多信息融合技术在发动机故障诊断中的应用

本文为了解决发动机喷油器故障诊断中基于单传感器信息的方法诊断精度低的缺点,应用神经网络原理,提出了一种基于气缸压和,缸盖振动信号和燃油压力等多传感器信息融合的喷油器故障诊断新方法,通过提取发动机工作过程故障三种信号的八个特征值,按正常和五种故障状态的构造学习样本文集和检验样本文集,对输入进行归一化处理,该方法能有效地提高其故障诊断精度。     

传感器故障在线诊断和信号恢复的两级神经网络方法

目的研究控制系统中传感器软硬故障诊断和信号恢复．方法提出一种两级神经网络（ＮＮ）包括一个主神经网络和若干个局部神经网络方法．主神经网络负责诊断传感器故障,其输入为各传感器在时刻ｔ的信号,输出为各传感器在时刻ｔ＋１的信号．各局部网络负责传感器故障诊断和信号恢复．每一个局部网络对应一个传感器,局部神经网络输出为相应的传感器在时刻ｔ＋１的信号,其输入为其余传感器在时刻ｔ的信号．各网络均采用先学习,后工作的在线学习方法．结果与结论所述方法具有在线学习、故障误检率低、可以诊断多个传感器软硬故障的优点．对气垫船中传感器软硬故障诊断的仿真结果表明,该方法是行之有效的．     

基于对向传播神经网络的水电机组振动故障诊断研究

应用频谱法和对向传播神经网络分类器对水电机组的振动故障进行诊断。采用对水电机组振动信号进行频谱分析,提取该信号在频率域的特征量,将频谱特征向量作为学习样本;通过训练,使构造的对向传播神经网络能够反映频谱特征向量和故障类型的映射关系,从而达到故障诊断的目的。仿真结果表明,与常规方法相比,频谱分析与对向传播神经网络相结合的方法进行故障诊断简单有效,且具有良好的鲁棒性和泛化能力,是一种有效的诊断方法。     

数据驱动的变速器传感器故障诊断方法

针对基于模型以及基于规则的故障诊断方法的局限性,运用数据驱动的方法对变速器传感器进行故障诊断。使用逐步回归算法建立传感器模型,将实际传感器输出与传感器模型输出相减得到残差序列;用小波包变换(WPT)对残差序列进行分解,提取节点的香农熵作为特征值;最后,用概率神经网络(PNN)对不同传感器故障的特征值进行识别。使用硬件在环仿真获取车辆行驶过程中的变速器信号对该方法进行验证。结果表明:该方法的诊断正确率达到98.50%,在不同的样本划分情况下诊断正确率变化很小。此外,还对其他多个变速器传感器进行了故障诊断,诊断正确率均在较高值,证明了该方法的普适性。     

基于BP神经网络的电机转子故障诊断的研究

介绍了一种基于 BP算法的神经网络在电机转子常见故障诊断中的应用。首先利用测振传感器获得转子的振动信息 ,然后用 FFT分析 ,将振动信号的频谱分析作为神经网络的训练样本。通过选择足够的故障样本来训练神经网络 ,将代表故障的信息输入训练好的神经网络后 ,由输出结果就可以判断发生的故障种类。     

基于有限状态机的电机霍尔传感器故障诊断与补偿策略

针对在复杂工况下运行的永磁无刷电机霍尔位置传感器故障,提出了基于有限状态机的故障诊断方法.该方法可准确区分正常霍尔信号、故障霍尔信号以及反向霍尔信号,并将有限状态机与设计的超螺旋转速观测器相结合,实现了对发生在任意扇区内霍尔位置传感器故障的实时检测.在此基础上,设计了霍尔信号补偿控制器,利用正常霍尔传感器与转速观测器的估计转速生成补偿霍尔信号,使电机能在单个或2个霍尔位置传感器故障时,仍能保持稳定运行,并减小了故障引起的性能波动.最后,利用永磁无刷电机实验平台对所提控制策略进行了验证.实验结果表明,所提故障诊断方法能及时检测出霍尔传感器故障,后续的补偿控制策略也能保证故障后电机的平稳运行.     

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。     

基于主成分分析的建筑空调系统传感器故障检测

在已经建立的建筑空调系统仿真器的基础上,针对系统的温度、湿度、流量传感器提出了一种基于主成分分析的传感器故障诊断方法.该方法根据系统正常的历史运行数据建立数理统计模型,通过传感器实际测量数据与正常数据阵在故障子空间投影的比较,对传感器的故障进行检测.仿真试验表明,该方法能够诊断出固定偏差和漂移故障,为进一步研究传感器的故障诊断提供了必要的基础.     

基于电机定子电流的齿轮故障诊断方法

齿轮故障诊断一般采用振动信号进行故障特征提取,但振动诊断法不便于安装传感器,易受环境和噪声影响.电机本身具有传感器的特性,定子相电流等信号能够反映负载转矩的变化.因此,针对由电机驱动的齿轮传动系统,提出了一种基于电机定子相电流分析的齿轮无损故障诊断方法.推导了电机定子电流如何反应负载转矩的特性,并分析了齿轮正常与故障状态下定子电流的频谱特征,发现可通过观察边频带的出现来判断齿轮发生局部式故障.通过Matlab对故障诊断原理进行了仿真验证,在实验平台上结合频谱分析成功检测出了齿轮断齿故障.     

一种基于RBF神经网络的传感器故障诊断方法

针对传感器故障，提出了一种基于RBF神经网络的集成故障诊断方法，用RBF神经网络建立传感器故障模型，对系统的状态和故障参数进行在线估计，然后将故障参数与修正的Bayes分类算法（MB算法）相结合，进行传感器故障在线检测、分离和估计。对连续搅拌釜式反应器（CSTR）的仿真结果表明，该集成故障诊断方法能够对多重传感器进行故障进行快速准确的分离和估计，并对传感器故障具有容错性。     

基于小波分析和神经网络的电机故障诊断方法研究

在电机故障诊断技术中,电机振动信号最能全面反映电机的运行状态.本文提出一种基于小波分析和神经网络的电机故障诊断方法,该方法采用小波时频分析技术对电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,应用BP神经网络进行故障识别,并采用Matlab仿真软件予以实现.结果表明,该方法不需要建立电机的故障诊断模型,能有效提高电机故障诊断的准确性.     

基于神经网络的传感器故障监测与诊断方法研究

提出了一种基于神经网络的传感器故障监测与诊断的新方法。该方法先用BP网络的预测输出和传感器实际输出之差来判断传感器是否发生了故障，然后用函数型连接神经网络模拟传感器的输出特性函数，通过计算神经元连接权值的变化，确定传感器哪个输出特性参数发生了变化，最终推断传感器发生了哪一类故障。该方法的特点是只需要知道一个传感器的信息。电阻应变式力传感器故障诊断实验结果证明了该方法的实用性，为传感器故障监测与诊断提供了一条新途径。     

样本不均衡条件下基于自调整支持向量机的故障诊断

故障数据样本和正常运行数据样本量的不均衡将导致支持向量机在构建故障分类超平面时发生偏移,降低了基于支持向量机的故障诊断的诊断准确率. 针对该问题,文中提出一种能够自动调整风险惩罚因子的新型支持向量机. 该方法能够自举式地对有效样本进行挑选,并加大高信息量数据样本的风险惩罚因子,抑制样本不均衡导致的分类超平面偏移,进而提高故障诊断的准确性. 所提方法被用于变压器故障诊断实验,实验过程中正负样本的风险损失始终相等,有效地抑制了样本不均衡现象对诊断造成的影响,验证了所提算法的有效性.      

基于全频谱技术的油膜诱发转子失稳的故障诊断

为了解决传统的频谱技术在转子-轴承系统故障诊断中存在的问题,采用全频谱技术诊断方法,对油膜诱发转子失稳故障进行诊断。该方法可以完整描述转子的进动状态,对整个进动平面进行监测,且能够同时容纳空间上两个垂直的传感器的信号。结果表明,全频谱技术可以对油膜诱发转子失稳的故障进行有效诊断,提高了故障诊断的便捷性与准确度。     

神经网络与符号推理集成系统及其学习算法

提出一种神经网络与符号推理集成系统ＩＮＮＳＩ。它包括两部分：根据领域规则构造神经网络；神经网络根据样本进行学习该系统的特点是网络的拓扑结构学习过程中可以动态地变化。通过齿箱故障诊断试验，可知应用该方法诊断齿故障是有效的，并可较大幅度地提高诊断的速度和精度。     

一种基于RBF神经网络的智能故障诊断方法

根据神经网络独特的容错、联想、推测、自适应、自学习等优点,针对BP网络在故障诊断应用中收敛速度慢等不足,研究了基于RBF神经网络的智能故障诊断方法.该诊断方法只需要足够的具有代表性的故障样本用以训练神经网络,然后将归一化的故障信息输入给训练好的神经网络,根据其输出结果就可以判断发生的故障类型.利用该诊断方法,对发动机转子系统故障诊断进行了仿真,仿真结果表明,基于RBF神经网络的智能故障诊断方法效果良好.     

基于神经网络的故障诊断推理方法

针对传统诊断技术的局限性,研究了基于ＢＰ模型神经网络的故障诊断推理方法,它只需选择足够的具有代表性的故障样本训练神经网络,将代表故障的信息输入给训练好的神经网络,根据神经网络的输出结果,就可以判断发生故障的类型．神经网络一旦训练好,由于其具有容错性,不仅能诊断出已经出现过的故障,还能在一定范围内诊断出从未出现过的故障,使故障诊断智能化和简单化．仿真结果表明,基于神经网络的故障诊断方法是行之有效的     

模拟电路故障信号的小波预处理

针对模拟电路故障诊断的神经网络存在结构规模较大的问题,提出一种基于小波一神经网络的模拟电路故障诊断方法。该法采用冲激响应来获取模拟电路的故障信号,采用小波变换作为模拟电路故障信号的预处理器,利用Haar小波分层次分解提取故障信号特征,该信号特征经主元分析和数据标称化后,作为用于故障诊断的神经网络的输入。基于该法故障诊断的基本原理,对一实例电路进行故障划类、小波函数及故障特征选择,给出计算故障特征的仿真编程及故障类别的识别方法。该法大大减少用于故障诊断的神经网络的输入数目,简化它的结构和减少其训练处理的时间。仿真结果表明,该法可以提高模拟电路故障诊断的效率和辨识故障类别的能力。     

基于自组织神经网络的轴流风机不对中故障诊断研究

利用神经网络的非线性映射及其高度的自组织和自学习能力,将自组织神经网络(SOM)应用于轴流风机的故障诊断.根据故障信号及其故障类型来构造网络,用单一故障样本对网络进行训练,根据输出神经元在输出层的位置对故障进行判断.风机的不对中故障是指风机转轴与电机主轴之间由联轴器联结构成轴系,由于机器安装误差、承载后的变形及机器基础的松动等,造成轴系对中变化误差.本文就结合不对中故障的实际情况,通过MATLAB仿真验证了该方法的正确性.     

基于小波分析和Kohonen神经网络的滚动轴承故障分析

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,在对振动信号进行采集和处理的基础上,提出了小波变换与Kohonen神经网络(SOM)相结合的滚动轴承故障诊断新方法.运用该方法在滚动轴承实验台上进行实验,用小波分析提取振动信号的特征值后,应用SOM网络对数据进行分类得到各种故障类型的标准样本,通过故障样本与标准样本...