基于DWT和PNN的印刷过程实时监测和故障诊断

提出了一种新的基于离散小波变换和概率神经网络的印刷过程振动信号的实时监测和故障诊断系统。利用小波包分解技术对印刷过程振动信号进行降噪处理,并选择特殊频段进行小波包重构,有效捕捉和分离了处于信号不同频段的印刷过程振动信号故障特征分量。对提取的故障特征参数应用概率神经网络映射,实现对印刷过程振动信号运行状态的实时监测和故障诊断。仿真结果表明,该诊断方法快速、准确且易于工程实现。     

小波包与改进BP神经网络相结合的齿轮箱故障识别

应用小波包分解技术提取齿轮箱振动信号中的故障特征向量,并以此作为改进BP神经网络的输入,对神经网络进行训练,建立了齿轮箱运行状态分类器,用以识别齿轮箱的运行状态。试验结果表明,小波包分解与神经网络相结合的齿轮箱齿轮故障识别方法是可靠的,可以准确识别齿轮箱的故障。     

提升设备故障率的分析研究

提升设备的状态直接关系到整个系统的可靠运行,基于设备运行时间和运行状态所建立的传统型设备故障率模型忽略了提升设备运行年限的影响,产生较大的设备故障率误差,不能准确描述提升设备的实际运行情况。本文将设备使用的寿命作为参数,代入到传统模型中,从而改进提升设备故障率的模型,并使用全状态集成算法求解出提升设备故障率改进模型,最终求解出提升设备的故障概率风险。实验结果验证了所提出算法的有效性和可行性。     

船用三相变压器运行状态监测与故障预警诊断技术研究

采用电气量信息样本作为变压器状态监测与故障预警诊断的判据,比用变压器油中溶解气体成分作为判据更具可操作性,样本便于获得,适用于船用变压器的动态监测。采用概率神经网络以变压器电气量信息波形系数作为故障鉴别的"阈值",具有准确、快速判别故障原因的特性,可对变压器故障进行先期预测,为主动维修争取时间。实验证明,变压器故障样本空间越大,样本数据越准确,概率神经网络的训练效果越好,预测效果越佳。     

基于BP-GM(1,1)模型的矿用变压器故障诊断研究

基于矿用大型电力变压器故障发生概率高,对矿井安全生产造成影响的问题,对灰色理论预测和BP神经网络进行研究,通过建立基于灰色系统BP-GM(1,1)理论的变压器故障预测模型,结合三比值法对变压器故障进行预测。从对比预测结果和现场情况来看,预测较为准确,有效降低故障发生概率。     

递归定量分析在离心泵故障诊断中的运用

为了准确诊断离心泵的振动故障,针对振动信号的非平稳特征,提出了一种基于递归定量分析的离心泵振动故障诊断方法。采用递归定量分析(recurrence quantification analysis,简称RQA)方法提取离心泵振动信号的非线性特征参数,由这些特征参数构成特征向量,并以此作为改进Elman神经网络的输入,对神经网络进行训练,建立了离心泵运行状态分类器,用以诊断离心泵的不同状态。试验结果表明,递归定量分析与Elman神经网络相结合的方法可以准确诊断离心泵的振动故障。     

小波与神经网络结合用于电机在线监测与故障诊断

本文主要将小波与神经网络结合用于电机的在线监测与故障诊断.针对电机系统运行的关键故障,采用小波与神经网络结合的思想,将采集到的电机振动信号,进行小波处理后,通过分析观测信号在小波包某一分解层次上的不同时频分辨空间中的能量分布,进行电机运行状态的特征提取,对提取到的特征信号再用神经网络技术进行故障诊断,从而建立起电机运行状态的在线监测体系,以实现对电机故障预测及诊断,充分体现了小波神经网络在故障诊断中的优越性.     

人工神经网络在机械故障诊断中的应用

针对传统的机械故障诊断方法的局限性,提出将人工神经网络应用于机械故障诊断中。由于BP算法存在收敛速度慢及易陷入局部极小等缺陷,利用实数编码改进遗传算法对神经网络的权值和阈值进行优化训练,并把训练好的神经网络用于机械振动信号预测及机械故障诊断中。通过对机械设备振动信号的预测,可以及早发现故障,及时消除故障隐患,为企业节省大量的维修时间和维修费用,提高企业的生产率。     

基于DD-HSMM的设备运行状态识别与故障预测方法

针对设备运行状态识别与故障预测问题,提出一种基于时变转移概率的隐半Markov模型。该模型将设备历史运行信息融人Markov状态转移概率矩阵的估计过程中,使Markov状态转移概率矩阵具有时变特性。基于改进前向后向算法研究了相应的隐半Markov模型参数估计方法,使其能够不断综合利用历史运行信息进行自我更新,以更加符合设备真实运行的过程。同时以该模型为基础,利用故障率方法建立了对设备剩余使用寿命进行预测的基本步骤。通过某滚动轴承运行状态识别实例演示了该模型的建模过程,证明了基于该模型的设备状态识别与预测方法比传统隐半Markov模型方法更为有效。     

基于小波包与改进BP神经网络的齿轮故障诊断

对齿轮振动信号应用小波包分解提取故障特征向量,并以此作为改进BP神经网络的输入,对神经网络进行训练,建立齿轮运行状态分类器,用以诊断齿轮的运行状态。结果表明,该方法对齿轮故障诊断十分有效。     

神经网络在航空活塞发动机排气门故障预测中的应用

针对航空活塞发动机排气门卡阻故障,经过对故障机理的分析,提出了一种利用神经网络对排气门导套与气门杆的配合间障进行预测,以间接预测排气门卡阻故障的方法。将影响排气门积垢速率的因素设定合理的特征值,以这些特征值和发动工作时间作为输入向量,配合间隙作为输出向量,分别建立了GRNN神经网络和BP神经网络预测模型。预测实例表明,GRNN神经网络预测模型具有较高的预测精度、稳定的网络以及较快的收敛速度,预测性能优于BP神经网络模型,预测结果可作为评估排气门卡阻故障发生概率的有效依据。     

基于Volterra频域核和神经网络的非线性模拟电路故障诊断法

本文提出基于非线性电路频域核的神经网络诊断方法。通过范德蒙特法得到各种工作状态下电路响应的各阶频域核,提取故障特征并适当预处理后与相应的电路工作模式一起构成输入/输出样本集,利用训练样本和测试样本分别对神经网络训练和测试,借助神经网络实现故障诊断。文中给出了各阶频域核的递推算式和求解方法,并通过一个基于递归神经网络的非线性电路诊断实例加以验证。     

Concurrent design of manufacturing cell and control functions: A neural network approach

This paper presents a neural network based decision support system (DSS) for use in concurrently determining cell configuration, operation plans, and complexity requirements of cell control functions. Advanced simulators and neural network technology are used in developing the DSS. Simulation experiments were conducted with many possible combinations of design changes to generate training pairs for a neural network. Complexity of cell control functions required by each design option was assessed, based on operational requirements, and was used to train another neural net. Once both neural networks are properly trained, one network can be used to predict the cell design configuration given a set of desirable cell performance measures, while the other network can be used to identify complexity requirements of the cell control functions by using the output provided by the first network as input to the second neural net. An operation-driven cell design methodology was applied to sequentially predict requirements of both cell configuration and cell control functions from the trained neural networks. This innovative new design methodology was illustrated via a successful implementation exercise in acquiring a real automated manufacturing cell at industrial settings. The exercise proves that such a DSS serves well as an effective tool for cell designers and the management in determining appropriate cell configuration and cell control functions at the design stage.     

Artificial neural network a tool for predicting failure strength of composite tensile coupons using acoustic emission technique

A series of 18 tensile coupons were monitored with an acoustic emission (AE) system, while loading them up to failure. AE signals emitted due to different failure modes in tensile coupons were recorded. Amplitude, duration, energy, counts, etc., are the effective parameters to classify the different failure modes in composites, viz., matrix crazing, fiber cut, and delamination, with several subcategories such as matrix splitting, fiber/matrix debonding, fiber pullout, etc. Back propagation neural network was generated to predict the failure load of tensile specimens. Three different networks were developed with the amplitude distribution data of AE collected up to 30%, 40%, and 50% of the failure loads, respectively. Amplitude frequencies of 12 specimens in the training set and the corresponding failure loads were used to train the network. Only amplitude frequencies of six remaining specimens were given as input to get the output failure load from the trained network. The results of three independent networks were compared, and we found that the network trained with more data was having better prediction performance.     

Precise volume fraction prediction in oil–water–gas multiphase flows by means of gamma-ray attenuation and artificial neural networks using one detector

Artificial neural network (ANN) is an appropriate method used to handle the modeling, prediction and classification problems. In this study, based on nuclear technique in annular multiphase regime using only one detector and a dual energy gamma-ray source, a proposed ANN architecture is used to predict the oil, water and air percentage, precisely. A multi-layer perceptron (MLP) neural network is used to develop the ANN model in MATLAB 7.0.4 software. In this work, number of detectors and ANN input features were reduced to one and two, respectively. The input parameters of ANN are first and second full energy peaks of the detector output signal, and the outputs are oil and water percentage. The obtained results show that the proposed ANN model has achieved good agreement with the simulation data with a negligible error between the estimated and simulated values. Defined MAE% error was obtained less than 1%.     

基于神经网络的车身零件检具概念设计

采用人工神经网络进行车身覆盖件检具概念设计,以检测特征的7个分量作为神经网络的输入,以检具类型分量作为输出,对构成的神经网络用生产中的100个实例作为样本进行训练,达到误差平方和小于0.001的目标,得到检具概念设计神经网络模型,并通过车身一零件检具概念设计为例验证了该方法的有效可行,从而达到在一族相似零件的众多检具概念设计方案中进行优选的目的.     

[智能设计与计划调度]大数据在设备健康预测和备件补货中的应用

提出了一种设备健康预测和库存优化方法。使用自编码器提取监测信号特征,基于深度神经网络模型进行时序预测,构建设备健康度指标;采用统计分布判定和参数拟合的预测方法实现库存优化;最后,根据设备健康状态与备件数量实现生产主动预警。实例结果表明,该方法预测精度高于LSTM算法,可对设备故障进行精确预警,且备件库存优化模型的可靠性高达90.4%,可有效减少备件库存。     

设备故障趋势预测的分析与应用

研究了设备故障趋势的预测方法，介绍了非线性自回归模型，提出将BP神经网络与非线性自回归模型相结合，针对实验室JZQ250型齿轮箱的测试系统建立了基于振动信号的神经网络预测模型。采用MATLAB软件中自带的神经网络工具箱，利用模块化的编程思想，编程实现了神经网络预测模型．并利用实验室数据的峭度指标进行了实验。首先给出网络的输入及对应的目标输出，然后经过训练获得网络的权值和阈值，最终构建齿轮箱故障趋势的预测神经网络，用来预测齿轮箱的故障趋势。结果表明，该模型能够有效地短期预测齿轮箱的典型故障，可以用于齿轮箱的故障诊断。     

基于神经网络的直线电磁阀式怠速系统预测控制方法研究

基于汽油发动机怠速系统的非线性、时变性和不确定性等特点,构建了神经网络与预测算法相结合的控制系统。利用预测控制算法的滚动优化和反馈校正的特性,采用神经网络建立系统的动态模型作为预测控制器的预测模型;提供怠速系统的开环输入输出数据离线训练神经网络,再在线对神经网络模型的权值和阀值进行调整,获得精确的预测模型,实现了对怠速系统的自适应控制。仿真结果表明,这种方法有效地提高了发动机怠速系统的控制精度、可靠性和转速的稳定性。     

基于KPCA-SOM网络的列控RBC系统故障诊断方法

无线闭塞中心(RBC)系统是CTCS-3级列控系统的核心设备,在现场其故障分析主要依靠人工完成,诊断结果不精确、效率低。因此,提出了基于one-hot模型、核主元分析(KPCA)和自组织映射(SOM)网络的RBC系统智能故障诊断方法。首先,通过人工选取的故障特征词库和故障追踪记录表构建基于“one-hot”模型的故障文档矩阵;其次,利用核主元分析方法对故障文档矩阵进行降维降噪处理,避免信息冗余;最后将处理后的数据输入至SOM网络,训练生成KPCA-SOM故障分类模型。通过与BP神经网络算法、SOM网络算法比对分析,KPCA-SOM智能诊断方法可有效地对列控RBC系统常见故障类型进行区分,并且在准确率和处理效率上进一步优化提升。