基于模糊神经网络的离心式压缩机故障诊断

利用模糊神经网络建立离心式压缩机故障诊断模型,使用梯度下降法进行学习训练,引用万能逼近定理设计离心式压缩机非线性系统函数逼近误差公式。仿真结果表明:出现故障后,逼近误差函数能够精确诊断离心式压缩机故障。     

概率神经网络在电机故障诊断中的应用

针对传统故障诊断方法的局限性,提出一种基于概率神经网络的诊断方法。以异步电机转子故障为例进行了故障诊断研究,通过选择故障样本来训练神经网络,将代表故障的信息输入训练好的神经网络后,由输出结果就可以判断发生的故障种类。仿真实验结果表明了基于概率神经网络的电机故障诊断方法的正确性。     

基于长短时记忆循环网络的塑料编织机故障诊断研究

长短时记忆(LSTM)循环神经网络的塑料编织机故障诊断法通过提取振动信号的能量矩,突出信号在时间轴上的分布特征,降低输入模型的向量维度。从多个特征向量构成的样本集中选择80%作为训练样本,训练LSTM循环神经网络模型,并利用剩余样本验证模型的检测精度;以准确率、查准率和查全率作为评价指标,利用多组不同的振动数据样本,对BP神经网络模型、卷积神经网络(CNN)模型和LSTM循环神经网络模型进行比较分析。结果表明:LSTM循环神经网络模型在不同样本中能够同时达到较高的准确率、查准率和查全率,其平均值分别可达95.69%、86.96%、96.89%,证明LSTM循环神经网络能充分学习具有时序特性的故障信息,对塑料编织机的故障诊断具有可行性和有效性。     

基于RBF神经网络的水轮机故障诊断研究

基于RBF神经网络,提出使用RBF神经网络进行水轮机故障诊断,给出RBF神经网络模型及算法。对水轮机故障信号进行分析,并提取故障信号特征量,将故障信号特征向量作为学习样本,通过训练,使构造的RBF神经网络能够反映特征向量和故障类型之间的映射关系,从而达到故障诊断的目的。     

改进的LVQ神经网络在风机故障诊断中的应用

提出一种改进的LVQ神经网络的风机故障诊断新方法。利用风机振动频域的特征向量作为学习样本,建立与风机故障类型的映射关系。将能量特征输入改进的LVQ神经网络进行网络训练与检测,以实现风机的故障识别。经比较,其性能优于BP网络和遗传网络,诊断正确率高达96%以上。通过仿真实验和风机的故障诊断实例表明:该网络提高了收敛速度及诊断精度,有效地抑制网络陷于局部极小,更适合风机等较复杂分类问题的故障诊断。     

基于RBF神经网络的螺杆泵井故障诊断

针对螺杆泵井工况复杂、故障种类繁多,反映特征参数与故障类型的数学模型难以搭建,提出了建立一种基于RBF神经网络的螺杆泵井故障诊断模型。选取日产液量、动液面深度、电机功率作为输入向量,将抽油杆断脱、泵漏失、油管漏失等故障类型作为输出向量,采用RBF神经网络工具箱建立了螺杆泵井故障诊断模型,并对网络进行了训练,利用该网络测试了大庆油田两口螺杆泵故障井,结果表明：RBF神经网络具有较快的收敛速度和良好的稳定性能;验证了建立的RBF神经网络的螺杆泵井故障诊断模型的正确性\可行性和有效性。     

基于面向对象的黑板型变压器故障诊断专家系统研究

将面向对象的技术引入到变压器绝缘故障诊断专家系统中,建立了适合于变压器绝缘故障诊断的黑板模型结构。同时还建立了多专家合作变压器绝缘故障诊断专家系统,提出了富有创意的专家意见不一致时的综合分析和解释机制,并以实际诊断例证检验了该专家系统的有效性和可靠性。应用模糊综合评判法和模糊神经网络判别法,创造性地将变压器故障诊断研完从故障性质的分析深入到故障部位的确定,提高了专家系统的实用性。     

卷积神经网络在PCS系统辅助诊断油井示功图的研究

近年来,随着中国石化油气生产运行指挥系统(PCS)的建设,越来越多的采油数据接入了系统,数据体量越来越大,由此为机器学习奠定了基础。本文利用卷积神经网络的经典模型Inception V3,通过建立各工况的示功图训练数据训练卷积神经网络的模型,在模型建立过程中不断修改训练参数和样本集数据,最终实现了卷积神经网络在PCS系统辅助诊断。     

基于SDE-BP网络的油田注水管网故障诊断方法研究

针对BP神经网络在油田注水管网系统故障诊断中收敛速度慢、精度低、易陷入局部最优等问题，提出一种改进的BP神经网络诊断模型。该模型将自适应差分进化算法（SDE）用于神经网络的数据训练中，用以确定最优权重和阈值，并将仿真模拟与神经网络的训练相结合，计算管网故障工况，从而得出注水站、注水井的压力、流量异常和管段的故障情况。该方法能准确诊断管网系统各类节点和管线的故障位置，以及对站启停泵、井欠过注和管道漏损、堵塞等故障类型进行判断，通过实验对比分析验证了方法的高效性，对故障点位置一级诊断正确率为100%，故障类型二级诊断的正确率达98.07%。     

基于D-S证据理论的直接空冷凝汽器故障诊断方法研究

提出一种基于Elman神经网络和RBF神经网络通过D-S证据理论融合的故障诊断方法,把该方法应用在直接空冷凝汽器的故障诊断中。首先对故障进行神经网络初步诊断,得到属于不同故障状态的隶属度,然后采用D-S证据理论融合的方法进行决策诊断,得到最终结果。研究了直接空冷凝汽器的故障特征提取、样本选择、诊断系统结构和学习算法,并通过诊断实例阐述了该方法的具体实现过程,验证了所提方法的可行性,结果表明:该方法适用于直接空冷凝汽器故障诊断,故障定位准确率高。     

基于BP神经网络的变压器故障诊断

利用BP神经网络对变压器进行故障诊断.以特征气体含量的比值作为输入量,利用MATLAB软件建立故障诊断模型,利用改进的动量梯度下降法,达到了故障诊断的要求.并通过变压器故障诊断实例分析,证明了该方法的有效性.     

基于GA-BP神经网络的塑料X射线吸收光谱的辨识

采集15种塑料样本的X射线吸收光谱(XAS),对光谱数据进行预处理和主成分分析,建立误差反向传播(BP)神经网络和遗传算法优化的误差反向传播(GA-BP)神经网络模型,利用训练集进行网络训练,并通过测试集进行验证。结果表明,GA-BP神经网络相比于BP神经网络可以更好更稳定的对塑料样本的XAS进行识别,这对塑料的回收具有重要的指导意义。     

基于GA-BP神经网络的塑料X射线吸收光谱的辨识

采集15种塑料样本的X射线吸收光谱(XAS),对光谱数据进行预处理和主成分分析,建立误差反向传播(BP)神经网络和遗传算法优化的误差反向传播(GA-BP)神经网络模型,利用训练集进行网络训练,并通过测试集进行验证。结果表明,GA-BP神经网络相比于BP神经网络可以更好更稳定的对塑料样本的XAS进行识别,这对塑料的回收具有重要的指导意义。     

基于BP神经网络的层状矿床采空区稳定性评价研究

层状矿床采空区稳定性的影响因素和方式有其固有特点,有必要系统地研究层状矿床采空区的稳定性并建立评价模型。根据BP神经网络原理,系统梳理了典型矿山采空区稳定性计算与评价案例,结合部分矿山设计实例,选取影响采空区的3类主要因素中的岩石抗压强度、采场暴露面积及采场跨度等9项评价指标。利用MATLAB神经网络工具箱,以选取的9个影响因素作为神经网络输入层,设立稳定、基本稳定、不稳定和极不稳定4个等级作为神经网络输出层;该网络允许最大训练步数为1 000步,训练目标最小误差为0.001,选取单隐层网络对所构建的20个样本数据进行训练测试,从而建立了BP神经网络层状矿床采空区稳定性评价模型。并以某层状铁矿采空区为例,应用训练好的BP神经网络模型对其稳定性进行预测评价,其预测结果与实际情况相符,验证了BP神经网络的有效性。     

基于自适应小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出了基于自适应小波神经网络的往复泵故障诊断方法.以往复泵单个泵缸内的压力信号作为系统特征信号采用小波变换来提取故障特征向量,同时将此特征向量作为小波神经网络的输入,利用小波神经网络对故障做进一步的精确实时诊断.通过对往复泵液力端多故障诊断实例的检验表明：该系统故障诊断正确率达到了93％以上.     

基于长短期记忆神经网络的数据中心空调系统传感器故障诊断

数据中心空调系统的故障直接影响其能耗及运行可靠性。结合深度学习技术,利用长短时间记忆神经网络提出了一种空调系统传感器故障检测与诊断的方法。经实验验证,该方法可通过对液管温度传感器、排气温度传感器分别建立故障诊断模型,成功检测出传感器固定偏差故障和漂移偏差故障。对于无故障数据,该方法的检测正确率在90%左右;对于偏差程度大于该方法的最小检测偏差的传感器故障数据,其检测正确率在94%以上。     

基于模糊神经网络的环管反应器故障诊断

环管反应器是丙烯聚合工艺中的主要反应设备之一.环管反应器运行过程中故障产生原因与征兆参数之间的影响关系比较模糊、复杂,不能准确地用数学关系式表述.针对此种情况,总结出环管反应器温度升高时可能的故障原因及征兆参数,并用模糊理论进行处理,再运用神经网络建立了环管反应器故障诊断系统.故障诊断实例表明,该系统具有较高的可靠性.     

基于虚拟技术的齿轮故障智能诊断研究

利用LabVIEW图形化编程语言开发了信号分析与处理、信号特征提取和故障诊断三大模块。信号特征提取由小波包分解来实现,故障诊断通过神经网络完成,小波包分解提取的齿轮振动信号各频段能量特征值作为神经网络的输入向量。以模拟故障实验台获取的齿轮典型故障振动信号训练神经网络,利用训练好的神经网络对齿轮进行故障诊断,实验结果表明：所开发的齿轮故障智能诊断系统能有效识别齿轮故障,较好地将虚拟技术应用于故障诊断领域。     

帝斯曼为新一代汽油引擎的低摩擦正时系统零件提供聚酰胺46

正荷兰皇家帝斯曼集团宣布其所特制的润滑级Stanyl PA46(聚己二酰丁二胺)材料被选用于新一代高效节能涡轮增压汽油引擎正时系统的低磨耗链导轨。发动机中的正时系统部件由全球高性能热塑性材料公司(QCMS)打造,该公司总部位于比利时蒂尔特市,而发动机系统部件则由汽车发动机正时链系统的领导企业——椿本集团英国诺丁汉子公司提供。此新一代高效节能涡轮增压     

复杂过程的集成智能故障诊断技术

对于具有控制复杂,难以精确描述数学模型的复杂过程,提出基于知识的模糊神经网络故障诊断方法。故障检测由基于知识系统实现,通过过程的深层知识获得故障检测产生式规则。故障诊断功能通过模糊神经网络实现。由于该方法不需要对象的精确数学模型,为复杂过程的故障诊断提供了强有力的工具。