基于神经网络的复杂电子装备故障诊断系统的仿真研究

该文针对复杂电子装备故障诊断难的特点，以一种典型设备的主要几种故障主例，设计了一种新型神经网络模型，并对系统进行了仿真，讨论了以此模型为基础进行诊断的可能性和正确性，实践表明了该模型的有效性和合理性，与传统方法相比，提高了故障诊断的准确度，而且充分运用了工作经验、专家知识，具有很大的工程应用价值。     

基于BP神经网络的故障诊断模型研究

滚动轴承是旋转机械中最常用的部件之一。滚动轴承很容易损坏，而它的工作条件通常比较复杂，很难对其故障进行准确判断。为了提高滚动轴承故障诊断的有效性，构建了一种新的基于改进量子蜂群算法和BP神经网络的滚动轴承故障诊断模型（IQABC-BP）。首先针对量子蜂群算法在种群初始化和进化过程中存在的问题，提出了一种改进量子蜂群算法，然后利用改进量子蜂群算法对BP神经网络的初始权值、阈值和隐含层单元数进行优化，建立了一种具有超并行超高速的基于改进量子蜂群算法的BP神经网络模型，并应用于滚动轴承的故障诊断中。实验结果表明，IQABC-BP模型收敛速度更快，故障诊断效果更好，具有很好的应用价值。     

基于蚁群算法的电路故障诊断研究

BP算法在神经网络中应用较为广泛，但有收敛速度慢、易于陷入局部极小点的缺点。蚁群算法是一种新型的模拟进化算法。具有正反馈、分布式计算、全局收敛、启发式学习等特点。本文将蚁群算法和神经网络结合，应用于电路故障诊断中，有效提高了诊断效率。     

改进的OHF Elman神经网络应用研究

为提高Elman神经网络的诊断效率,对OHF Elman神经网络进行研究。在OHF Elman网络基础上引入收益因素,提出改进的OHFElman神经网络,并将其应用于齿轮箱的故障诊断。建立了改进OHFElman神经网络和OHF Elman神经网络两种模型,并对这两种模型进行了仿真。一系列训练与测试结果表明,基于改进OHF Elman网络的齿轮箱故障诊断系统能够提高故障诊断的准确率和效率,可以应用在实际工程故障诊断中,为故障诊断技术提供了一种更有效的方法。     

一种矿井主要通风机故障诊断系统

采用经极限学习机训练的神经网络建立故障诊断模型,基于该模型设计了一种矿井主要通风机故障诊断系统,介绍了该系统的软硬件设计方案。测试结果表明,该系统中极限学习机算法运行时间仅为0.031 3s,故障诊断准确率不低于97.35%,其实时性和准确性优于基于BP神经网络、ELMAN神经网络、经支持向量机训练的神经网络等模型的主要通风机故障诊断系统。     

基于Elman神经网络的齿轮箱故障诊断

针对基于传统BP神经网络的齿轮箱故障诊断方法存在的收敛速度慢、精度不高等问题,提出了一种基于Elman神经网络的齿轮箱故障诊断模型。该模型以齿轮箱特征向量为输入、故障类型为输出,通过改进遗传算法对Elman神经网络的权值和阈值进行优化,将优化后的Elman神经网络用于齿轮箱故障诊断。仿真结果表明,该故障诊断模型加快了网络训练速度,提高了齿轮箱故障诊断的准确度和精度。     

基于改进图卷积神经网络的配网线路故障诊断

随着电网的不断扩容,系统结构越来越复杂,多故障频发,而多故障是故障诊断的关键和难点。为解决故障处理数据量大,需要快速、准确地诊断电网故障的问题,本文提出了一种基于模糊优化图卷积神经网络的配网故障诊断模型。首先处理采集的配网故障线路的特征数据;其次,搭建基于图卷积神经网络的故障诊断模型,利用模糊理论建立配电网故障的隶属函数;最后利用训练好的模型进行配网故障诊断。仿真结果表明,模糊优化图卷积神经网络对多故障诊断的准确率高于卷积神经网络以及其他方法,本文方法做出的诊断结果更加精确,综合诊断效果最好。     

基于一种改进的云神经网络涡扇发动机故障诊断

在基于数据驱动的涡扇发动机地面定检系统中,为了提高航空发动机的故障诊断性能,提出一种改进的基于云神经网络的航空发动机故障诊断方法;首先,把云模型和BP神经网络相结合,得到进行故障诊断与检测的模型结构,然后用余弦式改进自适应遗传算法并对网络模型进行优化,得到改进后的云神经网络模型;通过对实际数据的实例仿真表明,该方法对于航空发动机地面稳态的故障诊断是可行的,并且提高了故障诊断系统的诊断精度。     

基于神经网络的复杂电子装备故障诊断系统

文章针对复杂电子装备故障诊断难的特点,以一种典型设备的几种主要故障为例,设计了一种新型神经网络模型,并对系统进行了诊断,讨论了以此模型为基础进行诊断的可能性和正确性。实践表明了该模型的有效性和合理性,与传统方法相比,提高了故障诊断的准确度,而且充分运用了工作经验、专家知识,具有很大的工程应用价值。     

提速道岔故障的人工智能诊断实现

为提高神经网络诊断在实用工程中的确诊率，采用信息融合技术，提出了一种新型的基于集成神经网络的多方面会诊方法。该方法能快速、有效的并行处理反馈来的不同方面的故障信息，具有训练速度快、扩展性强、鲁棒性强、实时诊断等优点。本文将其应用在提速道岔故障诊断中，实现了故障的人工智能诊断。     

逆变电路智能故障诊断系统

针对逆变器由于具有非线性的特征而无法采用精确数学模型进行故障诊断的情况,本文提出一种基于小波分析和神经网络的新型逆变电路故障检测与诊断方法。建立三相SPWM逆变电源的非线性MATLAB仿真模型,以三相输出故障电压作为故障信息,利用小波分析的方法提取低频能量值作为特征向量,通过神经网络实现逆变器故障桥臂定位,最后利利用逆变三相电压同一桥臂故障电压的对称性的特点,用一种简单的判断逻辑实现故障元件的分离。设计了基于DSP的PWM逆变电路在线智能故障诊断系统。测试结果表明,该系统具有良好的故障诊断效果,具有一定的实用价值。     

Fault Diagnosis Using Wavelet Neural Networks

Wavelet neural networks are a class of neural networks consisting of wavelets. This paper presents a novel universal tool for fault diagnosis and algorithms for wavelet neural network construction are proposed. Using the model of wavelet neural networks, we can not only extract the features of system but also predict the development of the fault.     

模拟电路故障诊断新方法

提出了一种新颖的基于多小波神经网络的模拟电路故障诊断方法。介绍了多小波的原理,分析了多小波神经网络的结构、逼近性质及多小波神经网络的算法,提出了用多小波来处理故障信号,提取故障特征向量输入给神经网络,从而进行模拟电路故障诊断。由于多小波函数具有连续、对称性及支撑集短等一系列优点,所以用多小波神经网络来进行模拟电路故障诊断比一般的小波神经网络具有诊断精度高、诊断速度快的优点。给出了仿真诊断实例,验证了该方法的有效性。     

基于空洞卷积神经网络的旋转机械故障诊断方法

由于旋转机械的振动信号具有非平稳、复杂多样、数据量大的特点，传统的方法难以较好地实现旋转机械故障诊断。近年来，基于深度学习的故障诊断算法发展迅速，其中，卷积神经网络(Convolutional Neural Network,CNN)由于可实现自动提取特征、运算效率高等优点受到广泛关注，但在识别准确率等方面仍然存在部分问题。为实现多传感器监测状态下的旋转机械故障诊断，在经典卷积神经网络结构的基础上，引入了多通道数据融合处理、空洞卷积层、批标准化处理、PReLU激活函数、全局平均池化层等改进方法，构造了一种新型的、高效的空洞卷积神经网络（Atrous Convolution-Convolutional Neural Network,AC-CNN），并基于该模型进行了旋转机械故障诊断实验。实验结果表明，提出的故障诊断模型分类准确率可达99%以上，对比其他神经网络方法具有明显优势。     

人工鱼群算法的汽轮发电机故障诊断仿真研究

研究汽轮发电机故障准确诊断问题,由于汽轮发电机组故障特征与故障状态间呈现较强的非线性关系,传统的数学模型很难正确识别汽轮发电机的各种故障状态,诊断精度不高。RBF神经网络具有自学习、非线性处理等优,为了提高汽轮发电机故障诊断正确率,建立了一种人工鱼群优化RBF神经网络的汽轮发电机故障模型,充分利用人工鱼的聚群、追尾和觅食行为,对RBF神经网络的参数进行了优化,然后采用优化RBF神经网络对故障进行诊断。仿真结果表明,RBF神经网络可提高汽轮发电机故障诊断准确率。     

一种改进的神经网络机械故障诊断专家系统

针对传统BP神经网络训练中收敛速度较慢的缺点,提出一种基于L-M算法的神经网络应用于机械设备故障诊断的专家系统。论述了神经网络的专家系统结构,并以7216圆锥轴承试验研究为例,建立了基于该算法的故障诊断模型。仿真结果表明:该模型显著缩短了训练时间,具有较高的准确性。运用该神经网络专家系统进行机械故障诊断是有效的。     

基于谐波小波包的旋转机械故障诊断新方法

针对旋转机械的故障振动信号通常为复杂的动态非平稳信号,提出一种基于谐波小波包和Elman神经网络的故障诊断新方法。应用谐波小波包对信号进行分解,提取倍频能量特征向量,代入Elman神经网络,实现故障分类。通过试验分析及与BP网络的诊断结果对比,表明该方法在旋转机械的故障诊断方面具有显著优势。     

基于模糊神经Petri网的故障诊断模型

Petri网是对具有产生式规则的故障诊断系统的有力建模工具，但其缺乏较强的学习能力．本文以Petri网的基本定义为基础，结合模糊逻辑和Petri网模型，定义了模糊Petri网模型，在此基础上引入人工神经网络技术，给出了人工神经网络的模糊Petri网表示方法，并针对工程机械故障诊断异步、离散等特点，提出并建立了故障诊断的模糊神经Petri网模型及其改进模型．基于模糊神经Petri网的故障诊断系统结合了Petri网和人工神经网络的优点，经过自学习后同时具有很强的推理能力和自适应能力．     

基于LM-BP神经网络的气阀故障诊断方法

提出一种基于LM（Levenberg-Marquardt）算法优化的 BP (Back Propagation)神经网络的多级往复式压缩机压缩机气阀故障诊断方法。以6M25-185/314氢氮气压缩机的 6级压差和6级温差作为网络的输入向量,建立可对往复式压缩机一至六级气阀故障进行在线监测及故障诊断的LM-BP神经网络模型。以100组故障数据作为网络训练样本,30组数据作为网络检测样本进行故障诊断,结果表明,LM-BP神经网络相比于变梯度BP神经网络和RBF神经网络诊断更快速稳定且准确率达到96%以上。利用Matlab软件平台建立的LM-BP 神经网络故障诊断模型,模型简单便于在工程实际中应用。