改进BP网络在旋转机械故障诊断中的应用

ＢＰ神经网络在旋转机械故障诊断中得到了广泛应用，但是实践中发现，ＢＰ网络的联想能力有限，特别是对于多故障情况。本文对此进行了改进，提出了一种新型ＢＰ网络模型。新模型增加了输入、输出层间的部分连接，大大提高了ＢＰ网络的联想能力，特别适用于象旋转机械这类复杂系统的故障诊断。     

基于BP神经网络的高压断路器故障诊断

为诊断与分析高压断路器故障, 本文提出了基于BP神经网络的高压断路器故障诊断方法。该方法利用高压断路器典型分合闸线圈电流-时间曲线, 能反映其机械故障状况的特点, 将仿真输出数据与故障编码比较获得诊断结果。该方法只需一组完整的故障数据作为网络的训练和测试输入, 就能够诊断出高压断路器操动机构是否出现异常情况, 以及确定出现故障的类型。本文以MATLAB2014b为试验平台, 用实际数据作为训练样本和测试样本进行仿真分析, 其输出结果与期望输出一致, 验证了该方法是一种有效的高压断路器故障诊断方法, 具有广阔的应用前景。     

包装机械神经网络专家系统故障诊断新方法

首先介绍了包装机械中的裹包机在生产中常出现的故障诊断技术的基本内容，然后指出了单纯基于数据处理的各种传统诊断方法和一般专家诊断方法的缺点，进而探讨神经网络专家诊断方法的缺点，进而探讨神经专家系统故障诊断方法用于系统故障诊断的基本原理，结构具有自学习等优越性，并概括介绍了包装机器人神经网络专家诊断系统以及它的功能，特点及其模拟。     

神经网络智能综合监测诊断系统研究

针对机械故障智能诊断的特点,研究了用于故障智能诊断的神经网络结构的确定,提出了集成神经网络的建立方法。在此基础上,研制开发了智能自动诊断系统,应用风机故障诊断特例说明了该系统的实用性。     

旋转机械故障诊断中的神经网络改进算法研究

就ＢＰ神经网络学习收敛速度慢和易出现局部最小点的不足，采用了自适应学习率和绝对误差等距离逼近方法，引入了控制因子常数，就控制因子常数，惯性因子常数以及隐层单元数对网络收敛迭代次数的影响进行了研究。并将改进算法应用于旋转机械故障诊断中。     

基于深度学习的列车轴承故障诊断研究

作为列车运行的重要部件,轴承的健康状态是决定列车安全运行的重要因素。轴承的故障诊断一直是行业研究热点。本文针对传统模型提取特征不足、特征信息丢失严重、模型准确率低以及分析识别时间长等问题,结合胶囊神经网络的特征结构,提出了基于深度学习的列车轴承故障诊断研究方法。模型以凯斯西储大学的轴承故障数据为数据集。改进后的神经网络模型在识别准确率、识别速度方面均有提升,本文算法具有一定的先进性。     

基于模糊数学的故障诊断专家系统的设计和实现

分析了故障诊断中故障现象与原因之间存在的模糊关系，引入模糊数学理论，利用VisualC 程序语言设计和实现了模糊诊断专家系统。     

设备故障诊断中的模糊逻辑知识表示

基于旋转机械故障特征，提出一种利用模糊逻辑表示故障诊断知识的方法。着重讨论其工作原理和实现方法。     

改进BP网络在旋转机械故障诊断中的用

ＢＰ神经网络在旋转机械故障诊断中得到了广泛应用，但是实践中发现，ＢＰ网络的联想能力有限，特别是对于多故障情况，本文以此进行了改进，提出了一种新型ＢＰ网络模型，新模型增加了输入、输出层间的部分连接，大大提高了ＢＰ网络的联想能力，特别适用于象旋转机械这类复杂系统的故障诊断。     

神经网络技术及其在旋转机械故障诊断中的应用

人工神经元网络模型是由大量的简单计算单元广泛相互联接而成的一个非线性动力学网络系统,它以高度的并行分布式处理、联想记忆、自组织及自学习能力和极强的非线性映射能力,在众多的领域里显示了广阔的应用前景。本文从模式识别的角度,论述了神经元网络技术及其在旋转机械故障诊断中的应用,就神经元网络结构及其所能形成的模式分类决策区域作了较为详尽的阐述,并与传统的模式识别技术作了比较。最后在振动频谱波形特征的基础上,就旋转机械中五种典型故障模式,用感知器网络进行了试验研究和分析。结果表明,人工神经元网络技术对于高维空间模式识别及非线性模式识别问题,具有较强的分类表达能力。作为一种新的自适应模式识别方法,神经元网络技术能够有效地解决故障诊断中较为复杂的状态识别问题。     

基于神经网络的智能诊断

人工智能与诊断理论的结合形成了智能诊断,早期发展的模拟人脑思维推理的、基于知识的专家系统以串行运行的格式进入设备诊断领域,形成了基于知识的诊断推理专家系统,国内外已有许多成熟的商品化软件系统。近几年新发展起来的人工智能的一个分支－－人工神经网络模仿人脑物理结构以其强大的并行运算和联想能力非常适合于设备诊断中状态识别,本单位研制的通用型神经网络智能诊断系统,已达到商品化水平,并已在生产线上运行。     

Wear Fault Diagnosis of Machinery Based on Neural Networks and Gray Relationships

1　ＩｎｔｒｏｄｕｃｔｉｏｎＩｎａｌｌｆａｕｌｔｓｏｆｅｑｕｉｐｍｅｎｔ,ｔｈｅｒａｔｅｏｆｗｅａｒｆａｕｌｔｉｓｅｍｉｎｅｎｔ[1] ,ｅｓｐｅｃｉａｌｌｙｉｎｒｅｃｉｐｒｏｃａｌｍａｃｈｉｎｅｓ.Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｓｔａｔｉｓｔｉｃｓ,ｉｎａｌｌｆａｕｌｔｓｔａｋｉｎｇｐｌａｃｅｉｎｄｉｅｓｅｌｅｎｇｉｎｅｓｕｓｅｄｉｎｍｉｎｅｓ ,ｔｈｅｒａｔｅｏｆｗｅａｒｆａｕｌｔｉｓｏｖｅｒ 50 % .Ｔｏｔｈｅｄｉａｇｎｏｓｉｓｏｆｔｈｅｓｅｆａｕｌｔｓ,ｔｈｅｅｆｆｅｃｔｉｖｅｍｅｔｈｏｄｉｓｔｏｕｓｅ…     

基于椭球单元网络的旋转机械多故障同时性诊断

阐述了椭球单元（ＥｌｉｐｓｏｉｄａｌＵｎｉｔ）网络的原理及其结构，研究了网络权重初始化方法和网络的训练算法，借助这种高阶网络泛化的有界性，针对大型旋转机械多故障同时性诊断问题，构造了一种由多个子网络组成的分级诊断网络（ＨＤＡＮＮ）。测试结果表明：用基于椭球单元网络的ＨＤＡＮＮ网络分级诊断策略解决大规模故障诊断问题是合理有效的，且具有较高的诊断精度，可用于旋转机械工况实时监测和诊断场合。     

Fault Diagnosis in Multivariate Control Charts Using Artificial Neural Networks

Most multivariate quality control procedures evaluate the in‐control or out‐of‐control condition based upon an overall statistic, like Hotelling's T². Although T² is optimal for finding a general shift in mean vectors, it is not optimal for shifts that occur for some subset of variables. This introduces a persistent problem in multivariate control charts, namely the interpretation of a signal that often discourages practitioners in applying them. In this paper, we propose an artificial neural network based model to diagnose faults in out‐of‐control conditions and to help identify aberrant variables when Shewhart‐type multivariate control charts based on Hotelling's T² are used. The results of the model implementation on two numerical examples and one case of real world data are encouraging. Copyright © 2005 John Wiley & Sons, Ltd.     

Artificial Neural Networks in Mechanical Fault Diagnosis

ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓｉｎＭｅｃｈａｎｉｃａｌＦａｕｌｔＤｉａｇｎｏｓｉｓ★ＴｏｎｇＳｈｕｒｏｎｇＣｈｅｎＫａｉＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙＸｉ’ａｎ７１００７２Ｐ．Ｒ．ＣｈｉｎａＺ...     

旋转机械振动故障诊断的一种模糊神经网络方法研究

介绍了一种基于多层感知器的模糊神经网络分类器，并针对其在旋转机械故障诊断中的应用，研究了网络构造过程中输入和输出模糊化的问题。文中利用振动频谱特征就旋转机械中几种典型的故障模式，采用模糊神经网络方法作了识别，且将其与传统的ＢＰ网络及模糊诊断方法进行了比较。研究结果表明：将模糊神经网络方法应用于旋转机械工况识别是有效的，它在处理分类边界模糊的数据时比传统的ＢＰ网络和模糊诊断方法具有更大的优越性。     

基于灵敏度预分类的BP神经网络故障诊断方法

故障特征信息的获取和处理对电路故障的可靠分类和准确诊断有很大的影响．在电路故障诊断时,对于不同的故障模式,存在信息混叠的现象,需要解决特征信息的有效提取和故障的可靠分类等问题．为此,本文提出了一种结合灵敏度特性分析的BP神经网络故障诊断方法．基本思想是通过灵敏度的计算,对电路故障样本作预分类,再根据电路灵敏度的计算结果分别提取相应特征信息,以此构造故障样本特征集,然后作为BP神经网络的输入对网络训练,并进行故障诊断．对滤波器的仿真结果表明,该方法能分类不同的元件故障,且对模拟电路故障诊断的平均正确率优于传统方法．     

Wavelet Transform and Neural Networks in Fault Diagnosis of a Motor Rotor

In the motor fault diagnosis technique,vibration and stator current frequency components of detection are two main means.This article will discuss the signal detection method based on vibration fault.Because the motor vibration signal is a non-stationary random signal,fault signals often contain a lot of time-varying,burst properties of ingredients.The traditional Fourier signal analysis can not effectively extract the motor fault characteristics,but are also likely to be rich in failure information but a weak signal as noise.Therefore,we introduce wavelet packet transforms to extract the fault characteristics of the signal information.Obtained was the result as the neural network input signal,using the L-M neural network optimization method for training,and then used the BP network for fault recognition.This paper uses Matlab software to simulate and confirmed the method of motor fault diagnosis validity and accuracy.     

集成小波神经网络在故障诊断中的应用研究

以非线性Morlet小波基作为激励函数,形成神经元,结合小波变换与神经网络各自的优点,建立集小波分析与神经网络于一体的紧致型小波神经网络,并给出了具体的算法。基于信息融合技术的思想,从设备故障诊断的实际出发,建立了基于信息融合技术的集成小波神经网络故障诊断系统,即通过故障特征信息的有效组合,用各种子小波神经网络从不同侧面对设备故障进行初步诊断,然后对诊断结果进行决策融合。给出了系统的实现策略和子网络的组建原则。从诊断实例中可以看出,此诊断系统充分利用各种特征信息,可以有效的提高确诊率。