基于径向基函数神经网络的电机轴承智能故障诊断

本文提出了一种新的电机轴承故障诊断方法.首先把滚动轴承振动信号作为识别故障的特征向量,然后送入径向基函数神经网络中,进行故障类别的自动识别.试验结果表明,该诊断模型对电机轴承故障诊断具有良好的诊断效果,系统不仅能够检测到轴承故障的存在,而且能够比较准确地识别轴承的故障模式.     

基于IFOA-SVM的轴承故障分类识别方法

为了更好地准确识别轴承故障特征非线性分类问题,提出了一种基于IFOA-SVM的故障分类识别方法.使用变分模态分解方法对轴承振动信号进行分解处理,以模态分量的模糊近似熵和能量熵构成故障特征向量;基于"一对一"策略拓展设计了OVO-SVM多分类器,构造多项式核函数和径向基核函数组合的混合核函数,使用IFOA算法对SVM分类器的核函数比例系数λ、径向基核函数宽度参数σ、惩罚因子C等关键参数进行优化,构建IFOA-SVM故障分类识别模型;提出了轴承故障识别流程.结果表明,该方法可以实现对轴承故障特征准确高效的识别.     

基于全矢谱和径向基概率神经网络的旋转机械故障诊断方法研究

结合全矢谱和径向基概率神经网络的优点,提出一种故障诊断的新方法,该方法是以提取全矢幅值谱的特征输入到径向基概率神经网络分类器进行故障识别.试验结果表明,该方法与传统单通道相比故障正确识别率很高,把它应用于旋转机械故障诊断是有效的.     

基于RBF神经网络的多转子故障类型诊断

对多转子系统中转子故障诊断进行了研究,以转子正常、偏心、不平衡和弯曲四种工作状态为例,采用径向基函数(RBF)神经网络对故障进行诊断.通过快速傅里叶变换和能量谱对转子振动信号进行特征提取,并将提取的特征向量作为神经网络的输入,实现多转子故障类型的识别.结果表明,利用能量谱和RBF神经网络能够有效地识别转子故障类型.     

基于径向基函数神经网络的柴油机故障诊断

提出一种应用径向基函数(RBF)神经网络解决故障诊断问题的方法,并将其应用于柴油机故障诊断与识别。在RBF神经网络中采用了一种减聚类的学习算法来确定径向基函数的相应参数,从而使神经网络结构得到优化。实例仿真结果表明,RBF神经网络学习收敛较快,对故障识别性能好。     

基于小波神经网络的滚动轴承智能故障诊断系统

通过对滚动轴承振动信号特征分析,采用小波包变换方法对其建立频域能量特征向量以减少输入维数,进而构造出了轴承特征空间和故障空间的模式,然后采用径向基函数人工神经网络,通过该网络的学习和训练,实现了两个空间之间的非线性映射,完成了滚动轴承故障模式的识别.同时应用Matlab软件强大的计算功能,设计建立了滚动轴承智能故障诊断系统.理论和实验证明了该系统的有效性,且具有较高的识别精度.     

多通道一维残差卷积神经网络在风力发电机组轴承故障智能诊断中的应用

为提高卷积神经网络在风力发电机组轴承故障诊断上的准确率，本文对某2MW风力发电机组轴承故障数据，进行单通道及多通道、多种诊断网络模型、不同优化算法的故障诊断分析对比，提出将多个振动传感器的数据整合为多通道一维数据集，再使用一维残差卷积神经网络进行故障诊断。得出基于Adam优化算法的多通道一维残差卷积神经网络诊断准确率最高。因此，多通道一维残差卷积神经网络在风力发电机组轴承故障诊断中应用效果良好，能够准确的识别各类故障模式，为机组的安全、稳定运行提供了保障。     

基于改进的RBF神经网络的滚动轴承故障诊断

该文阐述了径向基函数(radial basis function,RBF)神经网络的基本原理和算法,并针对RBF神经网络存在的隐含层的隐层单元数目及中心向量、扩展参数难以确定的问题,利用减聚类算法进行RBF网络的改进,建立应用于滚动轴承故障诊断与识别的RBF神经网络智能识别模型,并通过实验与BP(back propagation)神经网络进行比较分析研究。结果表明,减聚类算法能够有效地确定网络参数,改进的RBF神经网络对预设滚动轴承故障能够准确诊断,并且具有训练速度快的特点。     

基于径向基函数神经网络的铣刀磨损监控技术的研究

提出一种基于径向基函数神经网络的铣刀磨损监控方法,径向基函数神经网络的输出是刀具磨损的具体值,这样有利于对刀具磨损进行各种实时补偿。实验表明,利用径向基函数神经网络进行状态识别可对小型立铣刀的磨损进行监控,能够取得良好的效果,同时证明RBF网络的训练速度优于BP网络。     

基于奇异值分解的滚动轴承故障诊断的神经网络方法

径向基函数神经网络是一种三层前馈型神经网络,它具有较强的非线性函数逼近能力和分类能力.根据径向基函数神经网络的优点,在对滚动轴承振动信号故障特征分析的基础上,提出一种应用奇异值分解将高维相关变量转化为低维独立变量,并利用其特征值建立径向基函数神经网络的方法,同时将该网络用于对滚动轴承的故障诊断.理论和试验证明了该方法的有效性,且具有较高的故障分类精度.     

基于AR模型和径向基神经网络的滚动轴承故障诊断

径向基函数(RBF)神经网络是一种三层前馈型非线性神经网络，它具有较强的函数逼近能力和分类能力。根据径向基函数神经网络的优点，在对滚动轴承正常和故障振动信号特征分析的基础上，提出了采用时间序列方法对其建立AR模型，利用AR模型特征参数建立径向基函数神经网络，并用该网络对滚动轴承的故障信号进行了诊断。理论和试验证明了该方法的有效性，且具有较高的诊断精度。     

小波神经网络故障预后模型的建立及其工程应用

故障诊断技术面临两大难题 ,第一如何“测量”故障的发育 ,第二如何预测一个有故障的机器或构件还能正常运行多久。本文用小波基函数神经网络技术解决了这两大课题。首先建立了小波基函数神经网络故障预后模型 ,用高斯基函数和Marr小波函数作为尺度函数 ,基函数中心的计算用二进展开函数和k次聚类函数。诊断实践表明 ,当轴承内表面产生间隙以后 ,应用训练后的小波基函数神经网络能够成功地对其间隙的发育进行预测。     

Rotating machinery diagnosis using wavelet packets-fractal technology and neural networks

This paper presents a new fault diagnosis procedure for rotating machinery using the wavelet packets-fractal technology and a radial basis function neural network. The main purpose is to investigate different fault conditions for rotating machinery, such as imbalance, misalignment, base looseness and combination of imbalance and misalignment. In this study, we measured the non-stationary vibration signals induced by these fault conditions. Applying wavelet packets transform to these signals, the fractal dimension of each frequency channel was extracted and the box counting dimension was used to depict the failure characteristics of the fault conditions. The failure modes were then identified by a radial basis function neural network. An experiment was conducted and the results showed that the proposed method can detect and recognize different kinds of fault conditions. Therefore, it is concluded that the combination of wavelet packets-fractal technology and neural networks can provide an effective method to diagnose fault conditions of rotating machinery.     

基于小波与径向基神经网络的轴承故障诊断

研究了小波包分析与人工神经网络结合起来应用于轴承故障诊断的问题。采用小波包分析对其提取频域能量特征向量，利用径向基函数神经网络完成滚动轴承故障诊断。     

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.     

APPROACH TO FAULT ON-LINE DETECTION AND DIAGNOSIS BASED ON NEURAL NETWORKS FOR ROBOT IN FMS

ＡＰＰＲＯＡＣＨＴＯＦＡＵＬＴＯＮＬＩＮＥＤＥＴＥＣＴＩＯＮＡＮＤＤＩＡＧＮＯＳＩＳＢＡＳＥＤＯＮＮＥＵＲＡＬＮＥＴＷＯＲＫＳＦＯＲＲＯＢＯＴＩＮＦＭＳＳｈｉＴｉａｎｙｕｎＺｈａｎｇＺｈｉｊｉｎｇＷａｎｇＸｉｎｙｉＺｈｕＸｉａｏｙａｎＳｃｈｏｏｌｏ...     

基于RBF神经网络的齿轮箱故障诊断

阐述径向基函数(radial base function,RBF)神经网络的基本原理和算法,将其应用于齿轮箱故障诊断与识别,建立齿轮箱的BRF故障诊断模型,并与BP(back propagation)神经网络、学习率自适应BP神经网络进行对比分析研究。结果表明,RBF神经网络性能优于BP神经网络,具有较快的训练速度、较强的非线性映射能力和精度较高的故障识别能力,非常适用于齿轮箱的状态监测和故障诊断。但在具体应用中应当注意,RBF网络的训练样本必须含有一定的噪声,以提高网络的容噪性能;各类故障的训练样本数不能太少,否则RBF网络的故障分类能力很差。     

基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法

研究了一种基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数分量,然后将各分量的多尺度熵作为故障特征向量输入概率神经网络进行模式识别,实现了对损伤位置和损伤程度的诊断。将该方法与基于LMD时域统计量和神经网络的滚动轴承故障诊断方法进行了对比。实验结果表明,基于LMD多尺度熵和概率神经网络的方法能对滚动轴承故障进行有效的识别与诊断。