基于模糊数学的液压挖掘机故障诊断

为快速诊断出液压挖掘机产生的故障原因,构建了液压挖掘机故障诊断的模糊数学模型.通过经验数据隶属度矩阵和专家优序数隶属度矩阵计算出故障诊断原因向量,由最大隶属度原则得到最终故障原因.将此方法运用于SWE50型挖掘机液压系统故障中,顺利找出故障原因是液压泵磨损,泵油压力偏低.     

基于神经网络数据融合方法的模拟电路故障诊断

根据模拟系统故障检测原理，采用神经网络与数据融合相结合的方法进行模拟电路故障诊断，提出了一种新型的基于D-S证据神经网络的故障检测与诊断方法．应用D-S证据理论对径向基函数网络进行了修正，用具有一个输入层、两个隐含层和一个输出层的神经网络实现．各个证据体的基本概率赋值的获取是D—S证据理论在实际应用中的难点问题，本方法中采用的是根据输入模式与原型模式之间的相似度以及原型模式的类别隶属度来确定基本概率赋值．借助神经网络自学习的功能，实现对类别隶属度的最优化．结果表明该方法能快速有效地进行故障诊断中大量数据的处理，具有很强的鲁棒性．     

模拟电路故障诊断中故障重分类方法的研究

分析了模拟电路故障诊断中故障类重叠.针对在该情况下神经网络训练困难与故障诊断正确率低的问题,提出了一种适于模拟电路的、基于神经网络故障诊断的故障重分类方法,给出了该方法的数学模型.通过诊断示例表明,该方法在故障类存在重叠时,降低了神经网络的训练难度,故障诊断的正确率达到99%以上.     

基于小波特征提取和概率神经网络的机械故障诊断

论述了基于离散小波变换系数的特征提取和概率神经网络在机械故障诊断中的应用。该方法利用离散小波获取振动信号各有效频带的能量作为故障参数,用概率神经网络构建设备运行状态模型,根据历史数据确定故障值并设置故障参数。实验结果从应用程序对轴承故障诊断表明,相比传统方法,该方法能够有效地提取测试信号内在的重要信息内容,并增加机械整体故障诊断的准确性,在机械设备故障处理系统中有良好的应用前景。     

基于自适应神经网络的电路系统故障诊断研究

针对人工神经网络的特点,对传统BP算法进行了全面改进,通过采用自适应学习率和动量因子修正等方法,有效克服了传统BP算法在实际应用中学习收敛速度慢和容易出现局部极小点的缺点。以电路系统的故障诊断为例,引入了模糊数学中的隶属度函数,对故障特征量进行处理后作为自适应神经网络的输入,故障编码作为网络的输出。实验仿真结果表明,该系统对电路故障类型能够有效地进行诊断和识别。     

思维进化算法优化模糊神经网络的变压器故障诊断

提出一种基于思维进化算法的模糊神经网络变压器故障诊断方法。该方法利用思维进化算法中的趋同和异化操作,对模糊神经网络中输入变量的隶属度函数位置参数和宽度参数以及神经网络的连接权值进行全局优化,可有效地克服常规模糊神经网络BP算法收敛速度慢、精度不高和遗传算法训练模糊神经网络速度缓慢、易陷入局部极小等缺点,有利于更快地收敛于全局最优解。并将其应用到基于溶解气体分析的变压器故障诊断中,实例表明,采用该方法具有较快的收敛速度和较高的诊断准确度,说明了该方法的正确性和有效性。     

模糊数学在汽车故障诊断中的应用

汽车故障征兆与故障原因间的关系是模糊的,为此,将模糊数学方法引入到汽车故障诊断中,建立汽车典型故障诊断的数学模型,提出由历史数据及专家优序数综合确定模糊隶属度的方法,建立模糊诊断模型,并在计算机上实现汽车故障的模糊诊断.     

自行火炮预防性维修决策系统设计与实现

为解决传统故障诊断方法在新型自行火炮维修保障方面的不足,将故障预测引入到装备维修保障领域,提出了基于动态模糊理论的故障预测模型。本文基于动态隶属度对服役期间故障的发生、发展和系统性能下降的动态变化过程进行描述,给出了动态权重矩阵、动态隶属度的确定方法和常见的隶属函数,并以一个预测实例说明了该方法的有效性和实用性。     

基于模糊神经网络的电动汽车变速器故障检测研究

针对电动汽车变速器故障呈现不确定性特征，影响检测性能的问题，设计了基于模糊神经网络的电动汽车变速器故障检测方法。从电动汽车变速器故障状态的工况数据中，提取电动汽车变速器的故障征兆参数；模糊化处理电动汽车变速器的故障征兆参数，依据电动汽车变速器故障征兆参数的隶属度，构建模糊规则库；利用BP神经网络学习模糊规则库的故障检测模糊规则，通过正向传播、反向传播和权值修正完成BP神经网络训练。将电动汽车变速器测试样本输入完成训练的BP神经网络，BP神经网络依据测试样本的模糊隶属度向量，输出故障检测结果。实验结果表明，该方法可以有效检测电动汽车变速器的齿轮断齿等不确定性故障，实用性强。     

基于自适应模糊推理的电力变压器故障诊断研究

将自适应神经网络的自学习优点与模糊数学的模糊推理方法进行有效的结合,解决了变压器绝缘故障诊断中模糊规则难以确定的问题,利用自适应神经网络的自学习功能,通过神经网络的学习确定了模糊规则和模糊隶属度。建立了变压器故障诊断的ANFIS模型,实现了电力设备故障诊断,反映了变压器的实际运行状态。     

自适应小波神经网络在故障诊断中的应用

为提高传统BP神经网络在故障诊断中的效率,提出用小波神经网络加以改进.采用动量法和学习率自适应调整结合的网络训练算法对小波网络的初始参数进行设置,提出自适应小波神经网络的故障诊断方法,详述其诊断原理,并结合实例证实了该方法应用于故障诊断的有效性.     

电子电路故障诊断的神经网络数据融合算法

针对模拟电路故障元件诊断的不确定性问题,将BP网络引入数据融合之中,结合模糊集合论,构造－模糊神经网络故障分类器,并将其应用于电子电路故障诊断之中。通过测试电子电路中被诊断元件的工作温度和工作电压这2个物理量,求出两传感器对各待诊断元件的故障隶属度,利用模糊BP网络故障分类器进行数据融合,得到融合的各待诊断元件的故障隶属度,从而确定故障元件,并通过单传感器诊断结果与融合诊断结果比较,说明多传感器融合的优越性。     

智能型箱式变电站故障诊断系统的研究

提出了一种基于多神经网络的分布式箱式变电站故障诊断系统的结构和构建方法，并介绍了对故障特征信息进行模糊化处理的方法，该系统具有可在线诊断，故障样本知识库易于维护和扩展，界面友好的特点。     

一种新的高阶前馈神经网络及其在旋转机械故障诊断中的应用

剖析了基于 BP神经网络和径向基函数网络的故障诊断模型的诊断性能和应用中的局限性 ,针对这些诊断模型的局限性 ,提出了基于椭球单元 (Ellipsoid Unit)高阶网络的诊断模型 ,并对网络训练算法进行了研究 ,提出了基于模糊聚类算法的网络权重初始化方法和网络动态训练策略 ,有效地改善了网络的学习性能和诊断性能 ;最后对该网络在旋转机械故障诊断中的应用进行了研究。结果表明 :比之经典前馈网络 ,椭球单元网络在故障分类方面因其能形成封闭有界的决策区域而具有明显的聚类的优越性和分类的合理性 ,很适合故障诊断领域的分类问题     

基于集对分析和隶属函数的轨道电路故障诊断

针对ZPW-2000A轨道电路状态评估、诊断过程中故障类型与征兆间存在多种不确定性等问题，将集对分析及隶属函数引入轨道电路状态评估及故障诊断中. 首先，对收集到的数据处理并分析故障类型与故障征兆的联系，建立故障类型集合；然后，利用集对分析建立故障类型与轨道电路运行状态的联系度，并利用熵权法结合集对分析确定征兆间的权重精确值；最后，利用隶属函数，描述运行状态与状态等级间的对应关系，建立故障类型同异反评价矩阵模型. 算例验证结果表明，结合集对分析与隶属函数的轨道电路评估方法有效反映轨道电路运行状态及故障类型.     

基于FTA与BAM神经网络融合的飞机故障诊断方法

飞机由大量彼此关联的组件组合而成,其大规模特性使得基于故障树(FTA)和基于神经网络的故障诊断方法在应用于其故障诊断时分别存在空间爆炸问题和训练样本整理困难问题.本文融合故障树和BAM神经网络,由故障树归纳出系统所有的故障模式,整理出BAM神经网络所需的具有规范性、独立性、正交性的训练样本,然后用BAM神经网络实现飞机故障的快速和准确诊断.实验评估结果表明,融合方法有良好的可扩展性,而且故障判别率提升了20%.     

设备与结构故障智能诊断研究

综述了近年来人工神经网络技术在机械设备故障诊断和结构损伤识别中应用的主要研究成果。分析了神经网络在故障诊断中存在的问题和改进方法,总结了基于神经网络的结构损伤识别中各种输入参数的选取及其优缺点,对基于神经网络的智能诊断的发展趋势进行了展望。     

一种混合智能故障诊断方法及柴油机故障诊断

提出了一种模糊聚类、粗糙集理论与神经网络集成的混合智能故障诊断方法。引入聚类有效性函数和点分布密度函数。对模糊c-均值聚类算法进行改进,形成了自适应模糊聚类算法并依据该算法将连续的故障特征值离散化。应用粗糙集理论处理离散化的故障诊断数据。采用基于信息熵的方法,约简冗余的故障特征。依据约简结果构建神经网络,采用遗传算法优化网络的权值和阈值。将该方法用于柴油机气门故障诊断,并与普通神经网络进行对比。结果表明,该方法提高了故障诊断的正确率。