基于小波神经网络技术的井下瓦斯传感器故障诊断分析

煤矿井下瓦斯传感器的准确性和鲁棒性关系到矿井的安全生产。以瓦斯传感器故障诊断为研究对象,利用小波包分解算法分析了瓦斯传感器故障信号、提取了相关特征,并基于这些特征,采用扩展滤波算法训练神经网络。兖州集团王庄煤矿的100组瓦斯检测数据验证了该技术的有效性和准确性,为瓦斯传感器故障的在线诊断系统设计提供了参考。     

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。     

基于小波包和BP神经网络的滚动轴承故障诊断

基于Matlab平台,利用小波包技术对滚动轴承典型故障的振动信号提取特征值,再借助BP神经网络对特征值进行分类,经验证该方法能够准确识别故障。     

基于小波包与直接确定神经网络的柴油机故障诊断

系统论述了小波包分析在故障诊断中对信号的分解、去噪和重构,经过基函数神经网络可以很好地对信号进行诊断,最后用典型故障信号通过计算机仿真讨论该方法在柴油机故障诊断中的可行性。     

小波包神经网络在数控机床故障诊断中的应用

为了能够提高数控机床故障诊断的正确率,提出了小波包模糊神经网络方法对数控机床进行故障诊断,也提出了小波包分析提取特征向量的程序,利用小波包分析可以获得数控机床的特征向量,应用模糊神经网络对数控机床进行故障诊断.利用小波包模糊神经网络对数控机床常见的8种故障进行了诊断,证明小波包神经网络进行故障诊断的有效性.     

小波包-BP神经网络在采煤机滚动轴承故障诊断中的应用

针对采煤机在正常工作中经常发生轴承故障的问题,提出了小波包和BP神经网络相结合的故障诊断系统。即运用小波包的分解方法提取检测信号的故障信息作为BP神经网络的输入样本,经过训练的神经网络可对采煤机上轴承的工作状态进行诊断和分类。试验结果表明,此方法对轴承的常见故障可进行有效的识别和诊断,方法简单可靠。     

基于小波遗传神经网络矿用振动筛故障诊断分析

矿用振动筛长期受到反复荷载作用容易出现筛板松动变形、筛框梁开裂、激振器抱轴等故障,影响振动筛的正常使用。利用小波降噪技术能够提取出振动筛故障信号,由此判断故障类型,故障诊断效率较高。设计诊断系统的BP神经网络,介绍其网络结构、初始参数的设置和权值的训练方法,将小波遗传神经网络的诊断效果与小波神经网络进行对比,结果显示前者在诊断效率和诊断准确性上都有明显优势。     

基于小波神经网络的矿用主通风机故障诊断研究

通过小波包分析对通风机转子的振动信号降噪分解,提取各频带重构信号的能量作为故障特征向量,并以此当做BP神经网络的训练样本和测试样本,进行网络训练和故障模式识别。以MATLAB为平台,测试了网络对通风机常见故障类型的识别验证率,结果表明方法可行有效,有较高精度,为旋转设备故障诊断提供了新的思路。     

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。     

基于小波-神经网络的矿用通风机故障诊断研究

运用小波包频道能量分解技术提取了不同频带反映矿用通风机不同工作状态的特征向量，以此作为BP神经网络的故障样本，经训练的网络作为故障智能分类器可对通风机的工作状态进行自动识别和诊断．研究结果表明，小波包与神经网络相融合的故障诊断与识别技术发挥了两者的优点，是提取机械故障特征进行设备状态自动识别的有效方法．     

基于小波包预处理的神经网络故障模式识别的研究

基于小波包对信号的高分辨率分解和重构能力 ,把信号在不同频段上进行分解 ,提取各分量故障信号的特征 ,应用BP神经网络进行故障模式识别 ,并将这种方法用于齿轮故障模式识别 ,取得较满意的效果     

基于粗糙集理论的人工神经网络故障诊断系统

以粗糙集理论中的信息系统属性为主要工具 ,将复杂的RBF神经网络分层约简 ,剔除其中不必要的属性 ,构建了优化的粗集 -神经网络模型。通过对实例分析 ,使用该模型可以有效地减少输入层神经元个数 ,提高神经网络模型的学习效率和诊断的准确性 ,在故障诊断中有良好的应用前景     

基于小波包与SOM神经网络的截齿磨损状态识别

为实现采煤机截割过程中截齿磨损状态的实时在线监测,采用声发射传感器对不同磨损程度截齿截割时的声发射信号进行采集,采用小波包分析方法分析声发射信号不同频带能量的变化规律,建立能量值的样本空间,构建基于SOM神经网络的截齿磨损识别模型,实现对截齿不同磨损状态的在线监测。通过随机测试实验对截齿磨损状态识别模型进行验证,结果表明,基于小波包分析与SOM神经网络的截齿预测磨损状态识别模型识别精度较高,测试样本识别精度约95%。研究结果为准确识别截齿的磨损状态、提高采煤机的工作效率提供一种重要的技术手段。     

基于小波-支持向量机的矿用通风机故障诊断

运用小波包频道能量分解技术提取了不同频带反映矿用通风机不同工作状态的特征向量,以此作为支持向量机多故障分类器的故障样本,经训练的分类器作为故障智能分类器可对通风机的工作状态进行自动识别和诊断.并以不对中故障为例,进行了实用验证.研究结果表明,支持向量机在小样本情况下仍能准确、有效地对通风机的工作状态和故障类型进行分类.     

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     

基于神经网络的钻探事故类型判别模型研究

钻探孔内事故会造成严重的损失,若钻探设备能及时判断孔内事故类型,则可缩短事故处理时间,遏制事态发展。提出了一种基于神经网络的钻探事故类型判别模型。为了优选不同神经网络在事故类型判别时的正确率,在Matlab的nntool工具箱中分别构建了BP、RBF两种神经网络模型,将某矿区施工参数变化趋势作为输入参数,通过仿真试验发现,BP神经网络中表现最好的是LM、BR算法,RBF神经网络中表现最好的是PNN算法,三者准确率均可在90%以上,但BP神经网络容易陷入局部最优,性能不稳定,偶有判别错误的现象,而PNN神经网络无此局限,且不需要训练。通过对比,PNN算法更适用于事故类型判别模型建立。     

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。     

基于小波网络的风机振动故障趋势预测

采用小波网络方法,通过对矿井通风机关键特征参数振动烈度的时间序列预测,实现了其特征参数的故障预报.由于小波网络比一般神经网络具有更多的自由度,从而使其具有更灵活有效的函数逼近能力.小波神经元的良好局部特性和多分辨率学习实现了与信号的良好匹配,使得小波网络有更强的自适应能力、更快的收敛速度和更高的预报精度.     

基于自适应RBF人工神经网络的电牵引采煤机轴承故障诊断

将自适应RBF人工神经网络应用到电牵引采煤机轴承故障诊断 ,通过对轴承振动信号处理 ,证明此方法进行故障诊断具有及时性、准确性和灵活性