基于小波包与概率神经网络相结合的滚动轴承故障诊断

基于小波变换的滚动轴承故障诊断,振动信号中的高频部分对诊断结果有一定影响,为克服此影响,首先运用小波包对SKF型滚动轴承故障信号进行预处理,以此为特征向量结合概率神经网络去验证模型的实用性和可行性。分析结果表明,小波包与概率神经网络相结合的故障诊断方法可以有效的应用于滚动轴承故障诊断。     

基于小波包分析和高阶模糊神经网络的滚动轴承故障诊断

滚动轴承是旋转机械中最易发生故障的元件之一,提出了一种基于小波包分析和高阶模糊BP神经网络的滚动轴承故障诊断新方法。该方法的具体诊断过程:采用小波包分解的方法提取样本信号各频段的Shannon熵值并结合其他一些量化指标,经筛选后作为特征向量输入滚动轴承故障诊断高阶模糊神经网络,对该网络进行训练与检验。实验表明这种方法与传统方法相比,在收敛速度及对训练总误差控制方面具有更大的优越性。     

基于小波包神经网络的电机故障诊断分析与研究

由于传统基于傅立叶变换的利用频域对电机故障的信号分析中无法对奇异信号点的时域信息进行检测。针对上述问题,提出基于小波包神经网络的电机故障诊断的方法。结合电机振动的非平稳随机性的特点。利用小波包多分辨率分析方法对电机的采样信号进行分解,提取电机故障状态特征并作为BP神经网络输入样本的特征向量,利用神经网络的自学习和模式识别的特点最终输出电机故障类型。通过MATLAB仿真结果可以证实该方法可行性。     

基于小波包和BP神经网络的滚动轴承故障诊断

基于Matlab平台,利用小波包技术对滚动轴承典型故障的振动信号提取特征值,再借助BP神经网络对特征值进行分类,经验证该方法能够准确识别故障。     

基于小波包分析与BP神经网络的结构损伤检测研究

提出了一种利用小波包分析和BP神经网络对结构进行损伤识别的方法。该方法首先将加速度进行小波包分解,然后对分解系数进行重构,求得各频段内的能量,将能量变化量作为神经网络的输入向量对结构进行损伤检测。本文利用海洋平台模型对这一方法进行测试,结果表明这一方法可行。     

小波包神经网络在数控机床故障诊断中的应用

为了能够提高数控机床故障诊断的正确率,提出了小波包模糊神经网络方法对数控机床进行故障诊断,也提出了小波包分析提取特征向量的程序,利用小波包分析可以获得数控机床的特征向量,应用模糊神经网络对数控机床进行故障诊断.利用小波包模糊神经网络对数控机床常见的8种故障进行了诊断,证明小波包神经网络进行故障诊断的有效性.     

基于小波包与直接确定神经网络的柴油机故障诊断

系统论述了小波包分析在故障诊断中对信号的分解、去噪和重构,经过基函数神经网络可以很好地对信号进行诊断,最后用典型故障信号通过计算机仿真讨论该方法在柴油机故障诊断中的可行性。     

基于最优小波包与SOM-BP融合的柴油机故障诊断

柴油机振动信号具有非平稳性,用最优小波包将不同故障的振动信号分解到不同频段。提取各频段的能量组成特征向量输入SOM-BP神经网络,通过神经网络输出结果判别柴油机的故障类型。与BP网络的训练结果相比较,证明将最优小波包分解与SOM-BP神经网络相结合的方法可以得到更好的分类结果,有一定的工程实用性。     

小波分析和小波包分析在轴承故障诊断中的对比分析

结合轴承故障振动特点,以轴承滚动体故障为例,对比了小波分析和小波包分析在应用时的相同和不同之处。利用MATLAB仿真软件作为分析工具,通过定量分析和定性分析比较了它们在轴承故障信号降噪时的效果,通过计算功率谱、绘制功率谱图的方式比较了它们在轴承故障诊断方面的能力。结果表明,使用相同小波基和相同分解层数条件下,在降噪和故障诊断方面,小波包分析都优于小波分析,为选择合适的轴承故障诊断方式提供了参考。     

基于小波包与EKF-RBF神经网络辨识的瓦斯传感器故障诊断

针对瓦斯传感器常见的偏置型、冲击型、漂移型和周期型4种突发型故障,以小波分析和RBF神经网络为基础,提出了由小波包分解提取特征能量谱与扩展Kalman滤波算法（EKF）优化的RBF神经网络进行模式分类辨识的瓦斯传感器故障诊断方法。对瓦斯传感器的输出信号进行小波包分解,运用基于代价函数的局域判别基(LDB)算法进行裁剪,获取最优的特征能量谱,经处理后作为特征向量训练EKF-RBF神经网络,采用参数增广和统计动力学方法,通过带有整定因子的EKF参数估计,用来辨识瓦斯传感器的故障类型。实验结果表明：该方法的辨识正确率在95%以上,误报率和漏报率都明显优于其他算法,能够有效用于瓦斯传感器的故障在线诊断。     

基于小波神经网络火电厂锅炉故障诊断的仿真研究

为了能够准确、快速地对火电厂锅炉进行故障诊断,系统地研究了小波神经网络在锅炉故障诊断的应用。提出了小波神经网络的数学模型;制定了小波神经网络的训练算法;以火电厂锅炉常见故障烟道再燃烧为例,对其进行了故障诊断的仿真分析,经过训练后的小波神经网络对锅炉进行故障测试,测试结果全部正确。     

小波包神经网络在离心压缩机故障识别中的应用

为了能够提高离心压缩机故障识别的准确性和效率,构造了小波包模糊神经网络对离心压缩机进行故障识别。研究了小波包分析提取特征向量的方法。利用小波包分析获得了离心压缩机的特征向量后,利用模糊神经网络对其进行故障识别。利用小波包模糊神经网络对离心压缩机常见的5种故障进行了识别,结果表明该方法具有较高的故障识别能力。     

小波神经网络在离心压缩机故障诊断中的应用

为了能够准确、快速地对离心压缩机的各类故障进行诊断,将小波理论与神经网络相结合,建立了离心压缩机的故障诊断模型,分析了Harr小波函数的定义和特性。针对离心压缩机的故障特征,建立了对应的小波分析神经网络,输入层的神经元为5个小波变换获得的故障特征向量;输出层神经元为5个离心压缩机的故障模式;隐含层有3层,神经元数总共有24个,该方法具有较高的计算精度和计算速度。     

基于小波包能量谱弧齿锥齿轮的故障诊断研究

为了能够提高弧齿锥齿轮故障诊断的效率,使弧齿锥齿轮能够安全可靠地工作,深入地分析了小波包能量谱在弧齿锥齿轮中的应用。分析了弧齿锥齿轮故障的机理;研究了弧齿锥齿轮故障诊断的小波能量谱的机理;利用小波包能量谱对弧齿锥齿轮进行了故障诊断,结果表明该方法具有较好诊断精度。     

RBF神经网络在往复泵故障诊断中的应用

论述了RBF神经网络的基本网络结构和网络的学习及运行过程,结果表明:RBF神经网络具有极快的学习收敛速度。讨论了RBF神经网络在往复泵故障诊断中的应用,并对训练后的网络进行了仿真测试,仿真结果表明RBF网络有较高诊断正确率。     

基于小波神经网络的采煤机摇臂故障诊断的研究

针对采煤机机械系统故障信号诊断的问题,在小波分析和神经网络的基础上,采用了一种基于小波神经网络诊断采煤机摇臂故障的方法。根据摇臂振动的信号通过小波分析检测出信号奇异点和突变情况,利用小波基函数作为小波神经网络的激励函数对故障信号做进一步的诊断,判断出故障特点和程度。结果证明此方法在故障诊断中的诊断准确率较高。     

基于小波变换的煤矿井下水泵故障诊断

对煤矿井下水泵的几种常见故障的产生机理以及故障与振动信号频率之间的关系进行深入分析。针对每种故障在振动信号中具有特定频率分量的特点,通过小波变换对采集到的振动信号进行降噪并提取特征频率。利用Matlab平台FFT分析采集的信号,将采集到的故障信号与特征频率进行对比,从而实现对水泵的故障诊断。实验验证表明,该故障诊断方法诊断精度高,用时短。因此,为水泵的故障诊断提供了一定的实际应用价值。     

基于遗传小波网络的电动机故障诊断

对基本的遗传算法进行了改进,并将其与BP算法相结合构成混合算法应用到电动机故障诊断的小波神经网络训练中。仿真结果表明,该算法有效地解决了小波网络初值设置不合理,极易进入局部极小的区域,以致网络振荡增大、不收敛,而GA算法独立训练神经网络速度缓慢等缺点。用训练过的小波神经网络模型对5组电动机故障进行验证和诊断的仿真结果也表明了,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电动机故障诊断的有效性。     

基于小波和神经网络的齿轮箱故障诊断

对齿轮箱故障诊断特点和方法进行分析,举例介绍了小波变换在齿轮箱故障诊断中的应用。利用小波变换对齿轮箱工况信号进行分解,重构以及提取细节信号包络谱,快速准确判断出齿轮箱设备运行状态是否异常,并利用BP神经网络进行故障诊断定位,比传统方法更有效。