基于小波理论变换和神经网络的柴油机故障诊断方法的研究

提出一种基于小波理论和神经网络技术的柴油机振动诊断方法,首先对柴油机的振动信号进行小波分析,提取相应特征向量,然后将振动样本的特征向量作为RBF神经网络的输入参数,以故障类别作为输出参数训练该网络。训练后的神经网络可以利用测量的振动信号来判断柴油机的故障状况。试验及仿真证明该方法在柴油机振动诊断中是有效可行的,对其它复杂机械的振动诊断同样具有参考价值。     

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RBF神经网络的柴油机故障诊断

神经网络模式识别的实时性和鲁棒性使得它成为故障诊断的常用方法.本文首先介绍了RBF神经网络的构成和特性,然后将柴油机的振动信号和油管压力信号作为特征参数,运用RBF神经网络对供油系统的3种故障进行诊断分析.实践表明,RBF神经网络用于多征兆机械系统的故障诊断是有效、可行的.     

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。     

基于神经网络技术的柴油机故障诊断

本文提出了一种新的柴油机故障诊断方法,利用柴油机表面振动信号经过小波包提取特征参数,然后由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,这一方法是可行和有效的。     

基于图像与神经网络的柴油机气门故障诊断方法研究

综合信号处理及模式识别理论,根据柴油机振动信号的特点,提出了一种柴油机气门故障诊断综合方法,详细阐述了将提取图像特征的神经网络法用于柴油机气门故障诊断的原理、过程以及故障分类。试验结果表明,该方法值得进一步研究。     

基于神经网络的柴油机燃烧系统故障诊断

根据柴油机在不同状况下燃烧过程中气缸的压力波动情况进行了模式分类。柴油机的缸盖振动与气缸的压力波存在一定的对应关系,但这种对应关系通常难以确定。作应用柴油机缸盖在爆发段的振动信号,经过Hilbert变换,然后应用小波的Mallat算法进行变换,取小波变换后的三阶近拟波形来模拟对应气缸内的压力波动,最后应用神经网络方法对变换后的信号进行燃烧状况的模式识别,给出诊断结果,为柴油机的故障提供了一种新方法。     

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。     

基于小波包与神经网络的柴油机故障诊断

针对柴油机缸盖振动信号的非平稳时变特点,提出应用小波包能量法提取故障特征向量,并将提取的特征向量作为BP神经网络的输入向量进行学习训练。训练后的神经网络可以利用测量的振动信号判断柴油机的气阀机构故障状况。实践证明该方法在柴油机振动诊断中是有效可行的,对其他设备的故障诊断也具有借鉴意义。     

基于小波包与神经网络的柴油机故障诊断

针对柴油机缸盖振动信号的非平稳时变特点,提出应用小波包能量法提取故障特征向量,并将提取的特征向量作为BP神经网络的输入向量进行学习训练。训练后的神经网络可以利用测量的振动信号判断柴油机的气阀机构故障状况。实践证明该方法在柴油机振动诊断中是有效可行的,对其他设备的故障诊断也具有借鉴意义。     

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。     

基于粗集理论的柴油机典型故障的磨粒识别

利用铁谱技术分析柴油机的典型故障,建立柴油机的典型故障与磨粒类型的关系,在此关系的基础上基于粗集理论确定典型故障模式识别的最优决策规则,通过试验结果验证了最优决策规则的准确性。为铁谱技术的智能诊断提供了依据。     

Chu空间下的粗糙集与证据理论结合进行内燃机诊断

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。借助粗糙集理论,剔除冗余成分,应可克服证据获取主观性和证据体相关性的缺陷。Chu空间理论提供了一种通用的代数框架,是用于诊断信息融合的一种新方法;针对此问题,研究了Chu空间表达下的粗糙集与证据理论可集成性,并提出了基于二者集成的故障诊断推理策略。柴油机的实际诊断结果验证了将粗糙集与证据理论相结合进行故障诊断的良好效果。     

基于粗糙集与支持向量机的发动机故障诊断研究

在提取发动机气门机构故障特征的基础上,提出了采用粗糙集和支持向量机相结合的故障诊断方法。首先,基于粗糙集理论对故障诊断决策表进行属性约简,然后在最优决策属性的基础上使用支持向量机分类器对故障进行分类。实际诊断结果验证了采用粗糙集与支持向量机相结合的方法对故障进行诊断的可行性与有效性。     

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Dempster-Shafer证据理论的柴油机故障诊断

在简述多传感器信息决策层融合暨Ｄｅｍｐｅｒ－Ｓｈａｆｅｒ证据理论的基础上,研究了决策层信息融合的实现方法和算法,利用柴油机表面振动信号与高压油路压力信号所提供的特征信息进行融合处理,使用决策规则对柴油机供油系统工作过程多种故障进行了诊断识别。通过分析、比较基于融合信息进行诊断识别的结果与单传感器信息诊断识别的结果,说明了多传感器信息融合的诊断识别方法具有良好的稳定性、精确性和容错性,能够有效地提高     

基于无损检测的柴油机状态监测与故障诊断

针对柴油机各组成部分的主要故障模式和无损检测的需求,确定了对柴油机整机技术状态进行监测的参数;以便携式工控机为核心,配以不同功用的传感器、信号调理电路以及多路数据采集卡,完成了柴油机在线故障诊断设备的硬件设计;分析了柴油机故障诊断的原理;通过对有关动态信号的采集、分析和特征参数提取,实现了对柴油机进行无损检测和故障诊断的功能。     

融合技术在柴油机故障诊断中的应用

导致柴油机同一故障的各相关检测信号使其融合，应用在神经网络故障识别系统中，可以快速，准确地诊断柴油机.主主要融合气缸振动信号，喷油信号及水温信号，设计了通过撮以信号持征值，应用神经网络识别系统诊断柴油机功率下降故障的方法。信号特征值分别按各自信号的特点提取，其中气缸振动信号以振动信号的各子带功率谱为特征，即在频域中选取特征；喷油信号以信号波形形状识别为特征，即在时域中选取特下；水温信号因其为慢速变化信号，取不同阶段的水温信号为特征。