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BP神经网络的滚动轴承振动故障诊断

滚动轴承振动信号被分析和处理后,提取出能够反映滚动轴承故障的特征参数,经归一化处理作为BP神经网络的输入,并用BP算法对该网络进行训练,利用神经网络的智能性来判断轴承的好坏。仿真结果表明,该方法实用有效。     

基于模糊神经网络的滚动轴承滑动擦伤诊断

针对故障诊断知识模糊性及引起轴承滑动擦伤的参数间的非线性特点，提出了基于模糊神经网络的故障诊断方法，建立了模糊神经网络模型，并将其应用于滚动轴承的滑动擦伤诊断。网络测试结果表明，本文方法对于滚动轴承的滑动擦伤诊断是十分有效的。     

基于改进RBF神经网络的泵站机组故障诊断

泵站机组故障诊断是指在一定的工作环境下查明泵站机组系统某种功能失调的原因或性质,判断劣化状态的部位或部件,以及预测状态劣化的发展趋势等。本文利用改进的RBF神经网络,对经过不变矩处理的轴心轨迹特征参数进行了故障模式的自动识别,针对RBF神经网络隐层节点难以选择的的难题,提出了一种新的聚类算法——改进RBF混合聚类算法。该算法,可自动确定最优的聚类区数,同时可使最终的聚类中心合理地分布在数据空间中。仿真结果验证了该方法的可行性。     

基于小波神经网络的旋耕装置机械故障诊断研究

首先,介绍了小波变换原理及其在故障检测中的优势;然后,采用三层小波神经网络模型,构造了旋耕装置机械故障诊断模型;最后,从建立旋耕装置故障特征、提取故障特征向量,以及建立和训练小波神经网络模型等方面,实现了基于小波神经网络的旋耕装置机械故障诊断模型,能够实时完成对旋耕装置的机械故障诊断。通过验证与分析,证明了诊断系统的可行性和精确性。     

滚动轴承故障诊断技术研究

滚动轴承是机器的易损件之一.滚动轴承故障诊断的传统方法和现代方法有冲击脉冲法、共振解调法、小波分析法等.滚动轴承诊断技术的发展方向为非线性理论、现代信号处理技术与智能诊断技术的融合、信号处理技术之间的相互融合.     

滚动轴承故障诊断及其维护

滚动轴承作为旋转机械的关键零件,对其故障诊断及维护来减小经济损失、延长使用寿命具有十分重要的意义。以故障检测确定失效模式,针对其失效模式的特点提出解决方案使轴承正常工作。同时做好滚动轴承的维护,提高其使用价值,将为机械制造业带来巨大的经济效益和低风险的保障。     

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。     

基于神经网络的柴油机故障诊断

本文分三种工况,在X4105BD2型柴油机缸盖、缸壁上测取了柴油机燃油系统正常工作状态和五种故障状态下的振动信号。对这些振动信号提取时域特征参数,把这些时域特征参数作为故障征兆向量,研究柴油机BP神经网络故障诊断方法。     

基于差分进化算法优化的RBF神经网络的发动机故障诊断研究

在RBF神经网络中采用差分进化算法来优化RBF神经网络的模型结构,并对其重要参数进行全局寻优。实例仿真结果表明,经过差分算法优化的RBF神经网络不仅相对BP网络学习收敛速度更快,而且提高了发动机故障识别的精确度,从而验证了此种方法的正确性和有效性。     

RBF神经网络在机电设备故障诊断中的应用

为提高机电设备故障的判断能力,实现设备故障诊断智能化,根据机电设备故障诊断的特点,介绍将RBF神经网络技术应用于机电设备故障诊断系统的基本原理及方法,详细分析该技术在机电设备上的实现过程,并以机电设备故障诊断为例,验证该方法的有效性。     

RBF神经网络在机电设备故障诊断中的应用

为提高机电设备故障的判断能力,实现设备故障诊断智能化,根据机电设备故障诊断的特点,介绍将RBF神经网络技术应用于机电设备故障诊断系统的基本原理及方法,详细分析该技术在机电设备上的实现过程,并以机电设备故障诊断为例,验证该方法的有效性.     

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AsyLnCPSO-SVM的滚动轴承故障诊断研究

针对时域故障诊断效率不高,而且在对SVM超参数寻优时原始PSO以及部分改进PSO容易陷入局部最小值,使得收敛效果较差的问题,提出一种AsyLnCPSO-SVM的滚动轴承故障诊断方法。提取信号的时域特征,构建故障诊断数据集,运用AsyLnCPSO-SVM模型对故障进行诊断,在诊断过程中动态调节学习因子c₁和c₂的值,使得c₁呈非线性异步递减,而c₂呈非线性异步递增,从而达到良好的故障诊断效果。实验结果表明,设计的模型具有较快的收敛性,仅需4次迭代便可收敛,并且准确率可达98.87%。     

滚动轴承失效的机理及故障诊断分析

由于滚动轴承的结构和使用不同,导致其失效原因的多样化。主要有装配不当、润滑不良、过载、冲击、振动、磨料或有害液体的侵入、环境温度过高或过低、材质缺陷、制造精度低和杂散电流的作用等。文章将对滚动轴承失效的机理及故障诊断进行分析。     

基于EMD和Teager能量的滚动轴承故障诊断

对滚动轴承故障信号进行Teager能量谱分析是一种有效的方法,但是Teager能量算子使用对象为单分量信号.根据EMD （Empirical Mode Decomposition）能够自适应地把信号分解成单分量调制信号IMF（Intrinsic Mode Function）的特点,提出了一种基于EMD和Teager能量的故障诊断方法.通过对EMD分解出的与原信号互相关系数最大的分量作Teager能量谱分析进行诊断.分析了滚动轴承故障实验信号,并与信号的直接Teager 能量谱作了比较,验证了该方法的有效性.     

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.