基于神经网络数据融合技术的诊断系统的研究

神经网络数据融合技术的诊断系统是以电机振动信号和电流、电压信号为研究对象的,对采集到的3类信号进行实时处理,运用神经网络对数据进行局部诊断,再利用数据融合技术对故障信号进行全局分析融合,从而达到对电机故障类型的准确判断。通过运行表明,应用在故障诊断中的神经网络数据融合技术是一种故障识别率高、方便灵活而且诊断精度高的故障诊断方法。     

基于回声状态神经网络风电齿轮箱故障诊断方法

增速齿轮箱是大型风力发电机组的关键部件,应采用合适的方法进行故障诊断对其运行状态进行预测。本文提出了基于小波包和回声状态神经网络的齿轮箱故障诊断方法。首先利用小波包分解风机齿轮箱的故障信号,能够得到振动信号位于不同频段的故障特征,接着对不同频段的故障特征频率做归一化处理,进而组成故障特征向量,最后将特征向量输入回声神经网络模型得到故障类型。该方法减小了传统的BP神经网络模型神经网络算法陷入局部最优解的风险,提高了网络的收敛速度。     

基于神经网络和VB程序的旋转机械故障诊断系统

以旋转机械常见的质量不平衡、转子不对中两种故障状态和正常运行状态为例,基于神经网络和VB程序构建了旋转机械的故障诊断软件系统.利用一种基于小波包分解后的时域分析方法对旋转机械振动信号进行特征提取,获得了旋转机械正常振动信号及质量不平衡、转子不对中故障状态振动信号的特征向量.借助MATLAB神经网络工具箱,构建了旋转机械的神经网络故障诊断系统,并用旋转机械正常振动信号及质量不平衡、转子不对中故障状态振动信号的特征向量数据对诊断结果的正确性进行了测试,结果表明诊断正确率为88.9%.最后通过MATLAB的二次开发接口与VB程序进行交互,开发出具有良好人机界面的旋转机械故障诊断软件,包括神经网络学习和故障诊断两层界面.     

基于MFCC声音特征信号提取的风机叶片故障诊断

当风机叶片出现损伤时,在空气转动产生的声音信号会存在异常。提出了一种基于声音信号的风机叶片故障监测与诊断方式,通过传声器等设备采集正在运行风机的声音信号并对信号进行滤波处理,提高声音信号的信噪比,同时对信号进行频谱分析,将提取出的声音特征进行建模,设计风机叶片故障分类器,对风机的健康状态进行实时监测与诊断,提高风机叶片运行稳定性,降低叶片检修运维成本。     

基于谱峭度的同步提取变换方法及故障诊断应用

提出一种基于谱峭度的SET故障诊断方法。首先利用SET求取信号时频谱,然后采用频谱均分的方法分割边际谱,再将分割所得各部分分别求取峭度值,得到连续划分的峭度图。最后利用峭度值筛选包含丰富故障信息的分量并进行包络分析,提取故障特征。仿真信号及滚动轴承外圈故障信号的处理结果证明了该方法的有效性。     

基于神经网络的烟草包装机械故障信号检测方法

为降低烟草包装机械运行故障信号检测结果的均方差，提高检测精度，通过烟草包装机械运行信号采集与小波去噪、基于神经网络的故障信号识别模型训练、故障信号动态识别，提出一种全新的检测方法。通过实验验证，新的检测方法与基于时域分析法的检测方法相比，检测结果均方差数值更低，检测精度得到提升，可为烟草包装机械运行维护提供更可靠的技术条件。     

基于1D-CNN的滚动轴承端到端故障诊断方法

提出一种端到端的滚动轴承故障诊断模型,将三个步骤直接整合到一个模型中,直接将原始振动信号输入模型中,经过模型计算得到轴承故障类型。利用一维卷积神经网络强大的特征提取能力,对原始信号提取特征。通过实验对比分析,所述方法在美国凯斯西储数据集中能够达到99.33%的类间平均准确率,能够准确地对故障进行分类,具有较好的技术应用前景。     

灰色神经网络在轴承故障预测中的应用

为提高旋转机械中滚动轴承故障预测的精度,提出灰色神经网络预测模型。利用训练样本数据,使用灰色神经网络模型完成训练过程;基于已训练好的模型对未来时间点的运行状态进行拟合,实现轴承的故障趋势预测。相比采用单一的BP神经网络预测模型,该组合模型具有较高的精度,对轴承故障趋势预测有一定的现实意义。     

基于深度学习理论的风力机结冰预警模型

基于深度学习理论,利用风电机组运行数据训练深度神经网络模型,用以表征信号与结冰状态之间复杂的映射关系。试验结果表明该模型实现了多工况、大样本下的结冰特征量提取与结冰状态的识别,具有较高的精度,为风电机组结冰状态的预测提供了新的思路。     

基于BP神经网络的立磨齿轮箱专家诊断系统研究

水泥厂生料立磨齿轮箱一般采用两级定轴齿轮与一级行星齿轮相结合的传动方式。行星齿轮传动的复杂性使故障形式与特征呈非线性的映射关系,常用信号处理方法提取故障特征的有效性存在不足。对此,分析并计算立磨齿轮箱齿轮及轴承故障的特征频率,构建基于BP神经网络的齿轮箱故障诊断系统,对水泥厂JLP400型水泥立磨齿轮箱行星齿轮箱齿轮及轴承进行诊断,并给出诊断结论。     

基于改进蚁群算法的数控机床故障诊断方法

为提高数控机床的保障与维护管理水平,推动我国制造产业的高质量循环发展,设计一种基于改进蚁群算法的数控机床故障诊断方法。采集数量机床设备的运行数据,利用粗糙集理论提取故障特征信号,应用改进蚁群算法构建数控机床的故障诊断模型,通过蚁群信息素的初始化与动态更新,寻找最优路径,实现对数控机床设备故障的智能化辨识与诊断。仿真测试结果显示,对于随机10组不同故障的数据信息,该方法的故障诊断时间均值约0.118 7 s、具有高效性,实际诊断结果与期望输出结果的平均误差约0.000 6、误差极小,具有精确性与适用性,为数控机床的维护管理工作提供了一种可靠的技术支持。     

基于BP神经网络的数控机床刀具磨损状态识别方法

为了提高三相电流信号监测刀具磨损状态的可靠性,提出了一种基于BP神经网络的数控机床刀具磨损状态识别方法。首先对采集得到的三相电流信号进行时域、频域和小波分析,从中提取出与刀具磨损程度相关性较好的多个特征量,组合成敏感特征向量,然后搭建BP神经网络,建立三相电流信号特征向量与刀具磨损状态之间的联系。最后,用经过训练后的BP神经网络识别多组未知样本的刀具磨损状态。实验结果表明,该方法能够准确判定刀具的磨损状态。     

基于能量比的往复压缩机气阀故障诊断

往复压缩机气阀故障具有相当的复杂性,运用单一参数进行诊断有着相当大的难度,其故障诊断往往需要多种手段结合。在总结往复压缩机气阀的常见故障类型基础上,运用小波包分解法对故障往复压缩机气阀信号特征频段能量进行提取,并构造常见故障类型能量比参数,以此来诊断往复压缩机气阀故障类型。     

一种数据驱动模式下往复式压缩机通用诊断模式研究

探索一种数据驱动模式下往复式压缩机通用诊断模型。分析往复式压缩机振动的激振源,根据压缩机振动表现出来的平稳信号、冲击信号和非线性动力学特征,提出压缩机运行状态的三种参数群:以振动的时域信号和曲轴转频及其倍频构成的平稳信号特征参数、描述周期脉冲信号的解调信号直方图值参数、多尺度熵(Multi-Scale Entroy,MSE)特征参数;采用PCA方法对上述多维参数群降维优化,得到有效特征向量;采用SVM方法进行模式训练和诊断识别。利用在实验室模拟的故障样本进行建模,对现场的压缩机进行诊断,诊断表明该模型具有较好的实际诊断能力。     

蜗轮蜗杆减速机齿形变化故障特征提取方法

蜗轮蜗杆减速机蜗轮齿形变化故障诊断,提出一种新的振动信号特征检测方法。在诊断故障过程中,为提取故障信号的特征频率,给出经验模态分解与希尔伯特变换相结合的方法。     

基于全矢1D-CNN的轴承故障诊断研究

主要研究了卷积神经网络(CNN)和轴承故障诊断领域中的特征相结合,提出了全矢1D-CNN轴承故障方法,不但对于原故障信号数据集进行了数据增强,而且使用深度拟合器对于数据集特征深度提取。经过试验验证了全矢1D-CNN在轴承故障识别中不但可以取得较高的准确率,而且鲁棒性也符合特征提取的要求。     

关家堡油田电泵井在线诊断技术研究

本文通过总结国内外电泵井监测与诊断技术的发展与现状，提出能够支持Welllift井下监测系统的国内滩海电泵井监测与综合诊断软件系统方案，建立三种模型：压力、温度、电参数、损耗指标等综合变化的阈值诊断模型，基于电泵井电流变化的图形神经网络故障识别模型，电泵机组渐进故障诊断模型，为电泵井在线监测与诊断的新模式提供思路。     

基于TMS320F2812中性点不接地系统单相接地故障检测装置的设计

针对中性点不接地系统单相接地故障,本文提出了一种基于TMS320F2812 DSP芯片的故障接地支路的微机检测方法.该方法利用DSP芯片的高速、高精度运算能力,对零序电压、零序电流等小信号进行交流采样和数字滤波,提取故障分量,进行综合分析,准确地判别出接地故障支路.     

基于TMS320F2812中性点不接地系统单相接地故障检测装置的设计

针对中性点不接地系统单相接地故障，本文提出了一种基于TMS320F2812DSP芯片的故障接地支路的微机检测方法。该方法利用DSP芯片的高速、高精度运算能力，对零序电压、零序电流等小信号进行交流采样和数字滤波，提取故障分量，进行综合分析，准确地判别出接地故障支路。     

基于经验模态分解的滚动轴承早期故障预警研究

滚动轴承是旋转机械中最常用的零部件之一。针对滚动轴承早期故障预警较差的问题,提出了一种基于经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承早期故障预警方法。该方法首先对轴承原始信号进行经验模态分解,得到一阶固有模态函数(Intrinsic Mode Function,简称IMF),然后对一阶IMF分量进行分析,提取反映轴承故障发展的特征指标。再采用局部均值法对特征指标进行处理,将特征局部均值与阈值比较,实现对滚动轴承早期故障的预警。最后利用滚动轴承试验数据对该方法进行了验证,结果表明,基于经验模态分解的滚动轴承早期故障预警方法能够有效地识别和预警滚动轴承早期故障。