小波神经网络在齿轮箱故障诊断中的应用

介绍了小波神经网络的基本概念及其构造，并针对齿轮箱故障的复杂性，综合利用小波函数的特点，构造了用于齿轮箱故障诊断的小波网络，对齿轮箱的状态进行判别，实现故障诊断．实验结果表明，小波神经网络在故障诊断领域具有良好的实用性．     

基于神经网络信息融合技术的应用

本文在简述信息融合技术和BP诊断神经网络的基本概念之后，进行了BP神经网络信息融合故障诊断的应用研究，并将其应用到电路板元件故障诊断之中。从结果看，信息融合技术能较好地解决故障诊断的不确定性问题，是可行的和有效的。     

电力变压器故障诊断的神经网络专家系统

介绍了产生式系统与神经网络结合的一种方法──神经网络专家系统（NNES）。根据变压器故障诊断的特点，建造了用于电力变压器故障诊断的NNES。该系统充分发挥了NN与ES各自的优点，为变压器故障诊断创造了一条新的思路。     

混合型集成神经网络故障诊断方法研究

基于集成神经网络故障诊断理论，提出了一种混合型集成神经网络故障诊断方法，阐述了其结构和算法。采用了工业对象对其进行了仿真研究，通过仿真结果表明其可行性。     

基于BP神经网络的挖掘机智能故障诊断知识库设计

介绍了基于BP神经网络智能故障诊断技术在贵阳矿山机器厂O.8m3.液压挖掘机故障诊断系统应用中系统故障诊断神经网络知识库设计的方法与步骤,结合液压泵子系统故障诊断实例详细阐述了智能故障诊断故障库设计过程中神经网络建立、训练样本获取及神经网络学习的具体方法.     

粗糙集理论在内燃机柱塞故障诊断中的应用

在对内燃机柱塞等故障利用神经网络进行诊为的基础上，引入粗糙集理论，对其在故障诊断特征参数属性优化中的运用进行了探索，并对故障诊断决策进行属性约简，剔除其中不必要的属性，揭示了故障诊断条件属性内在的冗余性，降低了神经网络构成的复杂性，最后给出了属性约简的结果。     

集成神经网络和专家系统的控制系统故障诊断

在分析了所研究的控制系统的基础上，针对神经网络和专家系统在故障诊断中各自的优缺点，建立了一个基于神经网络和专家系统的控制系统集成故障诊断系统。文中详细介绍了系统的结构、诊断策略等     

基于小波包-神经网络故障诊断系统研究

建立了旋转机械故障诊断的神经网络模型，采用小波包分解方法提取特殊频段上的能量作为特征值为神经网络的输入模式，模型具有通用性。并且应用于旋转机械故障样本的识别计算，结果表明该方法在故障诊断中是有效的。     

基于卷积脉冲神经网络的故障诊断方法研究

深度学习为轴承故障诊断的智能化发展提供了新思路。本文从类脑计算角度出发，设计一种对轴承数据敏感的脉冲神经网络来完成故障数据分类任务。首先采用信号分解的方式提高原始信号特征提取效果，然后对故障信号进行脉冲编码，并采用多分量混合输入方式填充时间步作为神经网络的输入，最后采用卷积脉冲神经网络(SCNN)进行故障分类。为了验证该模型的分类效果，采用西储大学轴承数据集进行验证，分类准确率达到了99.78%。结果表明该轴承数据编码方案可以充分发挥脉冲神经网络时空动力学特征，且该脉冲神经网络模型在轴承故障诊断问题上具有高精度、高效率的特性。本研究有利于促进脉冲神经网络在故障诊断领域的研究和应用。     

基于粗糙集-RBF的配电网故障诊断系统研究

为了改进人工智能方法在配电网故障诊断系统中的应用,给出了基于粗糙集理论的RBF神经网络的模型结构,然后利用训练好的神经网络对配电网进行故障诊断.采用VC++语言开发工具,调用Matlab神经网络工具箱建立了一个简化的故障诊断系统,并通过配电网实例验证了方法的正确性.实践证明该系统不但提高了配电网故障诊断的容错性,使故障诊断变得更加准确有效,而且减少了神经网络样本数据,大大减少了故障诊断过程的时间.     

小波神经网络在模拟电路故障诊断中的应用研究

对模拟电路提出了一种基于小波与神经网络辅助式结合的故障诊断方法．该方法用小波变换作为模拟电路故障信号的预处理器，大大减少神经网络的输入数目，简化神经网络结构和减少它的训练时间，提高辨识故障能力．在介绍该故障诊断方法的基本原理后。给出了小波函数及故障特征选择的方法．     

神经网络在机械系统故障诊断中的应用

近年来，神经网络已成为当代人工智能研究领域的一个热点，工程界也表现了极大的热忱，期望它在解决一些长期以来用传统方法难以解决的问题方面能发挥突破性作用。本文较为详细地探讨了神经网络双向联想记忆法在机械系统故障诊断中的应用。研究表明，该法能大大提高故障诊断的智能水平和实时处理能力，为机械系统故障诊断开辟了一条新途经。     

基于改进的RBF神经网络的配电网故障诊断模型

结合梯度下降算法和进化算法对RBF神经网络进行改进,建立了基于改进的RBF神经网络的配电网故障诊断模型.配电网故障诊断实例表明,基于改进的RBF神经网络的配网故障诊断模型具有较高的诊断精度.     

基于CPSO-PNN及灰色关联度分析的电网分区故障诊断

随着能源需求的增加、电网规模的扩大，电网故障诊断难度也随之增大.针对该问题，提出基于混沌粒子群优化的概率神经网络及灰色关联度分析的电网分区故障诊断方法.首先，将大型电网划分为小区域；其次，利用混沌粒子群优化的概率神经网络对小区域进行故障诊断；最后，对重合区域的故障进行灰色关联度分析.仿真结果表明：该方法对非重合及重合区域的故障均能进行诊断，具有较高的故障诊断精度.     

基于神经网络的模拟电路故障诊断

探讨了基于故障字典法和基于神经网络的故障诊断方法,利用自组织特征映射神经网络进行模拟电路故障诊断,根据神经网络的输出结果可以判断发生故障的类型.自组织特征映射神经网络聚类能力强、速度快,因此很适合复杂系统的故障诊断.     

神经网络自适应滤波器在故障诊断中的应用

分析了用自适应滤波器进行故障诊断的方法．针对该方法在计算上要花费大量时间、难于完成实时诊断任务的缺点，提出了用神经网络自适应滤波器来完成故障诊断的方法．神经网络有极快的运行速度，能很好地完成实时诊断任务．     

防砂泵车故障的小波神经网络诊断法

将小波包分析应用于往复泵的故障特征提取中，建立了往复泵小波神经网络故障诊断模型。使用小波包分析的特征提取功能以及神经网络的非线性映射功能能够较好地完成从振动信号到往复泵故障的分类。以此为基础开发出的故障诊断软件系统具有使用的特征量较少、建造故障诊断系统较为简单等优点。通过对液力端的多故障诊断检验表明，该系统完全能够较准确地识别出往复泵多种常见故障。     

电液伺服阀的改进型智能故障诊断研究

将改进的遗传算法和BP神经网络相结合，应用于电液伺服阀的故障诊断中，通过实验数据反映了改进后的GA-BP算法用于故障诊断的优越性，同时也表明了新算法用于故障诊断的有效性、准确性和快速性。     

基于小波神经网络的滚动轴承故障诊断

研究了基于BP神经网络、基于径向基神经网络等的故障诊断方法和原理,并利用小波包分解获得了滚动轴承振动信号的特征向量,进行了详细的故障诊断实验研究,通过实验,比较了基于松散型小波神经网络与紧致型小波神经网络的诊断结果。仿真结果表明,紧致型小波神经网络用于滚动轴承的故障诊断更为有效。     

基于人工神经网络的液压泵故障诊断

本文对目前广泛应用于故障诊断中的BP神经网络及其对液压泵进行故障诊断的原理进行了简单介绍,并对神经网络在液压泵故障诊断中的应用进行了综述。