,需要结合具体情况和各种神经网络的结构特点去选择。实践证明,RBF神经网络的预测精度要高于BP神经网络,同时训练时间更短,可以极大地提升对故障诊断的效率。     

基于粗糙集与BP神经网络的发动机故障诊断模型

结合粗糙集理论和神经网络在信息处理方面的优势,建立了一个基于粗糙集理论和BP神经网络相结合的发动机失火故障诊断模型。通过对EQ6102型发动机的实际试验表明,模型简化了网络训练样本,优化了神经网络结构,提高了系统运行效率。     

基于PCA-BP神经网络的齿轮故障诊断分析

介绍了基于主元分析(PCA)理论改进后的BP神经网络在拖拉机齿轮故障诊断中的应用;试验中以齿轮振动信号的频域特征为神经网络输入,齿轮的主要故障模式为神经网络的输出,发现训练过的神经网络能很好的满足齿轮故障诊断的要求。     

播种机PLC电气系统中的故障智能诊断技术研究

在播种机PLC电气系统工作过程中,由于操作不当或者软件及硬件设备问题经常会发生故障,且故障种类较多。为了提高故障识别的准确性和效率,引入了基于BP神经网络的故障诊断算法。通过BP神经网络进行局部诊断,判定故障及故障类型,可以提高诊断系统的智能化程度;基于BP神经网络多传感器信息融合,可以提高故障诊断的准确性。为了验证方法的可行性,以无人驾驶播种机的PLC电气系统故障诊断为例,采用MatLab软件建立了仿真模型,结果表明:基于BP神经网络故障智能化诊断方法可以快速诊断故障类型,是一种有效、可靠的诊断方法。     

基于小波包能量法的滚动轴承故障诊断

阐述了故障轴承振动与信号的关系,小波包的原理以及BP神经网络的工作原理和实现过程,并以滚动轴承故障诊断为例,提取了小波包节点能量作为振动信号特征参数,并训练BP神经网络,对故障模式进行识别。结果表明,如果神经网络设计合理,训练适当,则具有很强的故障识别能力。说明利用小波包能量法和BP神经网络进行滚动轴承振动诊断是可行、有效的。     

基于改进SOM神经网络的农机液压系统故障诊断方法

随着农业机械液压系统复杂度的提升,其故障发生率也逐渐增加。液压系统是农业机械的核心,准确诊断农业机械液压系统的故障是十分重要的。针对目前农业机械液压系统故障诊断准确率低的问题,提出一种基于改进SOM神经网络的故障诊断方法。该方法利用SOM神经网络的自组织性实现输入数据的无监督聚类,然后基于BP网络进一步提升聚类性能。实验结果表明,该方法能够有效实现农业机械液压系统的故障诊断,对4种典型农业机械液压故障的综合诊断正确率达到93%。     

基于BP神经网络的汽车发动机故障诊断方法研究

介绍了BP神经网络学习算法,建立了汽车发动机振动测试系统,在对发动机振动数据进行分析处理的基础上,获取了学习样本的输入向量与目标向量,应用BP网络学习算法对新构的网络进行训练,建立了一种发动机机械故障诊断的新方法,实例分析结果表明,这种新方法是可行的。     

遗传神经网络算法在应用中的优化策略研究

通过分析废气的HC、CO、CO2和O2的含量,可以快速诊断发动机的常见故障。本文设计了神经网络诊断系统,通过融合分析废气含量、发动机转速、氧传感器及其它一些信息诊断发动机故障。本文设计的方法主要应用遗传算法的复制、交换、变异过程代替BP网络的反向传播过程,并对遗传算法进行了改进研究。实践证明这种基于遗传神经网络方法的故障诊断系统具有收敛速度快、推广性能强的特点,极大提高了发动机故障诊断系统的效率和准确性。     

基于MEA优化BP神经网络的农机滚动轴承故障诊断

为了解决农机滚动轴承的故障诊断问题,提出了一种基于思维进化算法(MEA)优化BP神经网络的故障诊断新方法。该方法利用思维进化算法的趋同和异化操作,通过竞争获取优胜种群,在迭代过程中不断优化BP神经网路的初始权值和阈值,建立MEA-BP网络农机滚动轴承故障诊断模型。以滚动轴承试验实测数据为例,通过Mat Lab软件进行仿真,结果证实:该方法不但克服了常规BP网络学习速度慢和局部极小的缺点,而且提高了故障诊断准确度,为其他农业机械设备的故障诊断提供了一种试验方法。     

小波包分解与神经网络相结合的变速箱齿轮故障识别

提出了一种识别变速箱齿轮故障的新方法，通过对小波包分解的分析研究，将基于小波包能量的小波包分解特征提取方法用于提取齿轮运行状态的特征向量，并以此作为BP神经网络的输入对神经网络进行训练，建立了基于BP神经网络的齿轮运行状态分类器，用以识别齿轮的运行状态，, 变速箱齿轮故障识别为例，用文中所述方法对变相齿轮的正常状态，磨损状态，断齿状态进行识别验证，验证结果表明该方法的效果良好。     

基于粗糙集和神经网络在小麦病害诊断中的应用

针对小麦病害诊断过程的复杂性以及处理信息的不确定性,综合了粗糙集理论与BP神经网络的各自优势,构建了小麦病害诊断模型。首先是对连续的样本数据进行离散化,主要采用差别矩阵计算方法进行启发式知识约简,得到最小简化规则,然后把约简结果作为BP神经网络的输入结点。实验结果表明,采用该方法不仅优化了神经网络的拓扑结构,还降低了神经网络的训练时间,同时大大提高了学习速度和故障诊断的准确率。     

离心输油泵故障诊断专家系统的研究与实现

提出了一种新的对基本神经网络进行组合的思路，将基本神经网络分层联接，每一层对应对象的某一属性，并根据属性分类。以这一思路为指导，组建了BP网络与竞争网络组织相结合的神经网络，并以此为核心，搭建了离心输油泵故障诊断专家系统的框架。     

基于小波分析和BP神经网络的滚动轴承的故障诊断

提出了一种基于小波分析和BP神经网络的滚动轴承故障诊断方法，首先采用小波包对滚动轴承振动信号进行分解与重构，然后提取重构后振动信号的峭度值，将峭度值作为特征参数输入神经网络，进行故障模式识别。通过对实验数据的分析信号表明，能有效地识别滚动轴承工作状态与故障类型。     

基于EMD和Multi-fractal spectrum的BP水机故障诊断

为了准确判断水轮机组的故障,提高水轮机组诊断的精确性,建立了EMD-Multi-fractal spectrum和改进BP神经网络相结合的机组振动故障诊断模型.选取水轮发电机组不同工况下的轴系正常、轴承油膜涡动、转子部件不平衡、转子不对中等状态,采集各状态下的振动信号.经过经验模态分解得到振动信号波各种故障信号的EMD分量,根据信号波形趋势图由EMD系数提取出波形样本,再由多重分形谱算法提取波形样本的特征值alpha(q), f(q),将该特征向量作为BP神经网络的输入进行分类识别.将训练好的神经网络应用于全部样本,得到测试正确率为100%.该模型用波形提取信号特征代替了传统的频谱特性,并结合先进的多重分形谱进行诊断识别,为水轮发电机组故障诊断提供了一种新的思路.应用信号采集于水电厂运行的水轮机,根据诊断的结果对轴系各个部件进行局部校正,通过检测发现振动和摆度都大大减弱.该方法提高了检测精度,增强了人机交互性,具有重要的理论意义和实用价值.