基于粗糙集与神经网络集成的内燃机故障诊断

鉴于粗糙集理论对于决策系统的约简处理能力以及神经网络的自组织聚类和非线性映射功能，提出了应用SOM的网络-粗糙集-BP网络集在进行故障诊断的方案：应用SOM网络离散化故障诊断数据中的连续属性值；基于粗糙集理论计算诊断决策系统的约简，根据实际需要确定最优决策系统，在量优决策系统的基础上设计BP网络进行故障诊断，柴油机的实际诊断结果验证了将神经网络与粗糙集理论相结合进行故障诊断的可行性，在数据充分的条件下，该方案可以推广应用于其它机械设备。     

基于模型和神经网络的转子故障诊断方法

通过建立转子的理论模型仿真转子不平衡故障,从而提供给神经网络训练数据,再利用训练好的网络自动识别故障。仿真结果表明,基于转子理论模型、信号检测和神经网络的集成诊断方法,不仅可以有助于理解故障的物理意义,而且可以定量识别故障。     

基于粗糙集的转子裂纹故障诊断研究

针对诊断转子裂纹故障时出现的许多不确定性的信息,信息的重要度不同以及冗余等问题,提出了一种基于粗糙集的裂纹故障诊断方法.利用粗糙集相对约简的不唯一性和不确定知识的表达能力,将诊断转子裂纹的相关特征参数进行模糊化及离散化处理,构建故障决策表.对故障征兆参数进行约简,去除冗余信息,求出集合的正域.根据依赖度和重要度关系,求出集合的核,作为诊断转子裂纹故障的规则,简化了诊断过程.实例表明,该方法能较大的提高转子裂纹故障诊断的效率和可靠性.     

基于粗糙集理论的内燃机气阀故障诊断研究

在内燃机神经网络故障诊断系统的基础上 ,引入粗糙集理论 ,对其在内燃机故障诊断特征参数属性优化中的运用进行了探索。利用可辨识矩阵算法对决策表进行属性约简 ,剔除其中不必要的属性 ,揭示了故障诊断条件属性内在的冗余性 ,降低了神经网络构成的复杂性。最后给出了属性约简的结果。     

基于粗糙集和神经网络的柴油机故障诊断

介绍了粗糙集理论的核心内容和ROSETTA软件的特点,给出了基于粗糙集理论的柴油机缸盖振动信号的故障诊断系统。以某型号大功率柴油机为例,首先将提取的缸盖振动信号经过小波包消噪和时域、频域分析,构造出用于故障诊断的特征值,然后应用ROSETTA软件约简特征属性,最后通过神经网络进行故障模式分类。通过对比ROSETTA软件处理前后神经网络的输出结果,表明粗糙集理论能优化特征属性,有效地减少神经网络的输入节点数,提高故障分类的准确率。     

基于神经网络的内燃机故障诊断

提出了一种新的柴油机故障诊断方法,利用柴油机润滑油的参数监测搜集润滑油的相关数据,用BP神经网络进行故障诊断。实验研究和计算机模拟的结果表明,这一方法是可行的。     

基于小波能量熵和粗糙集的振动故障诊断研究

通过对不同振动故障信号进行小波包分解,得到若干个小波分解系数,进而从中获得各小波系数能量,并以此为特征进行基于粗糙集理论的特征约简分析,根据约简后生成的诊断规则对故障样本进行诊断,在确定故障的基础上,通过小波能量谱熵来衡量故障严重程度.实验结果显示通过基于粗糙集理论的RSES软件实现故障诊断准确率较高,同时能量谱熵参数可以在一定程度上衡量故障程度.     

基于粗糙集理论的柴油机神经网络故障诊断研究

介绍了粗糙集理论的核心内容 ,给出了基于 kohonen神经网络的连续属性值离散化方法。应用粗糙集理论对反映柴油机运行工况的特征参数进行了属性简化 ,剔除了不必要的属性。研究了 RBF神经网络故障诊断模型及学习规则 ,给出了基于粗糙集理论的 RBF神经网络故障诊断原理和步骤。通过对柴油机供油系统柱塞磨损故障的自动分类和诊断 ,表明该系统能有效地减少神经网络的输入节点数 ,克服了神经网络规模过于庞大及分类识别速度慢等缺点。     

基于图像处理与神经网络的内燃机故障诊断研究

在提出应用图像处理进行故障诊断的基础上,探讨了利用内燃机振动信号产生图像的方法。在对振动信号进行重抽样处理的基础上,实现了振动信号的灰度图像表示,从缸盖振动信号的灰度图像中提取图像特征并对图像特征进行模糊化处理,设计神经网络分类器,实现了对气阀机构故障的诊断与分类。     

基于局域波-粗糙集-神经网络的故障诊断方法研究

提出了一种基于局域波-粗糙集-神经网络的智能故障诊断方法。首先通过局域波法进行故障特征提取,获取能够反映设备运行状态的由局部能量组成的特征向量;接着应用粗糙集理论对样本特征参数进行属性约简,去除冗余信息,获取最优的决策系统;最后根据最优决策系统来构造RBF神经网络,并进行故障诊断。以柴油机缸套活塞磨损故障为例,详细说明了基于粗糙集-局域波-神经网络的故障诊断方法的原理和步骤。诊断结果证明了此方法的有效性。     

基于证据理论与粗糙集集成推理策略的内燃机故障诊断

证据理论是处理不确定性问题的有效工具,但其依赖专家知识提供证据,并要求各证据体相互独立,致使实际应用困难。针对此问题,提出了证据理论与粗糙集(Rough Sets)集成的方案:基于系统聚类的方法对特征数据离散化;基于变精度粗糙集条件熵的方法对决策表约简;约简后各条件属性作为证据并计算基本可信度分配;利用证据理论组合规则对各证据进行合成及决策。柴油机的实际诊断结果验证了将证据理论与粗糙集相结合进行故障诊断的良好效果。     

基于奇异值理论与神经网络的内燃机失火故障诊断研究

对多缸内燃机的气缸爆发噪声信号进行平稳小波分解,取部分分解系数组成包含矩阵。该包含矩阵加强了气缸爆发噪声信号在气缸爆发频率所在频段的信息。利用奇异值理论提取包含矩阵的奇异值作为气缸爆发噪声信号的特征。将奇异值作为改进的BP神经网络的输入对神经网络进行训练和故障识别。研究结果表明,该方法可有效地诊断和识别多缸内燃机失火故障。     

基于ARMA及神经网络的汽轮机振动故障诊断研究

根据Bently实验台所采集的碰摩、松动、不对中、不平衡4种典型的汽轮机转子振动故障水平方向与垂直方向的数据所建立的汽轮机转子振动故障序列自回归滑移平均(ARMA)模型,由ARMA模型参数计算自谱函数值,建立汽轮机转子振动故障时间序列的自谱函数图谱。对不同类故障所建立ARMA模型的自谱函数图谱分析表明:故障征兆信息较明显,有较好的故障区分度。另外由于ARMA模型的特征向量浓缩了原时间序列信号的全部信息,对ARMA模型的特征向量参数利用多节点输入双隐层BP神经网络完成p维欧氏空间到二维欧氏空间的非线性映射,对汽轮机转子振动故障状态进行诊断。诊断结果表明:对应故障类型的ARMA模型样本通过训练后的神经网络在二维欧氏空间中能较好地对故障进行分类,同类故障的检验样本与目标函数值在欧氏空间具有最小距离,表明基于ARMA模型的二维欧氏空间双隐层神经网络故障诊断方法有较高的故障辨识能力。     

基于HVD的振动故障诊断方法研究

由于旋转机械振动信号具有非线性、非平稳性,为了准确诊断故障,介绍了一种基于希尔伯特振动分解(Hilbert Vibration Decomposition,HVD)的振动信号时频分析方法,并在此基础提出了HVD边际谱和时频三维谱用于振动信号的进一步分析。通过与经验模态分解(Empirical Mode Decomposition,EMD)方法对比发现,HVD方法克服了模态混叠和幅值失真缺陷,具有更高的分解精度,而且其边际谱和时频三维谱更加清晰地展示出信号各频率的变化情况。对仿真信号及转子实际振动信号进行实验研究,清晰地展现了故障特征,取得了良好的分析效果,证明了HVD方法及其边际谱、三维谱在处理非线性、非平稳问题上的有效性。     

基于神经网络的内燃机排放预测方法的研究

抛开数学建的模式,尝试把神经网络方法引入内燃机的排放性能预测。该方法的预测精度不依赖于研究对象的数学模型,不需要复杂的数学演算,方法简便,以进气成分变化对柴油机排放性能的影响为例进行了探索,经过试验验证,证明了该方法的可行性。     

基于神经网络的内燃机活塞-缸套磨损的故障诊断

分析了BP算法。在MATLAB环境下以改进的BP网络为识别模型对内燃机活塞-缸套磨损的几种故障进行分类训练,并应用待识别的故障样本识别仿真。结果表明,该方法在活塞-缸套磨损诊断中是行之有效的。     

基于改进弹性BP算法神经网络转子故障诊断

为精确诊断转子故障,以转子故障模拟实验台的实测数据为研究对象,采用基于小波包能量特征向量提取的信号特征值作为网络的学习样本,采用改进弹性BP算法训练网络研究转子的振动状态。为神经网络在转子故障诊断领域更深入广泛的应用提供可参考的思路和方法。     

基于瞬时转速和双谱的内燃机故障诊断研究

首先对双谱分析和瞬时转速信号的特点进行分析，测量6135柴油机在正常、轻微故障和严重故障三种状态下的瞬时转速，分别计算其双谱，得到了具有明显区别的双谱幅值图；通过计算双谱对角切片，可以容易且有效地识别故障的存在；进一步分析双谱相位信息，可以确定单缸断油时的故障缸位置。根据瞬时转速的双谱特征进行故障诊断，故障特征明显，诊断效果良好。     

内燃机整机振动神经网络自适应主动控制技术研究

建立了一种发动机一汽车振动模型,利用神经网络自适应主动振动控制与机械被动控制相结合的方法,通过自适应控制算法,在控制过程中自动调整、修改和完善控制参数,从而达到了最佳的控制效果。应用MATLAB语言编程仿真表明：设计的神经网络自适应控制系统的振动控制效果优于机械被动隔振和半主动隔振（PID与模糊控制）,而且对振动环境的自适应能力强,有很强的鲁棒性和很好的减振效果。     

基于虚拟仪器和神经网络的汽车发动机故障诊断方法的研究

针对发动机电控系统故障的多样性和复杂性特征,为了便于汽车检修人员更便捷的检测出故障的原因,现研究一种基于虚拟仪器和人工神经网络相结合的汽车发动机电控系统故障诊断的新方法。利用虚拟仪器技术,可方便地对电控发动机运行状况进行数据采集,配合神经网络系统,能对采集的数据作实时有效的分析,直接给出故障诊断结果。通过对文中采集的数据进行分析,证实了方法的有效性和可行性。