一种基于模糊神经网络的非线性系统故障诊断方法研究

提出了一种基于模糊神经网络的非线性系统故障诊断方法．利用模糊C-均值聚类法对测量空间进行分割，再利用模糊规则对分割后的子空间分别采用BP网络进行逼近，从而获得不同子空间故障输出与测量输入的非线性动力学特性．计算机仿真表明该网络具有良好的泛化性能，方案可行．     

一种基于EMDFICA-CNN的滚动轴承故障诊断方法

针对滚动轴承故障信号信噪比低、特征学习效率低、诊断模型结构复杂等问题,提出一种基于经验模态分解快速独立成分分析(Empirical mode decomposition fast independent component analysis,EMDFICA)与卷积神经网络(Convolution neural netw...     

一种基于样本熵的轴承故障诊断方法

运用非线性动力学参数样本熵作为特征,对轴承正常、内圈故障、滚动体故障、外圈故障四种工况的振动信号进行分析识别。针对利用原始振动信号的样本熵只能在一个尺度域进行分析,无法准确区分轴承运行状况的问题,提出一种基于集成经验模式分解与样本熵的轴承故障诊断方法。首先利用集成经验模式分解方法将原始振动信号分解为有限个内蕴模式分量,从中选取包含故障主要信息的前几个内蕴模式分量的样本熵作为特征,然后利用支持向量机进行轴承故障诊断,这样可以在多个尺度对轴承信号进行分析,提高了轴承故障诊断的准确率。通过轴承故障实测信号的诊断实验,证明了该方法的可行性和有效性。     

一种机械设备故障诊断的FD-Transformer方法

随着机械设备故障诊断技术的发展,利用深度学习技术判断设备故障类型越来越引起人们重视。目前,基于注意力机制的Transformer模型有着优于卷积神经网络(convolutional neural network, CNN)的特征提取能力且在自然语言处理及计算机视觉领域都得到成功的应用。该研究提出一种用于机械设备故障诊断的Transformer方法(fault diagnosis-Transformer, FD-Transformer)。首先,对原始振动信号利用Dropout技术进行数据增强,提高模型的泛化能力;然后,利用多通道一维卷积进行数据处理并得到矩阵形式;接着,利用Dense连接的Encoder结构进行机械设备的故障特征提取;最后,利用分类模块得到故障诊断结果。分别采用变转速轴承数据和轮对轴承数据对模型进行试验验证,试验结果表明,该模型在两种数据集上均达到99%以上的故障识别率,与CNN相比可以更好地提取机械设备故障特征,有工程应用价值。     

旋转式机械故障诊断的一种方法

探讨一种利用噪声频谱对旋转式机械故障进行诊断的方法。介绍动静摩擦故障对噪声频谱影响的模拟试验 ,并探讨这种方法的应用     

一种基于软计算的转子故障诊断方法

提出了一种基于软计算的转子故障诊断方法。该方法充分利用软计算中的模糊集合理论,人工神经网 络,粗糙集理论和遗传算法等计算方法优势,弥补它们相互的不足,进行故障诊断。首先利用粗糙集理论对样本数据进 行初步规则获取,并计算规则的依赖度和条件覆盖度,然后根据这些规则进行网络设计,其中,网络隐层节点的数目等于 规则的数目,初始网络权重由规则的依赖度和条件覆盖度确定,最后用遗传算法对模糊神经网络参数进行优化。使用该 网络对转子类常见故障进行诊断。实验表明,和一般模糊神经网络相比,这种基于软计算的诊断方法具有训练时间短、 诊断准确率高的特点。     

一种基于CNN-BiGRU孪生网络的轴承故障诊断方法

针对轴承故障样本稀缺,传统深度神经网络模型在小样本情况下容易出现过拟合现象,泛化性能不好的问题,提出一种基于CNN-BiGRU孪生网络的轴承故障诊断方法。孪生网络采用两个结构相同、权值共享的卷积神经网络和双向门控循环单元组成,构造相同类别和不同类别的轴承样本对输入孪生网络,通过计算轴承样本对之间的L1距离进行相似性度量,实现轴承故障诊断。与传统深度神经网络相比,孪生网络采用样本对训练的方法,在相同样本数量情况下,增加对网络模型的有效训练次数,从而提高轴承故障诊断性能。设计卷积神经网络和双向门控循环单元共同组成孪生网络结构,可以从振动信号中同时提取空间特征与时序特征,提高特征提取的准确性。利用实测轴承故障信号进行故障诊断试验,并与其他深度神经网络模型进行对比,试验结果表明,CNN-BiGRU孪生网络方法在少量训练样本情况下,取得了较优的故障诊断性能,有一定的工程应用价值。     

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。     

一种新的滚动轴承故障诊断方法的研究

本文在包络谱分析方法的基础上提出了优化包络谱分析的新概念,对其原理和方法进行了实验研究并编制了相应的计算机程序,最后以实例对此方法进行了验证和考核. 这个新的滚动轴承故障诊断方法比其它常用方法在分离和提取滚动轴承故障特征信息中更为有效,它不但能清楚地把轴承故障特征信息分离出来,而且信噪比很高,大大提高了故障诊断的准确程度.     

飞机燃油系统故障诊断方法分析

本文针对飞机燃油系统的不同故障诊断方法的特点进行分析,并阐述了不同方法在飞机燃油系统故障时的分析原理。     

基于非线性几何不变量的轴承故障诊断方法研究

针对轴承传动本身具有非线性而在传统故障诊断中又被忽略掉的问题,提出了基于分形和混沌等非线性几何不变量的轴承故障诊断方法。该方法对测得的轴承振动时间序列去噪以后进行相空间重构,然后计算重构信号的分形维数、Lypunove指数、K熵、关联距离熵等多个几何不变量,并以此作为轴承故障诊断特征量,输入到径向基神经网络,对轴承故障进行模式识别。实验结果表明该方法能有效区别轴承各种故障状态,且为旋转机械的故障诊断提供了一种新方法。     

一种基于半模糊聚类的故障诊断方法

为满足故障诊断的实时性和准确性要求,采用阈值化类内距离的方法,研究了一种快速收敛的半模糊c均值(SFCM)聚类诊断方法.证明了SFCM算法的模糊加权幂指数m在区间(0,1)取值时能实现半模糊聚类,讨论了阈值η对算法的影响并给出了算法步骤.以机载武器控制系统信息通道为诊断对象,采用该方法对通道进行了样本无监督分类验证和故障模式识别诊断试验.结果表明:SFCM算法能对信息通道故障模式进行快速准确的分类识别.     

提高配网供电可靠性的一种实用方法

本文介绍了开闭所故障处理系统有效地提高了供电可靠性,同时也提高了运行管理水平,实现了开闭所的运行监视,并且能够不依赖于通讯,仅依靠故障处理终端即可完成配电线路的故障隔离,以及非故障区域的供电恢复,是一种实用简易的配电自动化模式的实际应用。通过一次跳闸事故分析介绍了在该系统应用后对提高配网供电可靠性和运行管理水平的实际效果。     

一种改进的信噪比增强方法及应用

通过在非线性变换过程中引入信号归一化,研究了一种改进的基于非线性变换的信噪比增强方法.和原方法相比,改进后的方法具有更好的可靠性和数值稳定性.将该方法用于带有噪声的调制信号和倍频信号的信噪比增强,数值仿真结果证明了改进方法的可行性.最后将该方法用于检测齿轮系统的故障.     

一种基于层次熵和SVM的轴承故障诊断方法

针对样本熵在分析时间序列复杂度上的局限,在样本熵和多尺度熵的基础上提出一种新的基于层次熵（Hierarchical Entropy）的滚动轴承故障特征提取方法。首先用层次分解方法对实验数据进行分解,然后采用分解节点上的样本熵值作为特征向量,利用支持向量机（support vector machine,简称SVM）对故障进行识别。实验数据分析结果验证该方法的有效性。     

故障诊断中非线性耦合特征提取方法研究

本文在高阶谱研究故障诊断中非线性耦合特征提取，为了简化计算并得到有效的二次相位耦合特征，将双相干特征的计算转化到极坐标下进行。在分析２机理的基础上，仅通过计算几个角切片为提取特征，该思想很易于推广到其它高阶方法中。最后，通过对轴承蜓瘫 该方法的有效性。     

一种基于改进的LeNet-5模型滚动轴承故障诊断方法研究

针对滚动轴承故障样本不完备问题,提出一种基于改进的LeNet-5模型的卷积神经网络故障诊断方法.该方法将包含多种转速的滚动轴承振动原始时域信号以二维灰度图形式作为模型输入,根据信号特点确定输入尺寸,通过卷积操作自适应提取特征,引入批归一化操作提高模型泛化能力,再用softmax分类器实现故障分类识别,最后采用t-分布邻...     

一种基于信息流模型的故障隔离方法

为了实现快速地故障隔离,提出了一种基于信息流模型和测试划分的故障隔离方法.首先计算出非多余测试,在信息流模型中,具有相同激励的测试可以同时被执行,并按此对测试进行分组.在故障隔离过程中,按各组能检测出的故障出现概率的大小来决定测试顺序.实验表明,该方法最大程度地减小了测试时间,同时兼顾考虑了故障出现的概率和最少测试硬件增加.     

一种基于本体的故障诊断知识库系统的构建研究

试图从近年来在知识工程及相关应用领域应用较广的"本体论"出发,提出一种基于本体的故障知识库系统的构建方法,该方法的知识库系统部分是采用本体论方法构建的,其研究是重点。     

一种基于PCA和贝叶斯分类的气动调节阀故障诊断方法

该文提出一种基于主成分分析(principal component analysis,PCA)和贝叶斯分类的故障诊断方法,并将其应用在气动调节阀的故障诊断中。首先,应用DAMADICS平台仿真气动调节阀多种易发生的故障,监测用于进行故障诊断的信号,采集诊断过程所需要的训练数据集和测试数据集,并对数据集进行主成分分析处理,降低其维度,进而获取数据集的主要特征;然后,利用极大似然估计方法求出训练数据集所满足的多元高斯分布的均值和方差,得到每种故障模式下训练数据集分布的概率密度函数;最后,应用测试数据集进行验证,对于测试数据集中的每个测试数据样本,分别计算测试数据样本属于各种故障类型的后验概率,后验概率越大,对应发生故障的可能性就越大。将该方法与支持向量机(support vector machine,SVM)诊断方法和k-近邻(k-nearest neighbor,k-NN)诊断方法进行对比,诊断准确度整体较高,方法可行。