基于小波分析和自适应共振解调法的故障诊断研究

文章介绍了小波分析技术和自适应共振解调法的基础理论,分析了传统共振解调法的缺点,并结合两者应用于对滚动轴承的故障特征提取,对实际轴承故障数据的分析表明,小波分析和共振解调技术在提取轴承故障特征信息的应用上是有效的。     

基于WT-CNN深度学习的轴承故障识别

针对传统轴承故障识别方法的识别率低以及人工干涉等问题。提出了一种基于时频图和深度神经网络(WT-CNN)轴承故障类别的自动识别方法。首先采用连续小波变换(CWT)将原始信号转为时频图,然后将其输入VGG-16神经网络模型中的卷积网络层(CNN)进行特征自动提取,并使用softmax层完成识别。实验结果表明,该方法可以准确地识别轴承故障类别,其准确率达到100%。因此与其他神经网络和传统机器学习方法相比,WT-CNN神经网络模型能有效对轴承故障类别完成识别任务。     

基于PNN网络的油井功图识别方法

油井功图是油井工况诊断的重要依据,快速准确地识别油井功图对于提高油田作业效率具有重要意义。传统的人工相面法识别示功图无法实现油井工况的实时在线诊断,而BP神经网络法识别准确率较低,因此提出一种基于概率神经网络的油井功图识别方法。该方法通过提取功图数据的面积特征、特征向量和载荷曲线的傅里叶逼近特征作为油井功图的特征值,PNN网络用特征值作为输入对油井工况进行诊断。实验结果表明与BP网络相比使用PNN网络根据功图提取特征进行油井功图识别时能够达到更高的识别效率。     

基于神经网络方法的风机故障诊断

针对旋转机械故障征兆与故障模式映射的复杂性,将反向传播(BP)网络、径向基(RBF)网络和概率网络(PNN)用于风机进行故障诊断,并比较了3种网络的诊断精度。以风机振动信号的7段频谱能量峰值作为故障特征,采用训练好的神经网络进行故障辨识,结果表明,RBF网识别精度高于PNN网络,BP网络表现较差。     

简述滚动轴承故障特征信息提取与相关方法的应用

本文根据滚动轴承故障的产生原因进行了一系列的分析和研究,提出了滚动轴承故障特征信息的提取方法。研究表明,滚动轴承故障会导致轴承座或其他部件的共振现象,在对轴承振动信号进行了科学的FFT分析之后,完全可以自动的提取对于滚动轴承的故障特征信息。通过对滚动轴承的振动信号加以分析之后,我们可以方便快捷的检查和诊断出滚动轴承是否存在故障问题。     

应用共振解调技术检测机车走行部滚动轴承的LabVIEW实现

本论文对实现轴承状态监测和故障诊断方法的研究：对机车走行部滚动轴承的振动信号的主要分析方法进行了说明;介绍了机车走行部滚动轴承的故障类型并开发了一套以labview为开发平台,基于共振解调技术的故障信号分析处理技术的故障诊断系统,能够准确判断滚动轴承的故障及其发生的位置。本文的研究内容主要包括振动信号的采集、信号分析与处理、故障诊断三个内容。     

复杂传动系统的故障特征提取分析的综合方法研究

对风电机组齿轮传动系统的加速度振动信号(称为实验信号)进行测试,计算获得其功率谱。并用细化谱与解调谱分析相结合的方法对其功率谱进行分析,得到实验信号的故障特征,初步判断齿轮传动系统发生故障的大概位置及故障类型。为进一步准确验证故障,建立其相应故障的齿轮传动系统的动力学模型,进行动力学模拟分析,对所模拟的振动响应信号采用实验信号相同的处理方法对其处理分析,得到模拟振动信号的故障特征。通过模拟信号的故障特征分析验证了对实验信号故障诊断的正确性。并用分形方法分析了齿轮传动系统不同状态信号功率谱的分形特征。结果表明,关联维数能反映出其振动信号成分的复杂程度,区别出故障的位置和程度。所以,可作为齿轮传动系统的故障特征量及故障诊断的依据。     

基于遗传神经网络的机械故障诊断

本文针对BP神经网络存在的不足,将遗传算法和BP神经网络有机结合起来,利用遗传算法的全局搜索能力优化了神经网络的初始权值和阈值,并将其应用于机械故障诊断。结果表明,在MATLAB环境下进行仿真试验,这种方法能够有效进行故障识别、提高故障诊断精度。     

小波包变换和相关性分析用于轴承故障诊断研究

针对滚动轴承振动信号的特点,文章首先对振动信号进行小波包变换,得到不同的分解频带。再对各频带信号与原信号进行相关性分析,求出各信号相关因子作为频带选择的参考。然后对选择的频带信号重构,并进行包络解调,确定出相应的频谱或功率谱,最后与轴承故障特征频率作比较,从而实现故障诊断。对滚动轴承内环故障的实验结果表明,该方法能较好的判断出轴承故障。     

BP神经网络在电力电子电路故障诊断中的应用

本文主要介绍和研究了BP神经网络系统，对其设计过程和应用做了系统的阐述。在此基础上就BP神经网络的原理及算法做了进一步的研究。在研究电力电子电路故障模式的基础上，叙述了应用神经网络诊断电力电子故障的一般步骤。最后讨论了BP神经网络在应用中存在的问题与不足。     

基于BP神经网络及Pearson相关系数的风机发电机轴承温升故障诊断研究

发电机轴承温升高是直驱风力发电机频发的故障,易导致风机长时间停机,维修难度大,造成设备重大损失。通过建立基于BP神经网络和Pearson相关系数的发电机轴承温升故障诊断模型,并以湖北荆门某风电场为例,试验结果表明:该方法能够较准确预测风机发电机轴承温升变化,通过将温度预测值与正常工况下的温度值进行误差对比,判断发电机是否处于正常工状,实现发电机潜在故障的预警,为风力发电机的故障诊断提供了一种切实可行的方法。     

航空发动机控制系统传感器智能故障诊断

航空发动机控制系统故障诊断一直是一个重点研究课题,本文使用智能故障诊断技术对发动机控制系统传感器进行状态检测和故障诊断。具体方法为:以传感器之间的冗余关系为基础,利用基于智能粒子群算法的小波神经网络建立传感器输出预测器,通过准确预测传感器输出,实现对传感器的检测和故障诊断。通过仿真验证,本文所使用智能故障诊断技术是可行的,具有一定的借鉴价值。     

基于SVM的静压管桩单桩极限承载力预测

为了提高静压管桩单桩极限承载力的预测精度,本文在构建的静压管桩单桩极限承载力指标体系的基础上,建立了静压管桩单桩极限承载力的支持向量机预测模型,应用该模型对实际工程中静压管桩单桩极限承载力进行预测,并运用BP神经网络预测模型与其做对比,试验结果表明,支持向量机对静压管桩单桩极限承载力具有较好的预测性能。     

小波神经网络对沪深A300的分析和预测

针对金融时间序列非平稳性、非线性的特点,本文采用小波分析与人工神经网络相结合的方法,对沪深A300收盘价进行分析和预测。结果表明,小波神经网络有较强的预测能力,能达到预期效果。为了验证该方法的预测能力,进一步将时间序列数据多步分段,全方位地进行预测,并与小波-ARIMA模型、BP神经网络预测方法进行比较,体现了小波神经网络的预测优势。     

螺杆泵工况检测及故障诊断系统设计方法

本文通过对石油用螺杆常见工况故障的系统分析,总结性的阐述了工况故障常见的表现形式。并以此为基础对相应的诊断方法做进一步说明。最后又进一步提出了基于BP神经网络的螺杆泵机组故障诊断网络的设计方法。     

TORNADO燃机故障诊断的神经网络模型研究

为改善单神经网络收敛速度慢的问题,本文采用组合神经网络建模方法,建立了燃机性能仿真网络模型,并进行实验验证。建模过程中,将建模对象划分为三个相对独立的子网络,利用获取的实验数据组成训练域对网络进行训练,建立起一套可用于燃气轮机控制系统仿真及故障诊断的组合神经网络模型。实验结果表明:该模型平均输出误差约为3%-6%,计算时间小于100ms,可用于基于模型的燃气轮机诊断系统。     

装备故障诊断方法研究

分析了神经网络故障诊断的特点,构建了神经网络的装备故障诊断模型,克服了传统故障诊断的缺点,并用某型装备故障的数据进行了验证,结果表明了神经网络诊断故障是一种有效的诊断方法。     

污水处理系统中软测量技术的应用

文章阐述了软测量技术的基本概念,综述了软测量技术在污水处理系统的神经网络建模与支持向量机建模、优化及故障诊断中的应用现状,总结了已有的研究成果,并就软测量技术在污水处理中的进一步研究进行了展望。     

线性振动的神经网络建模

本文利用人工神经网络对两自由度线性振动系统进行了神经网络建模,并通过所建立的神经网络模型对该系统进行了预测。分别利用MATLAB和BP网络作为平台和训练工具。以两自由度悬臂梁的受迫振动为例,将一段时间内的激励力作为网络的输入参数,对应于该段时间内由振动产生的挠度作为网络的输出参数,然后利用BP网络进行训练。将网络模型预测结果与精确解进行对比,误差甚小。该结果表明:所建立的神经网络模型合理、有效,可利用其对该类问题进行预测并应用于工程实践中。