基于递归神经网络的旋转机械故障诊断方法

为实现对旋转机械的在线故障诊断,对10类故障情况下的振动信号进行频谱分析。发现旋转机械振动信号的频谱中含有丰富的故障信息,以此为故障特征向量建立了诊断模型。在现有神经网络故障诊断方法基础上,提出了一种基于带有偏差单元递归神经网络的在线故障诊断方法,设计了相应的故障样本和故障编码。仿真结果表明,该方法在收敛速度、非线性能力及精度方面明显优于一般方法。对故障模式的回想结果及实际运行结果证明,本方法切实可行,适合于旋转机械的在线故障诊断。     

小波—BP神经网络在旋转机械故障诊断中的应用

利用小波分析和BP神经网络相结合的方法对旋转机械的故障进行识别.首先运用小波分析对故障信号进行降噪处理,然后运用小波包对信号进行分解和重构,提取各频带能量值,将该能量值作为BP神经网络输入端的特征向量,训练网络进行故障模式识别.实验表明,该方法在旋转机械故障诊断中切实可行.     

基于LabVIEW的旋转机械远程故障诊断系统研制

根据机组运行特点和现场要求,针对旋转机械,特别是电厂风机,设计并开发出了一套在线监测与远程故障诊断系统。通过对设备进行在线监测,可以实时掌握其运行状态及变化趋势,为实现机组的高效运行、状态判断和故障分析提供依据和保障。该系统以LabVIEW作为软件开发平台,同时采纳了神经网络故障诊断方法,界面友好,功能完善。     

基于OS-ELM的风机关键机械部件故障诊断方法

针对传统故障诊断中前馈神经网络算法诊断效果不佳、泛化能力不强问题,提出了基于在线贯序极限学习机(OS-ELM)的风机关键机械部件故障诊断方法。该方法将测试得到的预测样本加入训练样本,作为下一次的更新信息,建立在线贯序极限学习机诊断模型,从而最大限度提高故障诊断精度,分析了激活函数、隐层节点数目对诊断性能的影响,并同BP神经网络、SVM以及ELM神经网络进行对比。实验表明,该方法在风机关键机械部件出现故障情况下,OS-ELM网络能够作出准确诊断且性能明显优于BP神经网络,与SVM、ELM故障分类准确率相当,但极大地提高了运算速度,便于工程应用。     

基于LabVIEW的旋转机械远程故障诊断系统研究

针对北京燕山石化炼油厂某烟气轮机进行旋转机械远程故障诊断的研究,设计并开发了远程故障诊断系统原型.首先通过转子实验台模拟烟机的振动信号,以LabVIEW为平台对转子振动信号进行获取和分析;然后利用BP神经网络的方法对其进行故障诊断;最后通过B/S结构网络体系的构建,完成整个远程故障诊断原型系统的开发.     

数控设备远程运行与故障诊断系统体系结构设计

以柔性制造系统中数控设备为制造单元并作为控制对象,以实现CAD/CAM/CAPP智能化、集成化地制造.通过分析网络化环境下数控设备远程运行与故障诊断系统的特点,提出该系统的体系结构,使用BP神经网络进行数控设备的故障诊断,阐述了基于BP神经网络和专家系统混合的神经网络故障诊断专家系统的基本原理,并分析了基于EJB的数控...     

LabVIEW和神经网络在电液伺服阀在线故障诊断中的应用

针对电液伺服阀的常见故障,提出了应用LabVIEW和BP神经网络的电液伺服阀在线故障诊断方法。采用神经网络实现电液伺服阀在线故障诊断,并利用LabVIEW应用软件,开发了电液伺服阀在线故障诊断软件,该方法克服了传统LabVIEW软件应用神经网络必须调用MATLAB程序的缺陷,实现了神经网络在LabVIEW中的直接应用。在自主研制的YCS-DII电液伺服比例综合实验台上,设置了五种具有典型意义的电液伺服阀常见机械液压、电气故障,采用上述方法进行诊断分析,结果表明了该在线故障诊断软件的有效性。     

一种转子振动故障诊断及预警的虚拟仪器系统开发与验证

为了实现旋转机械转子系统的故障诊断及预警,设计并开发了基于LabVIEW的转子故障诊断及预警系统。提出了故障诊断与预警系统的总体方案,揭示了典型故障的机理及故障诊断预警原理。设计了虚拟仪器系统,完成了硬件选型和软件开发,软件功能包括信号分析处理、特征频率计算和故障诊断预警。建立了实验平台,模拟了转子不平衡和不对中故障,利用所开发的系统对转子进行在线监测,结果表明系统能够自动提示故障类型,证明该系统是有效而可靠的。     

基于改进BPNN的电子化指挥系统故障诊断

基于BP神经网络和案例推理模型,建立导弹电子化指挥系统故障诊断专家系统的基本结构,并给出一个具体的应用实例.首先对导弹电子化指挥系统的故障机理进行分析,在此基础上研究基于BP神经网络和案例推理相结合模型的故障诊断技术的应用,确定了基于改进BP神经网络的故障诊断专家系统的设计思想和实现方法,并建立了基于BP神经网络和案例推理结合模型的导弹测控系统故障诊断专家系统,弥补了单一故障诊断推理模型的不足.通过对某型导弹电子化指挥系统中语音系统的故障诊断实例,说明了该故障诊断专家系统的可行性.     

基于DSP光伏发电监控系统设计与实现

本文介绍了基于DSP的光伏发电在线监控和故障记录装置的设计方法.它由高速DSP芯片、高精度三相计量芯片ADE7758芯片组成,能实现高速数据采集、光伏发电系统运行参量的在线监控、故障数据和事件记录及报警等功能.在VB环境下实现与上位计算机的串行通讯,实时显示光伏发电系统各种运行参量和运行状态.其中系统故障时间、故障类型、故障数据等保存在FM24C256L中,故障数据能以波形的形式显示出来.实验证明,该系统采集的数据准确,可靠性高,操作方便,图形界面友好,应用效果好.     

基于BP神经网络的翻车机液压系统故障诊断

为了快速诊断出翻车机液压系统故障产生的位置以及故障原因,提出了一种基于BP神经网络算法的翻车机液压系统故障诊断方法,在此基础上提出了大型液压系统故障诊断分块建模的原则。利用某公司C型转子式翻车机故障数据样本建立了整体、分块故障诊断BP神经网络模型,对比实验数据分析表明,采用分块建模原则建立的BP神经网络故障诊断模型对翻车机液压系统故障具有较高识别精度,对提高翻车机液压系统状态监测与故障诊断能力有较大实用价值和工程意义。     

基于小波分析和支持向量机的旋转机械故障诊断方法

提出了一种基于小波分析和支持向量机相结合的旋转机械故障诊断方法.首先运用小波包对振动信号进行分解和重构,然后提取各个频带里的信号能量值,将该能量值作为特征参数输入到支持向量机,进行故障模式识别.通过对实验数据的分析表明,与BP神经网络相比,该方法可以获得更高的旋转机械故障诊断准确率.     

基于主成分分析的齿轮箱故障特征融合分析

为有效降低齿轮箱故障特征的维数并提高诊断准确率,提出了基于主成分分析法的齿轮箱故障特征融合方法,并结合支持向量机和BP神经网络对诊断的准确率进行了分析。以齿轮箱中不同裂纹齿轮为对象,选取能够表征齿轮箱故障状态的时域、频域和基于希尔伯特变换的36个特征,提取累积贡献率达到95%以上的主成分并输入支持向量机分类器中进行分类识别,用BP神经网络分类器进行结果的比较分析。结果表明,采用主成分分析法与支持向量机相结合的方法,既能降低特征维数,降低计算的复杂性,又能有效地表征齿轮箱的运行状态,识别不同裂纹水平的齿轮,比单独使用支持向量机分类器的方法诊断准确率更高,训练时间更短。     

轧机伺服液压缸内泄漏故障诊断研究

针对目前轧机伺服液压缸故障诊断过程中,故障特征提取困难,信号非线性变化,数据量大的问题,提出了一种基于深度置信网络的轧机伺服液压缸故障诊断的方法。根据轧机系统工作原理,建立轧机系统仿真模型,对轧机内泄漏故障状况进行模拟。利用深度置信网络在智能故障诊断的优越性,将信号归一化处理后放入深度置信网络进行训练,然后通过反向传播学习,优化网络各参数,提高诊断精度。深度置信网络模型由多层玻尔兹曼机以及顶层BP神经网络组成。与传统BP神经网络方法进行比较,结果表明,在训练样本数据足够的条件下,深度置信网络模型在伺服液压缸内泄漏故障诊断具有更高的诊断精度。     

基于EEMD_BP网络的滚珠丝杠副故障模式识别

针对在机械故障诊断领域,对信号的时频域处理分析提取特征值往往不能准确判断机械故障状态的问题。在对数控机床滚珠丝杠副振动信号研究中,提出了利用集合经验模态(EEMD)方法分析受到噪声干扰的3种不同状态的滚珠丝杠副振动信号。利用BP神经网络理论,以振动信号的时频域特征值及EEMD分解得到内禀模态函数(IFM)特征值作为输入,建立BP神经网络模型,并通过实验验证诊断网络模型的可靠性。     

Fault diagnosis method of rolling bearing using principal component analysis and support vector machine

To effectively extract the fault feature information of rolling bearings and improve the performance of fault diagnosis, a fault diagnosis method based on principal component analysis and support vector machine was presented, and the rolling bearings signals with different fault states were collected. To address the limitation on effectively dealing with the raw vibration signals by the traditional signal processing technology based on Fourier transform, wavelet packet decomposition was employed to extract the features of bearing faults such as outer ring flaking, inner ring flaking, roller flaking and normal condition. Compared with the previous literature on fault diagnosis using principal component analysis (PCA) and support vector machine (SVM), one-to-one and one-to-many algorithms were taken into account. Additionally, the effect of four kernel functions, such as liner kernel function, polynomial kernel function, radial basis function and hyperbolic tangent kernel function, on the performance of SVM classifier was investigated, and the optimal hype-parameters of SVM classifier model were determined by genetic algorithm optimization. PCA was employed for dimension reduction, so as to reduce the computational complexity. The principal components that reached more than 95 % cumulative contribution rate were extracted by PCA and were input into SVM and BP neural network classifiers for identification. Results show that the fault feature dimensionality of the rolling bearing is reduced from 8-dimensions to 5-dimensions, which can still characterize the bearing status effectively, and the computational complexity is reduced as well. Compared with the raw feature set, PCA has a higher fault diagnosis accuracy (more than 97 %), and a shorter diagnosis time relatively. To better verify the superiority of the proposed method, SVM classification results were compared with the results of BP neural network. It is concluded that SVM classifier achieved a better performance than BP neural network classifier in terms of the classification accuracy and time-cost.     

基于神经网络的数控机床故障诊断专家系统

针对传统专家系统在处理故障诊断中的不足,提出了将神经网络技术与专家系统融合的诊断模型,并用于数控机床的故障诊断中.介绍了诊断系统结构、功能及改进的BP神经网络算法,并给出了应用实例.试验结果表明,该方案合理、可行,有较好的应用前景.     

基于GNN的全寿命期砼泵液压系统故障分析

液压系统是机、电、液耦合的复杂系统,实践表明工程机械有70%的故障是由液压系统引起的,液压系统的故障诊断已成为国内外学者研究的热点,其中智能化诊断已成为当前发展趋势,以神经网络应用最为广泛。然而研究发现,各类BP网络模型在样本点的选取上均没有考虑液压系统寿命周期不同对故障诊断所造成的影响,为解决这个问题,构建了全寿命期砼泵液压系统故障分析模型,在神经网络分析的基础上考虑设备寿命期对系统故障分析的影响,并结合遗传算法对BP神经网络进行优化。     

基于SVM和BP神经网络的轴系故障诊断

阐述SVM（support vector machine）和BP（back propagation）两种神经网络的基本原理和算法,将其应用于柴油机轴系的故障诊断与识别,建立轴系故障的SVM故障诊断模型,并与BP神经网络进行对比分析研究。结果表明,SVM和BP神经网络都具有精度较高的故障识别能力,但SVM整体性能优于BP神经网络,具有较快的训练速度和较强的非线性映射能力,非常适用于轴系的状态监测和故障诊断。