基于改进角分类神经网络的变风量空调系统故障诊断

针对变风量空调系统的故障诊断问题及其特点,提出了一种基于改进角分类神经网络——FDCC的故障诊断模型．该模型克服了CC4角分类神经网络输出结果为二进制的局限,根据故障模式所落入的k最近邻的样本泛化空间来进行故障诊断,并输出结果向量,其各分量为各故障原因可能出现的概率．     

基于神经网络的水产养殖物联网故障诊断系统研究

针对当前水产养殖物联网存在的故障发生的非线性特点及故障发生易受多种因素影响等问题,提出了一种基于神经网络的故障诊断模型,在该模型构建过程中,首先对水产养殖物联网领域常见的故障类型进行分析,归纳总结了故障模式种类,并制定了故障诊断的评价指标,然后采用神经网络原理构建了水产养殖物联网故障诊断系统。结果表明,该故障诊断系统不但可降低通信负担,而且具有较高的诊断率,能够很好地应用在水产养殖物联网的故障诊断系统中。     

基于LMBP神经网络的农用车传动系齿轮故障诊断研究

针对农用车传动系齿轮故障多,不适合拆卸检查等实际情况,提出用LMBP神经网络来进行该系统的故障诊断。介绍了LMBP神经网络的结构、算法。通过对传动系振动信号特点的分析,归纳出峰值、有效值等作为输入特征向量的典型网络训练和故障诊断样本。应用Matlab人工神经网络工具箱进行了网络的构建、训练和仿真。分析结果表明,LMBP神经网络训练速度快,能较准确地诊断出农用车传动系齿轮的各种故障。     

水电机组振动故障的粗糙集-神经网络诊断方法

针对当前水电机组故障原因复杂,实际监测数据量大,采用神经网络方法进行机组故障诊断存在网络结构复杂、训练时间长、诊断困难的问题,文章将粗糙集理论引入到水电机组故障诊断中,提出了基于粗糙集理论与RBF神经网络相结合的水电机组故障诊断方法。在保持分类能力不变的前提下,用粗糙集理论对故障信息进行约简处理,然后用RBF神经网络对预处理后的故障信息进行诊断,使神经网络的输入神经元数目明显减少,其结构得以简化。通过对某电站实测机组数据进行离线故障诊断,证明该诊断方法有效提高了机组故障诊断的效率和准确性。     

智能化故障诊断技术的研究与应用

智能化故障诊断技术的关键是基于数据预处理方法的故障模式识别理论,其中数据预处理方法主要有小波分析、主成分分析和粗糙集理论等,故障模式识别理论主要有专家系统故障诊断法、模糊故障诊断法、灰色模型故障诊断法、神经网络故障诊断法、信息融合故障诊断法和基于范例推理的故障诊断法等.本文对各类故障模式识别方法的诊断原理、特点及其应用进行了比较和分析,并指出了故障诊断技术的发展趋势.     

基于时间序列和神经网络的温室传感器节点故障诊断

温室无线传感器网络中故障节点会产生并传输错误数据,不仅消耗节点的能量和带宽,而且导致错误决策。针对此问题研究一种准确判断节点故障状态的方法。采用时序分析和遗传BP神经网络,建立基于时间序列和神经网络的传感器节点故障诊断系统,通过对传感器样本数据进行时序分析,提取模型参数作为特征向量,并以此对遗传BP神经网络进行网络训练,实现传感器节点故障的诊断。试验结果表明：该方法能够有效地识别传感器节点故障类型,15组测试样本的输出矢量与同类故障基准矢量的欧式距离和为0.007,识别正确率为100%。     

基于小波包和Elman神经网络的异步电机转子断条 故障诊断方法

提出了一种基于小波包分析（WPA）和Elman神经网络的异步电机转子断条故障诊断方法.针对异步电机转子断条故障时定子电流出现的边频分量进行小波包分析,提取动态条件下各频带能量作为故障特征向量,削弱了负载变化及噪声对诊断准确性的影响.采用Elman神经网络对故障进行识别,并对Elman网络进行改进,在关联层增加了自反馈增益因子,提高了网络性能.以频带能量作为Elman神经网络识别故障的特征向量,建立从特征向量到电机转子断条故障之间的映射.试验结果表明：基于小波包分析提取的故障特征明显,由WPA和Elman神经网络构成的诊断系统,能有效地识别出转子断条故障,故障诊断准确率高.     

基于径向基神经网络的水轮机组故障诊断研究

针对传统意义的BP(B ack-P ropagated)神经网络在水轮机故障诊断中的不足,提出了一种基于径向基RBF(R ad ia l bas is function)神经网络的水轮机组故障诊断方法。实例应用表明,该方法克服了BP神经网络的不足,具有精度高、收敛快、可以避免局部极小值的优点;RBF神经网络收敛速度约是BP神经网络的40倍,并能准确地诊断出水轮机组的故障。     

基于神经网络数据融合方法的模拟电路故障诊断

根据模拟系统故障检测原理，采用神经网络与数据融合相结合的方法进行模拟电路故障诊断，提出了一种新型的基于D-S证据神经网络的故障检测与诊断方法．应用D-S证据理论对径向基函数网络进行了修正，用具有一个输入层、两个隐含层和一个输出层的神经网络实现．各个证据体的基本概率赋值的获取是D—S证据理论在实际应用中的难点问题，本方法中采用的是根据输入模式与原型模式之间的相似度以及原型模式的类别隶属度来确定基本概率赋值．借助神经网络自学习的功能，实现对类别隶属度的最优化．结果表明该方法能快速有效地进行故障诊断中大量数据的处理，具有很强的鲁棒性．     

基于FTA与BAM神经网络融合的飞机故障诊断方法

飞机由大量彼此关联的组件组合而成,其大规模特性使得基于故障树（FTA）和基于神经网络的故障诊断方法在应用于其故障诊断时分别存在空间爆炸问题和训练样本整理困难问题.本文融合故障树和BAM神经网络,由故障树归纳出系统所有的故障模式,整理出BAM神经网络所需的具有规范性、独立性、正交性的训练样本, 然后用BAM神经网络实现飞机故障的快速和准确诊断.实验评估结果表明,融合方法有良好的可扩展性,而且故障判别率提升了20%.     

小波神经网络在模拟电路故障诊断中的应用研究

对模拟电路提出了一种基于小波与神经网络辅助式结合的故障诊断方法．该方法用小波变换作为模拟电路故障信号的预处理器，大大减少神经网络的输入数目，简化神经网络结构和减少它的训练时间，提高辨识故障能力．在介绍该故障诊断方法的基本原理后。给出了小波函数及故障特征选择的方法．     

基于小波包变换和神经网络的油井故障诊断方法

为精确诊断机械采油井的系统故障,提出一种基于小波包特征向量的神经网络故障诊断方法。对采集到的悬点位移和悬点载荷数据进行3层小波包分解,构造小波包特征向量,并以此为故障样本对3层BP神经网络进行训练,考虑到传统BP算法的局限性,采用改进的遗传算法训练网络权值,进而实现油井系统的智能化故障诊断。试验结果表明,训练好的神经网络能够很好地诊断出采油井故障类型。     

基于DS证据理论的精馏塔故障诊断方法

研究了一种基于多传感器信息融合算法对精馏塔出现的故障进行诊断的方法。首先利用小波分析对精馏塔传感器信号进行有效的滤波预处理,预处理后的数据送入BP神经网络进行初级融合,然后将初级融合后的数据当作DS证据理论的证据对精馏塔故障进行诊断,由最终概率赋值结果可知最大可信度,则可以判断故障的发生。仿真结果显示该算法比单信息故障诊断能取得更准确、更可靠的诊断结果。     

基于神经网络和证据理论融合的水电机组振动故障诊断研究

以D em pster-Shafer证据理论为基础,提出了一种神经网络局部初步诊断与证据理论融合决策诊断相结合的水电机组振动故障诊断方法,通过故障征兆信息的有效组合,从不同侧面对水电机组振动故障进行了初步诊断,对每一个子神经网络的输出结果归一化处理后,作为此证据下各种状态的基本概率分配函数,再用证据组合理论融合各个证据信息,得出最终的诊断结果。仿真试验结果表明,诊断结论的可信度显著提高,不确定性明显减少,证明了该诊断方法是有效的。     

基于改进小波神经网络的滚动轴承故障诊断

根据轴承故障产生的机理和常用故障特征参数的分析与提取方法,针对滚动轴承系统的非线性和表面振动信号的非平稳特性,采用小波分析法,并对小波分析中容易产生频率混淆而进行改进小波包快速算法。试验结果表明,改进的小波分析能减少频率混淆现象,克服传统小波包快速算法中高低频重迭难以分辨的问题,并利用小波频带分析技术对故障信号中含有的噪声信号进行分离。结合小波和神经网络的优势建立改进小波神经网络的结构模型,研究小波神经网络的学习算法,解决传统BP算法收敛速度慢和容易陷入局部极小值等问题,从学习率和连接权值两个方面对算法进行改进。以N205型滚动轴承在试验台上所测取的试验数据进行网络训练,用振动信号为网络输入向量给出训练结果。仿真实例分析结果表明,采用改进的小波神经网络能够对滚动轴承故障进行分类,且其收敛速度明显快于相同条件下的小波神经网络和改进的BP网络,可有效实现滚动轴承的故障诊断。     

基于遗传小波神经网络的电梯故障诊断分析

利用小波分析具有能量分布特征提取的特性和遗传算法优化BP算法的能力,提出了一种基于遗传算法、小波与神经网络的电梯故障诊断方法,并应用电梯故障数据作为实例进行了验证．遗传算法小波神经网络模型诊断速度快、鲁棒性好、故障诊断正确率高．     

贝叶斯准则下的BP神经网络故障诊断的研究

为了弥补BP神经网络在复杂非线性系统中故障诊断时容易陷入局部最小以及训练样本多等问题,在统计概率的基础上,利用模式分类的贝叶斯策略建立了信息神经网络.经在柴油机案例中的试验证实,可使BP神经网络容错能力增强.样本数减少.     

航空发动机磨损故障的智能融合诊断

运用了4种最常用的滑油分析技术——铁谱分析、光谱分析、颗粒计数分析及理化指标分析，同时结合发动机试车台监测数据，提出了运用神经网络和D—S证据理论对发动机试车状态进行融合诊断的方法。首先依据各种分析方法的标准磨损界限值，将原始数据进行了预处理，转换成故障征兆的布尔值；其次，建立了各子神经网络的拓扑结构。并依据专家经验建立各子系统的输入征兆与故障论域的映射关系，由此获得了各子神经网络的训练样本，对各网络成功训练后。利用神经网络实现各子网络的诊断并得到了中间诊断结果；然后，将每种方法的神经网络诊断结果作为各故障模式的基本概率分配值，利用改进的D—S证据理论。实现了对神经网络诊断结果的融合，由此获得了最终的融合诊断结果，最后，通过算例证明了该方法的有效性。     

基于BAS-BP模型HMCVT换段液压系统故障的诊断方法

[目的]为了提高液压机械无级变速器(HMCVT)换段液压系统的平稳性和安全性,设计了一种应对换段液压故障的诊断方法。[方法]利用自主研发的液压机械无级变速器试验平台,获得5种油路故障状态模式数据集;通过数据预处理及随机抽取的方法得到120组单一故障样本集和21组组合故障样本集,基于天牛须搜索算法(beetle antennae search, BAS)和BP(back propagation)神经网络,对处理后的120组单一故障样本建立了故障诊断模型;对标准BP神经网络模型和优化型BP神经网络模型进行试验测试和比对研究。[结果]所使用的BAS-BP方法对试验样本实现了5种油路状态模式分类;与标准BP神经网络相比,BAS-BP方法可以更好防止网络受限于局部极小值,且故障诊断正确率提升10%。[结论]与常规优化算法相比较,BAS-BP方法所需训练时间短、收敛速度快,算法运行速率提升85.76%,拥有更好的稳定性和判别精度。特别需要指出的是,该方法对于组合故障的判别仍然有效。     

线性奇异系统的故障诊断和最优容错控制

针对线性奇异系统,提出了一种故障诊断和最优容错控制方法。首先通过自适应故障观测器检测故障,然后应用最优容错控制方法对故障系统进行容错控制,使系统在发生故障时仍能保持稳定。最后,通过实例仿真证明了该方法的有效性。