基于径向基函数神经网络的转子系统裂纹故障诊断

结合基于模型的转子系统诊断技术和径向基函数(RBF)神经网络在辨识非线性系统动态时的优势,本文提出了一种新的转子系统裂纹故障诊断方法.该方法采用RBF神经网络对裂纹转子系统的未知动态进行辨识,实现部分神经网络权值收敛到最优值以及神经网络对系统未知动态的局部准确逼近;诊断过程中利用已辨识的信息实现转子系统裂纹故障的快速检测与分离.所提方法尤其适用于微小裂纹的在线检测与定量识别.最后,以Jeffcott转子系统裂纹故障诊断为例进行仿真,仿真结果验证了所提方法的有效性.     

基于神经网络的故障诊断应用研究

文中根据神经网络的相关原理，运用神经网络领域的相关知识，对于工业生产中经常出现的设备故障，提出了一种基于RBF神经网络的诊断方法，并详细讨论了RBF神经网络的结构、训练算法及用于设备故障诊断的步骤，最后以某系统的故障诊断为例，证明了此方法的优越性。     

基于神经网络的故障诊断应用研究

文中根据神经网络的相关原理,运用神经网络领域的相关知识,对于工业生产中经常出现的设备故障,提出了一种基于RBF神经网络的诊断方法,并详细讨论了RBF神经网络的结构、训练算法及用于设备故障诊断的步骤,最后以某系统的故障诊断为例,证明了此方法的优越性.     

基于RBF神经网络的自动驾驶仪故障诊断

介绍了自动驾驶仪的基本工作原理和径向基函数(RBF)神经网络基本结构,提出了基于径向基函数神经网络在某型自动驾驶仪故障诊断中的应用方法,并运用Matlab神经网络工具包对该神经网络模型进行训练和仿真测试,结果表明RBF网络有较高诊断正确率,且能满足实时诊断的要求.     

中小型航空发动机转静子碰摩故障诊断的一种方法

提出了中小型航空发动机转静子碰摩故障诊断的一种新方法。该方法在转子系统弹性支承器的弹条上粘贴应变计,获取弹支工作过程中的动态应力信号,通过信号分析从弹支动态应力信号中提取故障特征,实现转子系统的碰摩故障诊断。实际应用表明,该方法能有效地诊断转子系统碰摩故障。     

基于神经网络的中厚板轧机故障诊断

提出了一种减聚类径向基函数神经网络(RBF)的轧机液压系统故障诊断方法.在RBF中采用了一种减聚类的学习算法来确定径向基函数的相应参数,并借助最速下降法求解,网络的权值,使网络结构得到优化.试验结果显示,该方法可以有效提高轧机故障诊断的精度和效率.     

基于小波-神经网络的汽轮机转子故障诊断

结合小波变换和神经网络技术,本文首先利用小波包对故障信号进行分解,然后将归一化后的数据用于RBF神经网络进行汽轮机转子故障分类.MATLAB实验仿真表明小波分析和RBF神经网络的结合在汽轮机转子常见故障的诊断中是很有效的.     

基于RBF网络的高炉热流分析传感器故障诊断

在炼铁高炉热流强度分析系统中要用到温度、流量等传感器,为确保热流分析系统中传感器数据的可靠性及系统的连续、稳定运行,诊断系统用径向基函数(RBF)神经网络对传感器进行故障判断。系统由上位机、温度及流量采集装置、传感器等组成,采用RBF神经网络为每一个传感器建立预测模型,网络的输入为传感器采集信号最近的n个值,输出为该传感器在n+1时刻的预测输出值。网络通过在线学习实现对传感器的在线故障监测,经仿真分析表明:用RBF神经网络构建预测模型可满足实时性的诊断要求,提高了诊断系统的诊断精度。     

RBF网络在发动机故障诊断中的应用

介绍了RBF网络模型,分析了其特点,并探讨了基于RBF网络的发动机故障诊断方法.通过MATLAB进行仿真试验,结果表明RBF神经网络训练速度比BP算法快,是解决故障诊断问题的有效途径.     

动态系统的故障诊断方法

评述了动态系统故障诊断方法的发展状况 ,将各种故障诊断方法分为三大类分别进行了重点介绍 ,最后指出了这一领域中有待进一步研究的若干问题和发展趋势 .     

基于自适应未知输入观测器的非线性动态系统故障诊断

针对以往故障诊断研究中要求故障或故障导数及系统干扰的上界是已知的不足,以及难以同时诊断执行器故障和传感器故障的问题,提出一种自适应未知输入故障诊断观测器,能够同时重构非线性动态系统的执行器故障和传感器故障.首先,利用H_∞性能指标抑制未知输入对故障重构的影响,采用Lyapunov泛函得到观测误差动态系统的稳定性;然后,通过线性矩阵不等式求解观测器增益阵,并实现故障重构;最后,通过直流电机系统的仿真验证了所提出方法的有效性.     

Fault Diagnosis Using Wavelet Neural Networks

Wavelet neural networks are a class of neural networks consisting of wavelets. This paper presents a novel universal tool for fault diagnosis and algorithms for wavelet neural network construction are proposed. Using the model of wavelet neural networks, we can not only extract the features of system but also predict the development of the fault.     

基于信息融合技术的电梯控制系统故障诊断*

针对电梯控制系统故障诊断困难及诊断准确率不高的问题提出一种基于信息融合技术的故障诊断方法。同时通过优化网络学习率与激活函数的倾斜度,对BP 神经网络进行改进,使得网络非线性分类能力更强,收敛效率更高。并利用电梯控制开关量信号和电梯运行模拟量参数作为神经网络分类器的特征,应用D-S证据理论合成法则将多个分类器的结果进行融合判决。使证据理论的基本可信度分配不再完全依赖专家进行主观化赋值,从而实现了赋值的客观化。该方法具有较高的稳健性和精确度。最后给出的实验结果验证了算法的有效性。     

基于IGSA优化的LSSVM制冷系统故障诊断研究

为提高制冷系统故障诊断的准确率,提出一种基于改进引力搜索算法(IGSA)优化的最小二乘支持向量机(LSSVM)的制冷系统故障诊断方法。首先,引入粒子群算法的速度更新机制对引力搜索算法进行改进,增加粒子的记忆性和信息共享能力,提高了算法的收敛速度和搜索精度;其次,利用IGSA对LSSVM的核参数与正则化参数进行优化,得到最优的IGSA-LSSVM故障诊断模型。最后,利用故障模拟实验台模拟制冷系统的四种典型故障,将优化好的LSSVM模型对其进行分类识别,并与标准LSSVM、GSA-LSSVM和PSO-LSSVM模型进行比较。仿真结果表明,基于IGSA优化的LSSVM方法具有良好的辨识能力和泛化能力,能够更好地对制冷系统故障进行诊断。     

基于神经网络的二次测爆仪传感器故障诊断方法

在全面分析智能二次测爆仪中传感器主要故障的基础上,提出了基于L-M算法的神经网络诊断方案.通过模拟矿井中各种气体体积分数所占比例的仿真实验证明:基于L-M算法的神经网络故障诊断系统具有良好的故障监测与诊断能力.     

设备故障诊断中神经网络与证据推理结合的信息融合方法

针对设备故障诊断中存在的处理数据量大、故障类型复杂多变、领域知识难于准确获得、故障识别率低的现状,提出了利用信息融合的思想,将神经网络和证据理论相结合应用于故障诊断的新方法。提高了故障诊断系统的灵活性、故障诊断的效率和准确性。     

基于神经网络集成的软件故障预测及实验分析

软件系统故障预测是软件测试过程中软件可靠性研究的重点之一。利用软件系统测试过程中前期的故障相关信息进行建模,预测后期的软件故障信息,以便于后期测试和验证资源的合理分配。根据软件测试过程中已知的软件故障时间序列,利用非齐次泊松分布过程、神经网络、神经网络集成等方法对其进行建模。通过对三个实例分别建模,其预测平均相对误差G-O模型依次为3.02%、5.88%和6.58%,而神经网络集成模型为0.19%、1.88%和1.455%,实验结果表明神经网络集成模型具有更精确的预测能力。