小波神经网络在齿轮故障诊断中的应用

针对齿轮的故障诊断 ,提出了一种基于小波特征提取和BP神经网络的诊断系统 ,利用小波分解后各频段能量的分布作为特征向量输入神经网络。试验表明该方法能准确地诊断出齿轮的故障 ,具有广泛的应用前景     

小波变换在齿轮故障诊断中的应用

在分析小波变换理论和齿轮振动信号特点的基础上,提出用小波分析法提取齿轮故障特征。齿轮振动信号具有非平稳性,并且受各种噪声干扰,小波分析法具有处理非平稳信号的突出优点。在MATLAB环境中,建立了齿轮振动仿真信号,采用小波函数对受噪声污染的信号进行软阖值消噪处理,通过功率谱分析提取特征频率。仿真表明,该方法可有效抑制噪声,提取特征频率,从而为齿轮故障诊断提供依据。     

基于小波包与概率神经网络相结合的滚动轴承故障诊断

基于小波变换的滚动轴承故障诊断,振动信号中的高频部分对诊断结果有一定影响,为克服此影响,首先运用小波包对SKF型滚动轴承故障信号进行预处理,以此为特征向量结合概率神经网络去验证模型的实用性和可行性。分析结果表明,小波包与概率神经网络相结合的故障诊断方法可以有效的应用于滚动轴承故障诊断。     

电牵引采煤机故障诊断分析

为了对电牵引采煤机故障进行及时诊断,提出利用混沌Duffing振子和小波分析法对采煤机故障振动信号进行提取及分析。通过对比故障振动能量及正常振动能量,验证了故障诊断的可行性,为矿山实现智能化控制提供了一定的借鉴。     

基于小波神经网络的采煤机摇臂故障诊断的研究

针对采煤机机械系统故障信号诊断的问题,在小波分析和神经网络的基础上,采用了一种基于小波神经网络诊断采煤机摇臂故障的方法。根据摇臂振动的信号通过小波分析检测出信号奇异点和突变情况,利用小波基函数作为小波神经网络的激励函数对故障信号做进一步的诊断,判断出故障特点和程度。结果证明此方法在故障诊断中的诊断准确率较高。     

煤矿风机小波神经网络故障诊断系统研究

针对煤矿风机振动信号非线性、非平稳特性,结合小波分析和神经网络技术,研究煤矿风机故障诊断方法。该方法运用小波包分解技术,提取风机信号各个频带的能量特征,构造特征向量作为BP神经网络的输入,并借助于LabVIEW平台实现风机故障诊断。通过对实验数据的分析表明,小波分析和神经网络相结合可以有效地识别风机故障。     

小波神经网络在提升设备故障诊断中的应用

介绍小波神经网络的构成和学习算法,并针对提升机减速箱故障的复杂性构造了用于减速箱故障诊断的小波神经网络,对减速箱的状态进行判别,实现了故障诊断。实验结果表明,小波神经网络在减速箱故障诊断领域具有良好的实用性。     

基于小波能谱熵-BP_Adaboost的采煤机摇臂轴承故障诊断

针对煤矿井下工作环境恶劣,摇臂轴承经常发生故障,提出一种基于小波能谱熵-BP_Adaboost的采煤机摇臂轴承故障诊断方法。对振动信号进行小波分解,提取各小波系数的能谱熵,以此作为故障特征信息。利用Adaboost算法联合多个BP神经网络,构建BP_Adaboost强分类器。通过实验验证,该方法相比单BP神经网络识别率有很大提高,总体识别精度达到92%,其中外圈轴承故障识别率达96%,具有较好的采煤机摇臂轴承故障诊断能力。     

基于小波遗传神经网络的大型直线振动筛故障诊断

以大型直线振动筛侧帮裂纹为研究对象,利用小波分析对振动信号进行降噪处理和故障特征提取,设计系统故障诊断的BP神经网络,并用遗传算法对网络结构、参数和学习规则进行优化。通过样本训练和测试,这种小波遗传神经网络具有较高的故障识别能力、分类精度和速度。     

基于小波包和EM聚类的采煤机齿轮故障诊断

针对采煤机齿轮故障振动信号难以准确获取故障特征的问题,提出了一种利用小波包结合高斯混合EM聚类的齿轮故障诊断方法。首先对故障信号进行小波包分解和重构,得到其高频率尺度下的能量值,然后以此作为故障样本属性,结合高斯混合EM聚类算法建立故障模型数据库,最后将实时信号与故障库对比进行分类诊断。实验仿真结果表明,该方法对齿轮的几种典型故障表现出了良好的诊断能力,且可以实现采煤机不停机在线诊断,对提高采煤机故障诊断智能化水平具有较高的参考价值。     

基于小波包神经网络的电机故障诊断分析与研究

由于传统基于傅立叶变换的利用频域对电机故障的信号分析中无法对奇异信号点的时域信息进行检测。针对上述问题,提出基于小波包神经网络的电机故障诊断的方法。结合电机振动的非平稳随机性的特点。利用小波包多分辨率分析方法对电机的采样信号进行分解,提取电机故障状态特征并作为BP神经网络输入样本的特征向量,利用神经网络的自学习和模式识别的特点最终输出电机故障类型。通过MATLAB仿真结果可以证实该方法可行性。     

基于遗传小波网络的电动机故障诊断

对基本的遗传算法进行了改进,并将其与BP算法相结合构成混合算法应用到电动机故障诊断的小波神经网络训练中。仿真结果表明,该算法有效地解决了小波网络初值设置不合理,极易进入局部极小的区域,以致网络振荡增大、不收敛,而GA算法独立训练神经网络速度缓慢等缺点。用训练过的小波神经网络模型对5组电动机故障进行验证和诊断的仿真结果也表明了,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电动机故障诊断的有效性。     

基于多传感器信息融合技术在滚动轴承故障诊断中的应用

为了提高滚动轴承故障诊断的准确性,运用了将多传感器信息融合技术用于故障诊断的检测方法。由电流传感器和加速度传感器采集电流信号和振动信号,经小波变换等预处理后通过能量算子获得故障特征值,再经过动量改进BP神经网络进行训练,实现对滚动轴承故障的准确诊断。通过实验证明该方法可行。     

基于小波包-SVD和IPSO-BP的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳性和非线性特点以及BP神经网络结构参数差等因素导致滚动轴承故障识别准确率低的问题,提出一种基于小波包结合奇异值分解(SVD)和改进粒子群算法(IPSO)优化BP神经网络的滚动轴承故障诊断方法。首先通过小波包对振动信号进行分解与重构,得到不同频段的信号之后利用SVD提出有效的故障特征向量,输入到BP神经网络中进行测试。考虑到BP神经网络结构参数差等因素,使用IPSO对BP神经网络进行优化,最后测试得出结果。对比实验模拟和现场数据验证表明,基于小波包-SVD和IPSO-BP的滚动轴承故障诊断准确度大大提高。     

小波遗传神经网络在大型直线振动筛故障诊断中的应用

以大型直线振动筛侧帮裂纹为研究对象,利用小波分析对振动信号进行降噪和故障特征提取,设计了用于系统故障诊断的BP神经网络,并用遗传算法对网络结构和参数进行优化。通过样本训练、测试和在振动筛侧筛裂纹诊断中的应用,证明了这种小波遗传神经网络具有较高的故障识别能力、分类精度和速度。     

基于小波网络的电动机智能故障诊断

构造了一个小波神经网络 ,利用神经网络实现了电动机故障类型的识别。通过理论分析和试验结果表明 ,以上方法对鼠笼电动机的故障诊断是有效的 ,并验证了其可行性和优越性     

基于最优小波包与SOM-BP融合的柴油机故障诊断

柴油机振动信号具有非平稳性,用最优小波包将不同故障的振动信号分解到不同频段。提取各频段的能量组成特征向量输入SOM-BP神经网络,通过神经网络输出结果判别柴油机的故障类型。与BP网络的训练结果相比较,证明将最优小波包分解与SOM-BP神经网络相结合的方法可以得到更好的分类结果,有一定的工程实用性。     

基于希尔伯特变换和小波包节点能量法的齿轮箱故障诊断研究

故障齿轮箱的振动信号中可能包含周期性的振幅和相位调制信号,在齿轮箱故障诊断中,解调成为一个重要的问题。在分析了齿轮振动信号的基础上,提出了一种基于希尔伯特变换和小波包节点能量法的故障诊断方法。通过一个包含调幅调相信息的仿真信号进行了验证,结果表明该方法能够有效提取调制信号,比使用小波包变换更有效。