基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。     

基于小波包和神经网络的柴油机气门故障诊断

通过调整柴油机不同气门间隙模拟故障,利用小波包分解算法对所采集柴油机缸盖表面的振动信号进行频带分解,以小波包频带能量百分比为特征向量,以同一工况下多次采样均值作为标准模式,通过改进BP神经网络实现了对柴油机气门间隙异常的故障诊断.     

基于小波包和BP神经网络的发动机故障诊断

本文通过对缸盖表面的振动信号进行小波包分解并重构,求出各分量的能量并归一化作为特征参数,输入到BP神经网络中进行诊断和识别。实验结果表明:基于小波包分解和BP神经网络的方法能够实现对发动机气门不同故障程度进行识别。     

基于小波包和SOM神经网络的车辆滚动轴承故障诊断

以车辆滚动轴承故障诊断模型为基础,针对其轴承的特点,提出了一种小波包分析和SOM神经网络相结合的故障诊断方法。将该方法应用于车辆滚动轴承的故障诊断中,经过大量实测数据的分析与验证,能够有效地诊断出轴承的故障类型,为旋转机械的动态监测和故障诊断提供了新的参考,具有重要的理论和实际工程应用价值。     

基于小波包分解和BP神经网络的轴承故障诊断

针对滚动轴承的故障诊断,提出了小波包分解与BP神经网络结合的诊断方法。对轴承振动信号进行3层小波包分解,构造其特征向量,输入神经网络进行训练和测试。Matlab仿真结果表明,该方法能有效地诊断出轴承的故障类型。     

基于小波包分析和Kohonen神经网络相结合的轴承故障诊断

简述了小波包分析及用于特征提取的机理,以SKF 6326-C3轴承为例,从吉林同发风电场采集了不同工况下的实时信号,利用小波包对滚动轴承振动信号进行分解,振动信号被分解到独立的频段。不同频带内的信号能量变化反映了运行状态的改变,提取各频带小波包能量谱,并对其进行能量归一化处理,作为特征向量,最后应用于基于Kohonen神经网络的故障诊断方法。经对大量实测数据的处理和分析,能够比较准确地诊断出轴承的故障。     

基于小波包能量神经网络的滚动轴承故障诊断方法

针对单一的信号处理诊断方法难以实现滚动轴承故障准确诊断的局限性,提出一种基于小波包能量神经网络相融合的滚动轴承诊断方法。搭建MPS-ICP滚动轴承振动信号的数据采集平台,利用小波包变换对滚动轴承内环、外环及滚动体的故障信号进行去噪、分解与重构,有效提取不同故障下各频段能量的故障特征。将提取的能量故障特征分别输入至建立的BP、RBF和Elman神经网络的诊断系统中,实验分析表明,三种神经网络都能较好的诊断电机滚动轴承的故障类型,且与实际滚动轴承的故障类型较吻合,但就诊断误差和时间综合而言,BP神经网络诊断系统更适合电机滚动轴承故障的检测。     

基于小波包特征向量与神经网络的滚动轴承故障诊断

基于故障轴承的特征提取,提出了将小波包分析与神经网络结合的滚动轴承故障诊断方法.对滚动轴承信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,试验结果表明,该方法能够有效地诊断出滚动轴承的故障类型.     

基于小波包和SOM神经网络的齿轮故障诊断仿真研究

鉴于齿轮振动信号非平稳的特征,提出用小波包分析和SOM神经网络相结合的新诊断方法。首先运用虚拟样机技术建立齿轮模型,模拟出各种故障,并提取出振动信号;然后用小波包分析提取能量特征,再用SOM网络对数据进行分类得到各种故障类型的标准样本,最后通过用待检测样本与标准样本进行对比分析得出诊断结果。仿真结果表明该方法对齿轮的故障诊断十分有效,对其他旋转机械的故障诊断和维修保养具有指导意义。     

基于小波包-神经网络的电厂发电机组故障诊断研究

电厂发电机组齿轮箱通常工作在高速高负载和润滑不良的恶劣环境中,研究对其工作过程的有效监测和故障诊断具有重要意义。针对齿轮箱故障信号的非平稳特征,提出了基于小波包分解和神经网络的故障诊断方法。以故障信号小波包分解后的能量信息作为输入向量,以BP神经网络作为分类器对其进行识别和诊断。通过对齿轮箱的正常工况、齿面磨损、缺齿和复合故障等4种类型的分析表明,提出的小波神经网络故障诊断方法可以识别齿轮箱的故障类型。     

基于小波包变换与神经网络的齿轮故障诊断方法

对齿轮箱故障诊断问题进行研究,由于齿轮的振动信号是非平稳信号,常规的齿轮特征提取方法难以从振动信号中提取有效故障特征信息。笔者采用小波包理论对齿轮振动信号应用db12小波进行多层分解后,从而对信号进行消噪,并对消噪后的信号进行小波包3层分解及系数重构,再次对各频段能量进行处理分析从而得到特征向量。最终应用归一化方法对特征向量处理后再结合RBF神经网络进行故障诊断,并且取得了良好的诊断效果。     

基于小波包能量谱-神经网络的液压泵故障诊断

针对利用振动信号进行液压齿轮泵故障诊断，介绍了振动信号的小波包能量谱分析，指出了振动信号的小波包能量谱分析可以进行齿轮泵故障模式的识别，研究了利用RBF网络对振动信号的小渡包能量谱进行模式学习和识别的方法，并建立了相应的RBF网络。试验表明小波包能量谱分析一RBF网络方法可对液压齿轮泵的常见故障进行识别和诊断。     

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。     

基于小波包和BP神经网络的机器人RV减速机故障诊断方法研究

针对工业机器人RV减速机机械故障难以预测和诊断问题,本文提出一种基于小波包和BP神经网络的智能诊断方法。通过声发射技术采集车间现场工业机器人RV减速机数据,对声发射数据进行三层小波包分解,提取各频段的能量作为特征向量,最终训练出BP神经网络模型。试验及现场拆解验证结果表明,该方法能有效地诊断出RV减速机轴承故障,对减少车间非正常停机和智能制造的推进都有着非常重大的意义。     

小波包和BP神经网络在齿轮箱故障诊断中的应用

研究如何采用处理非平稳性的实用方法以提高监测诊断效率及水平是国内外专家一直研究的课题之一。小波包技术将信号中不同的分量无冗余、无疏漏、正交地分解到独立的频带内,这些频带里的信号能量守衡,每个频带里信号的能量对于状态监测和故障诊断都是十分有用的信息。本文对齿轮箱振动信号应用小波包分解提取故障特征向量,进一步用特征向量训练前向传播BP人工神经网络,建立齿轮运行状态分类器,对齿轮故障进行识别。实验结果表明,本文方法对齿轮箱故障诊断十分有效。     

基于小波包分解和RBF神经网络的民机液压泵源故障诊断研究

液压泵源是民机液压系统的动力部分,对于民航飞机飞行的安全起着重要的作用。由于民机液压泵结构复杂,故障机理繁多,因此其故障诊断难以用常规方法实现。提出了基于小波包分解和RBF神经网络的民机液压泵源故障诊断方法。采集民机液压泵轴向和径向的振动信号,利用小波包分解将振动信号进行分解,得到的各频带信号的能量作为神经网络的输入。经过RBF神经网络的计算以实现民机液压泵源的故障诊断。     

基于小波包-模糊神经网络的发动机泵机组故障诊断

提出了利用小波包分解、神经网络和模糊诊断的方法进行发动机泵机组故障诊断;运用小波包频带能量分解,可以在不丢失振动信息的情况下降低信号的维数,提高神经网络的识别能力;运用了神经网络使故障诊断具有自适应、自学习能力,对发动机泵机组的各类故障进行分类和训练,得到了满意的效果.     

基于神经网络的汽轮机故障诊断分析

介绍了汽轮机故障分类及特征,提出了基于神经网络的汽轮机故障诊断方法,并对该方法进行了测试。结果表明,该方法能够提高模式识别效率,有效对汽轮机故障进行诊断。     

基于小波分析和神经网络的传感器故障诊断

结合多维度特征提取和故障识别方法,提出一种基于小波分析和神经网络的传感器故障诊断方法。运用小波变换模极大值特征提取方法和高频小波能量特征提取方法,在小波分解层数和小波类型两个不同维度对传感器信号进行特征提取,提取的特征矩阵具有序列特性。研究结果表明：特征矩阵相对于特征向量,对不同信号具有更明显的区分度;运用LSTM神经网络对传感器进行故障诊断,根据不同压力工况下的传感器特征数据集,训练针对不同压力工况的LSTM神经网络预测模型,提高了预测模型的泛化能力;对LSTM神经网络预测方法进行试验验证,基于预测模型对随机压力工况下发生的随机故障进行预测,预测准确率达到98.33%。     

基于小波包熵和ISODATA的滚动轴承故障诊断

针对滚动轴承不同振动信号各个频带的能量不同的特点,提出一种基于小波包熵（WPE）和ISODATA的集合型故障诊断方法（WPE-ISODATA）。文中对滚动轴承振动信号进行采样;利用小波包提取滚动轴承振动信号的能量特征并归一化运算,将归一化的能量特征作为振动信号的概率分布进行信息熵运算,提取滚动轴承振动信号特征;以信息熵作为ISODATA聚类算法的输入进行故障辨识。滚动轴承实验结果表明：基于小波包熵和ISODATA的集合型故障诊断方法鲁棒性好,可靠性高。