神经网络在工序质量故障诊断中的应用

本文介绍了用于工序质量故障诊断的三层BP神经网络模型，该模型利用X—R控制图作为研究的工具，以控制图的七种异常现象作为输入，工序质量故障作为输出．在实际加工过程中采集到训练样本，对神经网络进行训练．经过训练后的神经网络可以对工序质量控制的异常情况进行分析诊断后，得出故障的原因．仿真实验结果表明，神经网络对工序质量故障诊断具有诊断速度快、有自学功能、对环境适应性强等特点，更适用于CIM环境中的在线控制．     

基于神经网络的可重组制造系统质量控制方法研究

为提高可重组制造系统的可诊断性并缩短系统重组后的斜升时间,提出了基于神经网络的可重组制造系统工序质量控制方法。首先,结合x-R控制图质量控制方法和神经网络技术分别建立了用于控制图模式识别和质量缺陷原因诊断的两个神经网络模型;然后,开发出基于神经网络的工序质量控制系统,以加工件的质量特征数据作为数据源,可对生产过程进行快速诊断和及时反馈。最后,通过实例验证了基于神经网络的可重组制造系统工序质量控制方法的有效性。     

基于神经网络的汽车故障诊断分析

文章研究了一种基于BP神经网络的汽车故障诊断方法。通过分析BP神经网络模型,以汽车电气系统故障诊断为例,将故障作为神经网络的输出,利用BP神经网络预测模型对故障诊断进行模拟学习,最终确定故障具体原因。研究表明,该方法用于汽车故障诊断具有较高的可行性,可广泛推广。     

蚁群神经网络在齿轮箱故障诊断中的研究与应用

在ACO算法原理及框架的基础之上,将蚁群优化算法引入到神经网络的训练中来,提出了ACO训练神经网络的基本原理和方法步骤,并应用于发动机齿轮箱故障的故障诊断。本文采取经典的“频域”分析方法对齿轮箱进行故障诊断,并建立了基于蚁群神经网络的齿轮箱故障诊断模型。结果表明,用ACO算法训练的神经网络具有较高的故障诊断精度,可以有效地诊断齿轮箱中的故障,提高了诊断的效率和质量。     

基于小波包-神经网络的电厂发电机组故障诊断研究

电厂发电机组齿轮箱通常工作在高速高负载和润滑不良的恶劣环境中,研究对其工作过程的有效监测和故障诊断具有重要意义。针对齿轮箱故障信号的非平稳特征,提出了基于小波包分解和神经网络的故障诊断方法。以故障信号小波包分解后的能量信息作为输入向量,以BP神经网络作为分类器对其进行识别和诊断。通过对齿轮箱的正常工况、齿面磨损、缺齿和复合故障等4种类型的分析表明,提出的小波神经网络故障诊断方法可以识别齿轮箱的故障类型。     

质量控制图在线智能诊断分析系统

在计算机集成制造系统环境下，为了有效实现工序质量控制，提出了质量控制图的在线智能诊断分析系统框架，它由控制图模式识别、参数估计、专家诊断分析系统和加工参数调整系统四个模块组成。在该系统中，采用了一种适用于模式识别与分类的新型神经网络模型——局部有监督特征映射网络，将其应用于该系统的控制图模式识别和参数估计中。仿真实验和应用实例表明，识别和分类结果与实际相符，并可以保证实时性。     

智能统计工序质量控制的体系研究

针对统计工序质量控制的要求,提出了智能控制体系的基本框架,论述了控制图模式的分类及其表达。对智能统计工序质量控制的控制图模式识别、控制图异常模式的参数估计和诊断分析专家系统3个主要方面进行了分析,并提出了解决方案和系统模型。在模型构造中,采用小波概率神经网络进行控制图的模式识别和控制图异常模式的参数估计。模拟仿真和实际应用结果表明：该方法结构简单、收敛速度快、识别准确率高,能够满足控制图在线检测和分析的需要。     

基于ABC-BP神经网络的航空发动机故障诊断方法

为有效诊断发动机机械磨损故障,根据滑油金属磨屑建立基于ABC-BP神经网络故障诊断模型。模型针对BP神经网络的缺陷,利用人工蜂群优化BP神经网络,在初始化参数时将BP神经网络的误差函数作为人工蜂群的适应度,选择适应度最优的一组参数作为神经网络的权值和阈值。最后应用航空实际数据进行仿真研究,结果表明模型有较好的故障诊断效果,为实现故障预测和健康管理奠定基础。     

运用遗传算法优化神经网络的发动机故障诊断

为了对发动机故障进行正确诊断,可采用BP神经网络方法建立发动机故障诊断模型,但由于BP神经网络存在收敛速度慢及网络泛化能力差的缺点,易影响发动机故障诊断正确率。为了提高网络正确识别能力和泛化能力,采用遗传算法对神经网络的权值和阈值进行优化,网络误差满足要求后,用BP神经网络方法进行修正,从而使网络误差达到最小。将该算法应用于发动机故障诊断中,结果表明,该方法诊断故障误差更小且收敛更快。     

ANN在MK9－5卷烟机故障诊断中的应用研究

给出一种基于人工神经网络的设备故障智能诊断系统。讨论了用于设备故障诊断的人工神经网络模型，探讨了基于前馈神经网络模型的故障诊断系统的构造方法，并给出了对ＭＫ９－５卷烟机故障进行诊断的实例。     

ANN在MK9—5卷烟机故障诊断中的应用研究

给出一种基于人工神经网络的设备故障智能诊断系统。讨论了用于设备故障诊断的人工神经网络模型，探讨了基于前馈神经网络模型的故障诊断系统的构造方法，并给出了对ＭＫ９－５卷烟机故障进行诊断的实例。     

基于尾气成分分析的内燃机故障诊断方法

为提高内燃机运行质量,保证其安全性和稳定性,本文分析内燃机尾气成分与故障类型的关系,以F12L413F型风冷柴油机为例,构建了BP神经网络故障诊断模型。通过对比优化前后的BP神经网络诊断结果发现,BP神经网络诊断结果与期望值存在较大误差,而优化后的GA-BP神经网络诊断正确率较高。实验数据表明,经过优化的BP神经网络结合新的内燃机故障诊断对象,可以提高内燃机故障诊断精度。     

基于EMD-AR谱和GA-BP的滚动轴承故障诊断研究

为了提高滚动轴承振动信号的故障特征提取能力,快速有效地诊断出轴承的故障类型,提出了一种基于EMD-AR谱和GA-BP神经网络的滚动轴承故障诊断模型,以美国凯斯西储大学轴承数据中心的轴承振动加速度数据为例,对滚动轴承各种状态进行了理论分析和实验测试研究。首先,通过经验模态分解,将采集到的轴承振动信号进行了分解,获得了不同阶次的固有模态函数分量;然后,通过自回归模型对这些分量进行了故障特征提取,并由AR模型的参数和残差的方差组成了故障特征向量矩阵;最后,将故障特征作为遗传算法优化BP神经网络的输入数据和输出数据,分别对该故障诊断模型进行了训练和测试。研究结果表明:基于EMD-AR谱和GA-BP的滚动轴承故障诊断方法可以有效识别不同类型的故障特征;相较于传统的基于BP神经网络、GA-BP神经网络诊断方法,其诊断的效率更高,并且诊断准确率可达到95%。     

基于RBF神经网络的电喷发动机故障诊断研究

研究了RBF神经网络用于电喷发动机故障诊断的方法,并建立了神经网络故障诊断模型.最后,以桑塔纳2000型(GSI)轿车AJR型发动机怠速不稳故障为例,通过V.A.G1552汽车故障诊断仪测量出所需的数据流,在Matlab环境下,对电喷发动机怠速不稳的2种故障原因进行故障模式识别和诊断.     

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Elman神经网络的液压起竖系统故障诊断研究

液压起竖系统故障机理复杂、故障现象隐蔽,依靠传统方法难以及时准确地诊断故障.因此,提出采用Elman神经网络来对液压起竖系统实施故障诊断.利用Elman神经网络建立了故障诊断模型,通过典型特征故障的学习训练后,应用于液压起竖系统的故障诊断.结果表明该诊断方法运行速度快、诊断准确且容易实现.     

基于神经网络联想记忆的数控机床故障诊断系统

文章根据数控机床故障诊断的特点,分析了数控机床故障诊断系统的故障原因和故障源,然后引入一种带联想记忆功能的神经网络模型,并介绍了这种模型的原理和算法;最后利用所得的神经网络模型,对该故障系统的样本进行学习并记忆,再就检测或用户输入得来的故障原因进行联想回忆,得到诊断结果。实验结果表明,这种基于神经网络联想记忆的数控机床故障诊断系统简单,且能满足数控系统的故障诊断要求。     

基于粗糙集和ANN的模拟电路故障诊断研究

针对传统故障字典法需要精确先验知识且不适合大规模故障诊断的缺点,提出了一种基于粗糙集和BP神经网络的模拟电路故障诊断新方法。首先进行样本数据采集和预处理,并使用定义的粗糙集差别矩阵算法矩阵法对数据进行属性简约,删除冗余信息,得到简约后的特征向量。然后,将简约后的特征向量作为BP神经网络的输入进行训练,最后,将训练好的BP神经网络模型用于故障诊断。仿真实验表明,文中的基于粗糙集属性简约和BP神经网络训练的故障诊断模型,具有较小的训练误差和较高的诊断精度。     

基于卷积神经网络的微电机装配故障诊断研究

针对微电机装配质量控制水平低、产线故障发现不及时且难以做出最佳决策等问题,提出一种基于卷积神经网络(CNN)的微电机装配故障诊断方法.该方法将实时采集的微电机装配过程质量特性数据绘制出控制图,采用数值转化为图像的数据预处理方法实现CNN对控制图异常模式的识别,最后通过控制图异常模式向故障映射的方法完成故障诊断.基于该方法开发了一套微电机装配故障诊断原型系统,可用于微电机装配过程的实时监控与故障诊断.     

基于LMD和改进CNN的轴承故障诊断方法

针对传统轴承故障诊断方法在实际工况、嘈杂环境中对轴承故障识别准确率较低的问题，提出了基于局部均值分解(LMD)和改进的卷积神经网络(CNN)轴承故障诊断方法。对振动信号进行局部均值分解得到若干乘机函数分量，选择合适的分量生成重构信号作为网络输入，提出一种改进的卷积神经网络框架，提高多变量时间序列的诊断效率，选用凯斯西楚大学滚动轴承数据进行试验验证，运用k-折交叉验证来评估模型性能，并通过模拟工业环境的噪声验证了的抗噪性能。结果表明，相较与传统诊断模型在噪声环境下对滚动轴承故障诊断有更好的识别效果。