柴油机故障诊断的局域波神经网络方法研究

针对柴油机表面振动信号的非平稳性，采用局域波法对其进行有效分解获得多个局域波分量，这些分量有效降低了信号的非平稳性，并且包含着原始信号瞬时频率和模糊频带的双重特征信息。然后以局域波分量的特征参数为输入对RBF神经网络进行训练学习，形成网络。这种方法增强了内燃机故障诊断的可靠性和精确，并在实际柴油机故障诊断中得到了有效地应用。     

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。     

局域波自回归谱及其在柴油机故障诊断中的应用研究

论述了信号局域波分解理论和方法，并结合时间序列分析，提出了适合于柴油机表面振动非平稳时变信号分析的新方法——局域波自回归谱(LW-AR)法。在柴油机的故障诊断中，该方法能够表达出非平稳信号的模糊频带和瞬时频率双重信息，为解决柴油机故障诊断的一些难题提出了新的思路，并通过诊断实例给予了验证。     

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。     

局域波关联维数在柴油机故障诊断中的应用研究

根据局域波分解理论，分析了信号经局域波分解后所得各内蕴模式分量的特性，提出了用各分量的关联维数来描述柴油机的工作状态。研究结果表明：在相同工作状态下，同一模式分量有相近的关联维数，而在不同状态下则关联维数明显不同，故关联维数可用于故障的特征提取，通过仿真分析和对6BB1型车用柴油机的故障诊断结果表明了该方法的有效性和工程实用性，从而为柴油机的状态监测与故障诊断提供了一种有效途径。     

基于模糊c-均值-粗糙集-自适应模糊神经网络推理系统集成的故障诊断

考虑模糊聚类的数据离散功能，粗糙集理论对决策系统的约简能力，以及模糊神经网络在模式识别方面具有的优势，提出了模糊c-均值(FCM)—粗糙集—白适应模糊神经网络推理系统(ANFIS)集成进行故障诊断的方案：首先，应用FCM聚类方法离散故障诊断数据中的连续属性值；然后，基于粗糙集理论计算诊断决策系统的约简，按照实际需要确定诊断条件；最后，根据系统约简设计ANFIS进行故障诊断。4135柴油机的实际诊断结果验证了文中提出集成故障诊断方案的可行性。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。     

局域波法在转子系统多故障监测中的应用研究

局域波法是基于信号局部特征,通过该方法可得到信号的瞬时频率和构成能量－时间－频率三维分布的Hilbert时频谱。用局域波法分析了转子系统出现裂纹和磁摩故障耦合时的振动特征,结果表明局域波特别适合分析非线性非平稳信号,能清晰地描述振动信号的时频特征,为工程实际中转子系统的故障监测和诊断提供依据。     

基于异构粗糙神经网络集成的故障诊断研究

将粗糙集与神经网络集成相结合,提出一种基于异构粗糙神经网络集成进行故障检测的方法。首先利用粗糙集的属性约简能力,从给定数据集中去除冗余信息;然后基于负相关学习理论构造多个异构成员神经网络,最后组合多个训练好的异构神经网络进行故障诊断。该方法不仅显著提高了神经网络的泛化能力,而且无需预先确定神经网络的拓扑结构,简单易用。设计了四种不同的诊断器在柴油机供油系统的标准样本集上进行的诊断测试实验,结果表明,基于异构粗糙神经网络集成的故障诊断方法具有最好的诊断正确率。     

基于粗糙集理论的旋转机械故障诊断方法

粗糙集理论是一种新的数据分析和处理方法，使用粗糙集理论可以对决策表进行简化，去除冗余属性。该文针对旋转机械故障诊断问题，计算旋转机械振动故障数据库中的频域征兆，使用粗糙集理论对其进行约简，根据约简的结果生成规则。利用得到的规则对故障样例进行诊断。结果表明：使用粗糙集理论可以在保留分类能力不变的前提下，去掉诊断中的不重要的要素，保留重要的要素，从而可以简化对诊断信息的需求。对故障样例的诊断结果也表明：得到的规则基本上是可信的。表5参8     

基于粗糙集与证据理论的凝汽器故障诊断研究

针对凝汽器故障诊断问题,提出了一种基于粗糙集和证据理论相结合的故障诊断方法。利用粗糙集相对约简的不唯一性,对凝汽器故障征兆进行分类,形成不同的证据来源,既实现了证据理论对于同一事物要求有不同的证据来源的要求,又对故障征兆参数进行了降维处理,减小了网络的规模,有效缓解了由于输入参数过多给网络带来的收敛困难问题。该诊断方法将粗糙集、神经网络和证据理论有机地结合在一起,使三者优势互补,充分利用了凝汽器故障征兆的冗余、互补信息。实例证明,基于多故障诊断网络信息融合的诊断识别准确性和可靠性比基于单一故障诊断网络的诊断识别有较大的提高。     

基于优化PSO-RBF的柴油机故障诊断方法

针对传统RBF算法收敛速度慢,易于陷入局部极值的问题,提出了一种经优化的粒子群算法PSO,对RBF神经网络粒子群的改进参数、权值线性递减参数和标准参数进行训练寻优,构建出最优PSO-RBF神经网络,并将其用于柴油机的故障诊断预报。对MAN B&W 6L23/30H柴油机三种不同工况下第一缸试验参数的训练表明:改进的PSO-RBF神经网络在柴油机故障诊断中判别率更高,故障诊断的准确性与可靠性得到提高。     

基于粗糙集约简的信息融合故障诊断研究

提出一种基于粗糙集约简的神经网络信息融合故障诊断方案。该方案利用粗糙集理论对诊断决策表进行属性约简，根据约简构造诊断子神经网络群，采用信息融合的方法处理神经网络输出结果。该方案能够缓解神经网络诊断中网络学习收敛问题，并且可有效利用决策表的冗余信息，在个别征兆信号受到干扰或发生错误时仍能正确诊断，使诊断方案具有较强的健壮性。     

基于PCA-PNN算法的柴油故障诊断研究

为了实现柴油机智能化故障诊断,提出一种基于PCA-PNN算法的柴油机故障诊断方法。该方法兼具主成分分析（principal component analysis, PCA）法降低数据维数和概率神经网络（probabilistic neural network, PNN）法计算速度快、容错率低、稳定性好的特点。利用AVL BOOST软件建立柴油机仿真模型,并进行有效性验证,采集包含12个柴油机故障特征参数的195组样本数据集。故障诊断试验表明：PCA-PNN柴油机故障诊断算法简洁、易于推理,诊断准确率为94.87%、运行时间为0.673 s,准确率更高、诊断速度更快,为探索柴油机智能化故障诊断提供新的技术路径。     

基于数据融合技术的凝汽器故障诊断研究

为了实现对核动力装置凝给水系统故障的识别和准确诊断,将数据融合技术应用于凝汽器故障诊断中,建立了BP神经网络和D-S证据理论融合的故障诊断模型,仿真实验证明该诊断系统可有效地提高诊断可信度,减少诊断的不确定性.     

基于神经网络信息融合的发动机失火故障诊断

对发动机气缸失火故障进行实车模拟试验,测量了发动机的机体振动信号及瞬时转速信号,并对其进行了时、频域分析.通过小波分析方法提取了振动信号能量特征,通过复杂度分析方法提取了转速信号的复杂度特征用于故障诊断.根据多传感器信息融合理论,建立了集成神经网络信息融合模型对气缸失火故障进行了诊断.结果表明,发动机机体振动能量特征和转速复杂度特征能够反映气缸失火现象,基于发动机振动和转速信息融合进行气缸失火故障诊断,诊断可靠性较高.     

基于不完备数据的汽轮机组故障诊断的粗糙集方法

通常从不完备数据中获取规则要比从完备数据中获取规则困难，为了在故障诊断信息不完备的情况下提取简单有效的诊断规则，提出了一种从不完备数据中获取确定和不确定诊断决策规则的粗糙集方法。以某汽轮发电机组振动故障为例给出了该方法的具体实现过程，并验证了该方法的有效性。