基于神经网络的自适应故障模式分类方法

在深入研究ＡＲＴ－２神经网络结构的基础上，提出了一种基于神经网络的自适应故障模式分类方法，并应用在轴承故障诊断中，结果表明：该方法对轴承故障模式具有自学习，快速稳定的识别能力。     

一种用于模式分类有监督的模糊ART神经网络

探讨了一种将有监督学习机制融合到模糊ＡＲＴ网络构成一个有监督的模糊ＡＲＴ神经网络模型,这种网络能同时处理有监督和无监督学习问题,并具有积累和增加网络学习的能力,对该网络进行了滚动轴承检测数据模式分类实验,并与ＢＰ网络进行了比较性实验,结果表明：该网络具有良好模式分类能力和较好的可塑性。     

一种基于经验模态分解和流形学习的滚动轴承故障诊断方法

提出一种基于经验模态分解(EMD)和流形学习(LTSA)的滚动轴承故障诊断方法。首先,利用EMD对滚动轴承振动信号进行自适应分解,计算IMF分量的协方差矩阵特征值,组成滚动轴承状态原始特征集;然后利用LTSA对原始特征集进一步的融合提取;将所得新特征输入到K-means分类器中进行故障识别与聚类。实验分析结果表明:该方法可以有效地对滚动轴承的工作状态和故障类型进行识别。     

回归神经网络辩识电液伺服系统模型与仿真

建立了一种回归神经网络辩识非线性电液伺服控制系统数学模型的辩识方法,研究了基于回归神经网络内部状态反馈的辩识算法,利用辩识实验获得的过程输入/输出数据动态调整神经网络权值。仿真结果辨明:神经网络描述的电液伺服控制系统数学模型具有较高精度,算法全局逼近能力良好。     

谐波校正法在减速机故障分析中的应用

针对信号中大量离散谱线且存在较明显的等间距频率成分,运用了谐波校正法,避开单个谱峰的校正问题,一次性地确认减速机各通道的离散频谱,并对所得离散频谱与各齿轮通过频率进行配对以确认谱峰来源．在此基础上,对多工况下的各次测量结果进行综合分析,快速准确地分析出斜轴振动是减速机故障主要根源．