基于神经元网络的薄壁筒滚珠旋压成形缺陷诊断

作为一种连续局部塑性成形工艺,滚珠旋压被应用于制造高强度、高精度的纵向内筋薄壁筒形件.通过使用铝合金作为旋压材料,在实验的基础上分析了滚珠旋压过程中金属材料非稳定流动的基本原理及旋压件产生表面质量缺陷的原因.以人工神经元网络为基础,对旋压件的表面质量缺陷进行了预测.实验证明,神经元网络能够精确地诊断旋压件的表面质量缺陷.     

滚动轴承故障诊断数据库系统的设计与应用

针对滚动轴承故障特征频率难以获取的事实，本文利用PowerBuilder强大的数据库功能，设计出一套数据完整、查询维护方便的滚动轴承数据库系统，同时以实例说明该系统可广泛应用于设备状态监测、故障诊断和预知维修领域。     

基于ADASYN和Swin Transformer的滚动轴承故障诊断研究

针对实际工况下,正常样本丰富、故障样本稀缺的类别不平衡情形,导致基于深度学习的故障诊断模型诊断能力较差这一问题,提出一种基于自适应综合采样方法(ADASYN)和Swin Transformer的故障诊断模型。使用自适应综合采样方法,改善数据分布,解决实际工况中故障样本与正常样本类别不平衡问题;使用Swin Transformer网络模型代替CNN网络 ,并使用深度迁移学习方法,使Swin Transformer网络模型掌握判别滚动轴承故障所需的浅层权重,深层权重通过反向传播方法训练获得;之后,将模型用于轴承故障测试,并对其进行调试;最后,将模型用于轴承故障实测,检验其实际工况下的诊断能力。实验结果表明：所提模型具有97%的诊断准确率,能够很好地适用于类别不平衡情形下的滚动轴承故障诊断。     

基于神经网络对轴承故障的智能诊断

已知试验轴承的故障特征参数与非故障特征参数,采用何种方法对采自实际应用场合的轴承信号进行判断和处理是问题的关键.对比感知器网络和径向基函数网络对轴承的诊断结果,证明径向基函数网络具有较多的优越性,便于实际应用.     

基于小波奇异性检测技术的滚动轴承早期故障诊断研究

轴承早期故障的检测与诊断是实现安全生产、预防恶性事故的有效手段。用高精度加速度传感器采集轴承振动信号,采用小波软阈值降噪法剔除测试过程的噪声,提高采集信号的信噪比。基于小波变换奇异值检测技术,探讨了提取淹没在噪声背景中的早期故障特征的方法,同时指出了传统傅里叶变换的不足。研究表明,该方法是有效的,所提取的故障特征频率与理论计算的故障特征频率基本相同。研究结果为轴承早期故障检测与诊断提供了新途径。     

滚动轴承故障的声发射检测技术

介绍声发射信号技术的机理,研究用声发射检测滚动轴承故障的方法。把声发射信号与振动信号作对比,通过高通滤波后再进行包络解调,结果表明声发射信号可以较早地诊断出故障,抗干扰性好。而且经过信号处理之后,声发射信号分析的频率比较单纯,能够很简单地判断出故障部位。     

基于能量熵与SATCSSA-LSSVM滚动轴承故障诊断

为解决轴承故障特征不易提取,轴承故障的辨识效果不佳等一系列问题,提出基于改进自适应完整集成经验模态分解(ICEEMDAN)-自适应混沌麻雀搜索算法(SATCSSA)优化最小二乘支持向量机(LSSVM)的滚动轴承故障诊断方法.首先,通过ICEEMDAN对滚动轴承信号进行故障特征提取,产生多个本征模态函数分量,结合相关系数...     

基于神经元网络的Al-Mg-Si合金动态再结晶预测

利用Gleeble1500D热模拟实验机对Al-0.62Mg-0.73Si合金进行等温压缩实验,分析热变形参数(温度、应变速率、应变)对流变曲线特性的影响规律,并利用BP人工神经网络模型构建了合金热变形过程中动态再结晶行为动力学模型。实验结果表明:BP人工神经网络模型能够较好的描述Al-0.62Mg-0.73Si合金热变形时的动态再结晶行为,此外,通过对BP人工神经网络模型中不同隐含层节点数条件下的预测精度分析得到,当隐含层节点数大于等于9时,BP人工神经网络模型的预测效果最佳。本研究结果可用于优化Al-0.62Mg-0.73Si合金热变形工艺参数,并为全面地研究铝合金热变形行为提供理论依据。     

基于VMD-SPWVD-CNN的滚动轴承故障智能诊断

针对传统的故障诊断方法依赖经验进行人工提取特征的问题,基于变分模态分解(VMD)和平滑伪魏格纳分布(SPWVD)并结合卷积神经网络(CNN)提出了VMD-SPWVD-CNN模型用于滚动轴承故障诊断.首先,利用VMD对轴承振动信号进行处理,分解为多个具有不同中心频率的模态分量;其次,对信号的每个模态分量分别进行SPWVD...     

基于GPRS的远程状态监测与诊断系统设计

设备的远程状态监测和故障诊断技术是实现资源共享、提高故障诊断水平的重要途径。文章提出了一种基于GPRS技术实现远程状态监控与故障诊断系统的方法。在介绍GPRS数据通信技术原理和技术特点的基础上，阐述了基于该技术的远程状态监测与诊断系统的组成，分析了系统实现的关键技术，给出了部分技术难点的实现方法。实验表明，基于GPRS技术实现设备远程状态监测与故障诊断是可行的，具有一定的工程应用价值。     

人工神经网络在PLC控制系统故障诊断中的应用

详细介绍了一种新的PLC控制系统故障诊断方法。随着PLC应用越来越广泛，研究PLC控制系统故障诊断具有重大意义。文中首先对PLC控制程序结构、PLC控制系统故障进行了分析。然后将人工神经网络引入PLC控制系统故障诊断，提出了一种新的故障诊断方法。在文章最后，还给出了该故障诊断方法的应用实例。     

一种改进的BP神经网络在故障诊断中的应用研究

人工神经网络作为一个具有高度非线性映射能力的计算模型,在工程中具有广泛的应用前景.它不需要预选确定样本的数学模型,仅通过学习样本数据即可以进行故障诊断.本文结合计算机综合业务的一些实际问题,探讨了利用改进的BP神经网络进行故障诊断的方法和应该注意的问题,在分析神经网络的基础上提出了基于改进的BP模型神经网络的故障诊断推理方法.结果表明,基于BP神经网络的故障诊断方法是行之有效的.     

用BP神经网络实现PLC控制系统故障诊断

介绍了PLC控制系统故障诊断的BP神经网络方法。文中首先对PLC控制系统故障诊断模型、PLC控制系统故障特点进行了分析。然后详细介绍了用BP神经网络实现PLC控制系统故障诊断的过程，特别是故障诊断BP神经网络结构和故障诊断训练样本的确定方法。在文章最后，还给出了该故障诊断方法的应用实例。     

神经网络在复杂液压系统故障诊断中的应用

尝试将BP神经网络应用于液压系统的故障诊断,阐述了基于BP神经网络的故障诊断专家系统的基本结构及知识库组建的方法。结合工程机械液压系统,建立了适合复杂系统故障诊断的复合神经网络结构。该诊断系统具有知识库规模小、推理速度快、推理过程及结论明确等优点。     

基于风驱动优化BP神经网络的滚动轴承故障诊断

提出一种基于风驱动优化BP神经网络的滚动轴承故障诊断方法。把BP神经网络权值和阈值作为优化参数,利用风驱动算法对其进行优化,提高了神经网络的训练效率和准确率。对滚动轴承的振动信号进行处理,提取其时域特征、频域特征、FFT谱特征、功率谱特征、小波包络谱特征作为轴承的故障特征。经测试,优化算法的诊断结果正确,减小了BP网络的训练误差和测试误差,验证了风驱动优化BP神经网络用于滚动轴承故障诊断的有效性和实用性。     

基于免疫神经网络的数控机床故障诊断研究

针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出一种基于人工免疫算法优化BP神经网络(IMBP)的数据机床故障诊断算法。介绍了常见的数控机床故障类型和分类,阐述了人工免疫算法和BP神经网络以及人工免疫优化BP神经网络算法的工作流程。利用免疫算法的全局搜索性能先对神经网络权值和阈值进行全局优化,加快了BP算法训练过程的收敛速度,减少训练过程所需要的时间。通过仿真性能测试分析,结果表明:与BP、GABP和IMBP 3种算法对比,比BP神经网络算法的数控机床故障预测诊断提高了18.3%,比GABP神经网络算法提高了12.05%,提高了数控机床故障诊断精度。     

基于BP神经网络的SCARA机器人故障诊断

以SCARA机器人为研究对象,在ADAMS软件中建立SCARA机器人模型,进行仿真。采集SCARA机器人大臂前后端、小臂前后端及底座等容易出现裂纹部位的加速度数据;在MATLAB中运用BP神经网络建立SCARA机器人故障诊断模型,实现利用BP神经网络对SCARA机器人故障进行智能识别与分类。结果表明：BP神经网络的计算结果与期望输出基本一致,验证了其准确性及可靠性。     

基于小波包神经网络的轴承故障识别模型

针对传统故障特征提取过程复杂、诊断方案单一且准确性差等问题,提出了基于多阈值小波包和深度置信网络(DBN)的轴承故障识别方案。本文作者采用最优小波基函数和软硬阈值结合方法对原始振动信号进行三层分解降噪处理,得到8个从低频到高频段的信号成分,对其进行组合重构作为神经网络的输入样本;通过DBN在数据处理上的特征重构优势,建立了DBNBP神经网络的轴承故障识别模型,确定模型的各类参数。经多次实验,探究不同样本输入对模型识别率的影响,并与传统的浅层神经网络识别模型做对比分析,结果表明:经训练的DBNBP轴承故障识别模型可从原始数据、小波包分解信号实现轴承故障信号的准确特征学习和分类,结合识别率和诊断时间考虑,经小波包分解信号输入具有更优的诊断效率。     

虚拟环境下机床主传动系统故障诊断的仿真实现

本文介绍了用AutoCAD完成机床主传动系统三维实体造型，用Visual C ,Visual LISP等工具完成主轴箱轴承，齿轮，轴等部们在运行中出现故障时的立体动画，经压电晶体加速度传感器实时检测机床的振动信号，对这些信号进行分析（统计处理，频谱分析等），提取出故障特征，经人工神经网络，模糊决策及专家系统等手段进行决策，判断故障部位和程度，可在微机上直观地观察主轴箱在运行过程中，各故障具体部位及损伤程度的虚拟现实情况。     

基于改进邻域粗糙集与S_Kohonen神经网络的滚动轴承故障诊断研究

针对现有滚动轴承故障诊断技术中,存在输入属性冗余过多、故障识别率不高等缺点,提出了基于改进邻域粗糙集与S_Kohonen神经网络的故障诊断方法。由于传感器采集的故障信息大多为数值型数据且数据维数较大,文中引入邻域粗糙集理论并对基于邻域粗糙集的经典前向贪心算法进行改进,利用改进算法约简故障数据,大大减小了算法复杂度;对Kohonen神经网络进行改进,在其原有结构基础上添加输出层构成S_Kohonen神经网络,使其输出类别满足给定分类要求;分别采用前向贪心算法、改进算法约简故障数据,将约简前、后的故障数据分别输入S_Kohonen神经网络、BP神经网络识别滚动轴承故障状态,试验结果证明邻域粗糙集可有效消除属性之间的重复信息,改进算法提取故障属性信息更能反映故障状态的本质,S_Kohonen神经网络具有良好的故障识别能力,两者配合使用,改进邻域粗糙集——S_Kohonen神经网络模型具有很好的故障诊断能力。