基于模糊神经网络的薄板不同指标裂纹诊断

将采用模糊神经网络的故障诊断技术和诊断模型,利用改进的BP算法对模糊神经网络进行训练,并利用训练好的网络,对悬臂薄铝板仿真裂纹进行了诊断。对悬臂薄铝板裂纹的诊断方法是:首先得到完好板结构和各种仿真裂纹板结构的振型和固有频率,在此基础上提取各种裂纹损伤情况下的五种裂纹诊断指标。将五种诊断指标分成三组,构成三个模糊神经网络,对模糊神经网络进行训练之后,利用训练好的网络对悬臂铝板裂纹进行了故障诊断,将裂纹的诊断结果与实际情况进行了比较,得到了不同诊断指标组合下,不同神经网络的诊断结果。并对不同组别裂纹诊断指标的诊断结果与实际裂纹情况进行了比较。     

基于神经网络的旋转机械故障诊断研究

一般对特定的基于多层感知的故障诊断问题,很难确定神经网络的结构,在分析了多层感知器对故障的识别和诊断能力后,采用由小到大和由大一小的方法确定神经网络隐层数与隐层单元数。     

基于神经网络的机械结构系统优化问题的分解算法

基于前馈神经网络的权重分析，针对优化问题提出了一种分解算法，探讨了神经网络在桁架结构系统优化中的应用。实例分析表明此方法是可行和有效的。     

基于信息熵神经网络的风力发电机故障诊断方法研究

风力发电机组运行工况复杂多变,振动信号呈非平稳性和复杂性等特点,不同负载下信号能量分布差异较大,传统的时、频域特征参数不具纵向可比性,无法判别振动变化来自设备故障还是负载变化.针对以上特点,选择受机组工况变化影响较小的信息熵作为信号特征参数提取,通过描述信号总体统计特性判断设备状态,将齿轮各典型状态模式下的振动特征信息熵值作为网络的输入样本,通过训练前向传播back propagation(BP)神经网络,建立齿轮状态识别模型.利用新样本验证,结果与实际情况吻合得很好,表明该方法对风力发电机齿轮故障诊断的有效性和实用性.     

一种基于SVM和EMD的齿轮故障诊断方法

支持矢量机(Support vector machine,SVM)有比神经网络更强的泛化能力,且能保证找到的极值解就是全局最优解,同时它还较好地解决了小样本的学习分类问题。针对齿轮振动信号的非平稳特征和现实中难以获得大量故障样本的实际情况,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)和支持矢量机的齿轮故障诊断方法。首先对原始信号进行经验模态分解,将其分解为多个平稳的固有模态函数(Intrinsic mode function,IMF)之和,然后对每一个IMF分量建立AR模型,最后提取模型的自回归参数和残差的方差作为故障特征矢量,并以此作为SVM分类器的输入参数来识别齿轮的工作状态和故障类型。试验结果表明,在小样本情况下仍能准确、有效地对齿轮的工作状态和故障类型进行分类。     

基于ART—2神经网络的故障诊断系统

对ART－2模拟量模式识别神经网络算法的改进能使其有效地适用于故障诊断,神经网络的预处理场F0具有增强对比度,抑制基底噪声的能力,神经网络的F2场根据优先级选择竞争节点。网络模式识别的结果作为专家系统输入的类别及其选取概率。专家系统搜索由知识库构造的关系树并依规则进行推理。本文方法结合神经网络和专家系统的优点,以得到可信的故障诊断结果。本文还给出了验证系统正确性的自动液压机故障诊断实例。     

基于连续小波变换的信号检测技术与故障诊断

通过分析指出,连续小波变换具有很强的弱信号检测能力,非常适合故障诊断领域。从参数离散到参数优化系统研究了连续小波变换的工程应用方法,建立了“小波熵”的概念,并以此作为基小波参数的择优标准。论文最后把连续小波技术应用在滚动轴承滚道缺陷和齿轮裂纹的识别中,诊断效果十分理想。     

基于RBF神经网络的齿轮箱故障诊断

阐述径向基函数(radial base function,RBF)神经网络的基本原理和算法,将其应用于齿轮箱故障诊断与识别,建立齿轮箱的BRF故障诊断模型,并与BP(back propagation)神经网络、学习率自适应BP神经网络进行对比分析研究。结果表明,RBF神经网络性能优于BP神经网络,具有较快的训练速度、较强的非线性映射能力和精度较高的故障识别能力,非常适用于齿轮箱的状态监测和故障诊断。但在具体应用中应当注意,RBF网络的训练样本必须含有一定的噪声,以提高网络的容噪性能;各类故障的训练样本数不能太少,否则RBF网络的故障分类能力很差。     

潜水轴流泵在线故障诊断的智能化研究

结合潜水轴流泵在线故障诊断的智能化研究 ,提出了故障诊断技术应与其设计制造技术融于一体的新思路 ,描述了潜水轴流泵故障信息的检测方法 ,定义了“白色故障”、“灰色故障”和“黑色故障”的新概念 ,在此基础上对潜水轴流泵进行故障归类 ,并给出了各类故障的诊断方法 ,本研究对其他机械设备的故障诊断同样具有指导意义。     

基于波形智能识别的诊断方法

以柴油机燃油系统为诊断对象,研究了基于波形智能识别的诊断方法,提出了一种基于波峰或波谷之间的支配与从属关系的波形结构特征抽取与符号描述方法,建立了一个基于波开识别的诊断系统,并给出了诊断实例。     

基于免疫机理的往复压缩机气阀故障检测方法

气阀故障是往复压缩机最常见的故障类型之一,由于往复压缩机的工作机理复杂,故障样本缺乏,难以应用常规方法对其进行有效的故障检测。为了能够准确检测气阀的各种故障,基于生物免疫系统的反面选择机理及反面选择算法,首先对设备故障检测问题进行了描述,引进了设备状态空间、自己—非己空间及模糊空间的概念,继而提出了适于往复压缩机气阀故障检测的新方法。通过对气阀常见故障的检测结果表明,所提出的方法能够以异常度曲线的形式较好地反映出气阀的各种故障,表明了该方法的有效性。基于免疫机理的设备故障检测方法,是在对设备正常运行数据学习的基础上,实现对设备的故障检测,不需要设备运行的故障数据,它适合对故障数据缺乏的设备进行有效的故障检测。     

基于K-L散度的机械或传感器故障判别方法

机械故障诊断系统中,对同一监测部位通常采用双传感器配置（如水平和垂直方位）。文中首先运用核密度估计方法得到两传感器输出信号的概率密度函数估计,然后计算两输出信号间K-L（Kullbaek—Leiber）散度,并提出一种基于K-L散度值的机械或传感器故障判别准则。通过对一个齿轮减速箱实测振动信号和模拟的传感器故障信号的计算,可以发现,与无故障状态时K-L散度相比,监测部位出现机械故障时两传感器输出信号间K-L散度显著减小;而两传感器之一出现故障时其K-L散度显著增大。因此,两信号间K-L散度的变化可用于区别机械和传感器故障。     

一种基于小波网络的切削刀具故障监测

提出了一种基于小波神经网络的切削刀具故障监测方法，即提取反映刀具磨损状态的多源特征参数，利用小波神经网络的非线性模型和学习机制，实现在线状态监测；同时针对故障诊断的多输入输出问题带来的网络规模增大、收敛速度慢等问题，提出一种网络优化算法，即采用尺度参数的自适应调整法及平移参数的寻优搜索法，寻找最优小波基元，从而简化小波网络并加快收敛，仿真实例证明了该方法的有效性。     

基于支持向量机的往复泵泵阀故障诊断方法

提出一种基于支持向量机的往复泵泵阀故障诊断方法。该方法将泵阀振动信号的小波包变换系数作为特征向量，输入到由多个支持向量机构造的一个多值分类器中进行故障模式分类。试验结果表明，该方法不仅可以对发生故障的单个泵阀进行诊断，而且还能对同时发生故障的多个泵阀进行诊断。与常用的人工神经网络方法比较，该诊断方法具有更好的有效性、鲁棒性和推广性，在机械设备故障诊断中有很好的应用前景。     

NEURAL NETWORK APPROACH TO SURFACE BLENDING BASED ON DI GITIZED POINTS

0 INTRODUCTIONIn practical application of industrial area, thefreefOrm surface is often comprised of a lot of surfacepatches (pieces) and the generation of only a singlesurface is difficult to meet design requirements.Hence, we can say, the surface patches are the basicelements from which the surfaces are constructed,and they can be represented by mathematicalequations. Their form and accuracy depend on thefOllowing three factors: ro The wire-frame geometryform which the surfaces are con…     

基于小波包的遗传神经网络故障诊断系统研究

用遗传算法建立了汽机故障诊断地人工神经网络模型,以小波包分解技术获得的10个频段上的能量为网络的输入模式,对汽机常见的几种故障进行分类训练,并应用于待识别故障样本的识别计算,结果表明该方法在汽机故障诊断中是有效的。     

FAULT DIAGNOSIS BASED ON INTEGRATION OF CLUSTER ANALYSIS, ROUGH SET METHOD AND FUZZY NEURAL NETWORK

In order to increase the efficiency and decrease the cost of machinery diagnosis, a hybrid system of computational intelligence methods is presented. Firstly, the continuous attributes in diagnosis decision system are discretized with the self-organizing map (SOM) neural network. Then, dynamic reducts are computed based on rough set method, and the key conditions for diagnosis are found according to the maximum cluster ratio. Lastly, according to the optimal reduct, the adaptive neuro-fuzzy inference system (ANFIS) is designed for fault identification. The diagnosis of a diesel verifies the feasibility of engineering applications.     

基于主流形识别的非线性时间序列降噪方法及其在故障诊断中的应用

提出了一种新的基于主流形识别的非线性时间序列降噪方法。新的降噪方法将一维时间序列重构到高维相空间,利用非线性降维方法找出动力学系统在相空间中具有全域正交坐标系的低维主流形,然后根据主流形反求一维时间序列,进而达到降噪的目的。对洛伦兹信号进行的数值试验证明,与奇异谱分解等现有非线性分析方法相比,基于主流形识别的降噪方法能更加有效地消除混沌时间序列中的高斯白噪声。将该方法应用于带有断齿故障的齿轮箱振动信号的故障分析中,成功地提取出了淹没在带噪信号中的冲击特征。     

NEW TECHNOLOGY FOR FAULT DIAGNOSIS BASED ON WAVELET DENOISING AND MODIFIED EXPONENTIAL TIME-FREQUENCY DISTRIBUTION

0 INTRODUCTIONWhen failure diagnosis of mechanical equipmentis put in practice, a lot of vibration signals should beprocessed and signal features must berevealed. However every vibration signal containsvarious intefference components, such as vibration ofneighborhood machine, electric interference andtransmitted noise while detecting. Useful informationoften sinks in the complex vibration signal.Wavelet multi-resolution analysis(wavelet MRA)and exPOnential time-fmpuency distribution (E…     

基于人工神经网络的刀具状态监测系统

在自动化制造业生产中,刀具状态的监测具有十分重要的意义。在充分考虑对刀具状态密切相关的敏感特征参数的基础上,利用人工神经网络模型实现了刀具状态的监测。试验表明,该系统的错报率为6.3%,可有效地应用到工程实际中。最后,对系统的误差进行分析并提出了改进的方向。