小波和神经网络在柴油机故障诊断中的应用

柴油机以其良好的动力性、可靠性、经济性在运输车辆和农用机械中广泛应用,但对其施行及时的不解体故障诊断却并非易事.为此,以配气机构故障为例,提出将小波包分解与神经网络结合的故障诊断方法.先对振动信号应用小波阀值法降噪,再进行小波包分解,构造小波包特征向量作为故障样本,并用训练好的BP神经网络进行故障识别,试验结果证明了该方法的有效性.     

基于声强信号分析和组合神经网络的发动机故障诊断

建立了一个基于声强信号分析和组合神经网络的发动机故障诊断模型。该模型首先运用小波理论分析各类故障下发动机产生的声强信号,获取反映发动机工作状态的频带特征向量,然后将特征向量用于组合神经网络训练,进行故障模式识别。通过对3Y丰田2．0发动机的试验数据分析表明,这种模型可有效提高故障诊断的效率和准确率。     

基于RBF神经网络的农用柴油机故障诊断研究

柴油机以其良好的动力性、可靠性、经济性在农用机械中广泛应用,但对农用柴油机施行及时的不解体故障诊断却并非易事。为此,以配气机构故障为例,提出了将小波包分解与RBF神经网络结合的故障诊断方法,对降噪后的气缸盖振动信号进行小波包分解,构造故障特征向量作为故障样本,并用训练好的RBF神经网络进行模式识别。试验结果证明,该方法具有良好的诊断效果和广泛的工程应用前景。     

基于RBF神经网络的滚动轴承故障诊断方法

应用径向基函数(RBF)神经网络建立特征向量与故障模式之间的映射关系。采用小波包分析技术构造滚动轴承特征向量。采用脉冲放电加工技术模拟滚动轴承早期单点故障,试验结果表明,采用小波包分析和神经网络结合的方法可以准确地实现滚动轴承的故障诊断。     

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。     

拖拉机发动机减速器动力学分析及故障诊断研究——基于小波神经网络

以拖拉机发动机减速器为研究对象,从分析发动机减速器故障机理出发,深入研究了减速器行星齿轮系统的建模方法和动力学模型,并采用小波神经网络算法研究了一套拖拉机发动机减速器故障诊断系统,能够对发动机减速器机械故障进行实时诊断。试验结果表明:小波神经网络算法能够准确判断发动机减速器的工作状态,识别率高达96%以上,充分证明了系统的准确性和可行性。     

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。     

小波分析在拖拉机齿轮箱故障诊断中的应用

在分析了采用傅立叶变换对拖拉机齿轮箱故障诊断进行信号分析技术所存在的不足的基础上，提出了采用小波变换对该信号进行分析处理时，基小波选取的方法。同时在对拖拉机齿轮箱故障诊断的实际应用中，用齿轮箱振动的加速度信号对傅立叶变换和小波变换的结果进行了比较，证明了应用小波变换能准确反映齿轮箱故障的结果，并提出用小波变换可以建立故障自动诊断系统。     

融合小波和神经网络的发动机转子系统故障诊断

针对发动机转子系统不平衡、碰磨、油膜渦动3类故障,提出了一种融合小波与神经网络的故障诊断诊断算法.首先利用小波提取转子系统振动信号在各个频带上的能量特征信息,对能量特征采用B&B搜索算法进行特征选择之后,再利用BP神经网络识别转子系统的故障模式.实验结果表明,该方法对转子系统故障具有较高的识别率.     

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。     

基于Elman小波神经网络的垦区地下水位预测模型研究

在现有Elman神经网络和小波分析理论研究的基础上,提出了Elman小波神经网络模型。给出了Elman小波神经网络梯度下降法训练的推导过程,为了避免梯度下降法收敛速度慢、容易产生振荡和陷入局部最优等缺点,在Elman小波神经网络的训练过程中引入动量项和自适应学习速率,并将该网络应用到垦区地下水位预测中,取得了良好的预期效果。在训练过程中,该网络具有收敛速度快,精度高等优点,同时也具有较好的泛化能力。     

基于频谱分析的压缩机故障诊断

文章主要介绍了采用频谱分析法来进行故障诊断的方法,基于BP神经网络理论,在提取故障信号特征集作为训练样本的基础上,构建了三层BP神经网络,完成了压缩机故障诊断系统,且通过实例证明了该系统的有效性和准确性。     

基于地块面积和形状的土地整治机械旋耕效率研究

为量化不同面积与形状的地块机械耕作效率差异,科学评价土地整治在机械旋耕效率提升方面的潜力,设计一套标准田块,选取69.83kW东方红LX950型拖拉机配套旋耕机进行耕作,工作宽幅为200cm,采用田间实验法对不同面积梯度和形状的地块进行机械旋耕效率测算,并在此基础上,基于区域尺度建立地块面积、形状与机械旋耕效率的耦合关系及函数模型,修正后得到区域尺度机械旋耕效率。结果表明：地块形状的规则程度影响机械旋耕效率,形状越规整,机械旋耕效率越高。在相同的面积梯度上,矩形地块机械旋耕效率最高,梯形地块次之,直角三角形地块最低。随着地块面积的增大,机械旋耕效率不断增加,当地块面积达到一定程度时,机械旋耕效率趋于稳定。当地块面积超过7000m2时,机械旋耕效率基本保持不变,矩形、梯形地块机械旋耕效率较高,维持在0.25s/m2,其他形状地块机械旋耕效率较低,维持在0.30s/m2左右。案例区地块单元水平的机械旋耕效率为0.27s/m2。其中,中低效地块单元数量最少,占比7.10%;高效地块单元数量最多,占比58.24%。案例区西部机械旋耕效率大于东部,主要由于东部区域土地细碎化程度高于西部区域,地块单元面积较小,形状也不尽规则,从而极大地降低了区域机械旋耕效率。实验结果表明,面积大于7000m2地块是大型机械化耕作的适宜耕作规模,地块面积与形状规则程度均影响机械旋耕效率,土地整治工程在扩大地块面积的同时也需保证地块形状的规则化程度。