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。     

基于小波包-Elman神经网络的电机轴承故障诊断

根据电机滚动轴承振动信号的频域变化特征,通过小波包分析将轴承振动信号分解在不同的频带之内,以频带能量作为识别故障的特征向量,应用容错性强、动态性能良好的Elman神经网络建立从特征向量到故障模式之间的映射,实现电机轴承故障分类。仿真结果表明,采用小波包和Elman神经网络相结合的方法能更加有效地实现电机轴承的故障诊断。     

基于小波包-Elman神经网络的电机轴承故障诊断

根据电机滚动轴承振动信号的频域变化特征,通过小波包分析将轴承振动信号分解在不同的频带之内,以频带能量作为识别故障的特征向量,应用容错性强、动态性能良好的Elman神经网络建立从特征向量到故障模式之间的映射,实现电机轴承故障分类。仿真结果表明,采用小波包和Elman神经网络相结合的方法能更加有效地实现电机轴承的故障诊断。     

基于模拟电路IDDT的小波神经网络故障诊断方法

动态电源电流(IDDT)对模拟电路故障诊断非常有效。通过分析被测电路的动态电源IDDT及其输出响应来识别电路的故障元件;用小波对被测信号进行多尺度分解,提取小波系数能量,经归一化后,作为特征向量输入到神经网络而实现故障诊断.实验仿真结果表明:该方法能正确实现故障定位且准确率高.     

基于小波分析的齿轮箱故障诊断

对测取的齿轮箱振动信号进行了离散小波变换，提取了齿轮箱螺栓拉断的故障信息。结果表明，小波变换或小波分析为判断、预防同类事故提供了一种有效的分析手段。     

小波神经网络技术在故障诊断中的应用

针对故障诊断技术的不断发展,文章通过阐述小波分析和人工神经网络的概念和特点以及在二者在不同条件下结合的情况,综述了故障诊断系统的现状和进展,并展望了这种技术的前景。     

基于小波模糊神经网络的陀螺仪故障诊断技术

为了提高陀螺仪故障检测灵敏度,分析了陀螺漂移特性,指出随机漂移是影响陀螺仪精度的主要漂移误差,也是影响性能可靠性的主要因素．针对此,提出了一种小波模糊神经网络故障诊断模型．此模型运用串联方式将小波分析、模糊逻辑和神经网络融合在一起,充分发挥它们各自的优点,并对陀螺仪实测数据仿真．仿真结果表明,采用小波分析提取陀螺的常值漂移,简单有效;运用神经网络对陀螺的误差和故障建模,使故障诊断具有自适应、自学习的能力,并互增强了故障诊断的容错能力;将模糊逻辑用于判决中,使判决结果更加可靠．     

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。     

基于小波包神经网络分析的滚动轴承故障诊断

针对轴承故障识别率低、故障信号不平稳的问题,提出了改进小波包能量特征提取和神经网络的故障诊断方法.首先利用改进小波包算法将轴承内圈、外圈、滚动体三个部位的采集信号进行三层分解与重构;然后通过小波包能量谱提取不同节点能量,形成故障特征集;最后依次建立BP和Elman神经网络故障分类模型,将所得的小波包节点能量作为特征向量输入到故障模型,进行轴承不同故障状态的分类识别.实验结果表明,本文算法可准确分类并预测轴承运行状况,提高了诊断准确率.     

基于小波变换的水轮机组故障诊断的研究

对传统傅立叶分析技术在水轮机组振动故障诊断的故障特征提取的应用进行深入研究的基础上,针对使用该方法提取的频率信息精度不够的问题,提出了一种运用小波分析技术对水轮机组振动信号进行故障诊断的方法.采用Mallat算法并运用设定阈值的方法对采集到的裂纹转子的振动信号进行去噪,然后运用Trous算法对滤波后的振动信号的突变信号特征进行提取.结果表明本方法对水轮机组的振动信号故障诊断具有很好的准确性,为水轮机组故障识别提供了一种方法.     

基于小波和神经网络的图像压缩方法

针对图像压缩中压缩率与图像质量的折衷问题。综合利用小波变换和神经网络各自的优点,采用小波和神经网络的方法进行图像压缩．该算法先对图像进行小波分解,保留低频系数,然后将高频系数输入训练的网络进行矢量量化编码达到压缩的目的．最后根据保留的低频系数和还原的高频系数重构图像．     

基于粗糙集神经网络的故障诊断

在神经网络故障诊断模型的基础上,引入粗糙集理论,给出连续属性值的离散化方法.并应用粗糙集对故障诊断决策表进行属性约简,剔除其中不必要的属性.仿真结果表明,该方法可以有效地减少输入层个数,简化神经网络结构,减少网络的训练时间,在故障诊断中有良好的应用前景.     

基于压力信号的小波神经网络往复泵故障诊断

为有效提取往复泵工作时非平稳时变信号中的故障特征和将故障特征准确分类,提出以泵缸内的压力作为系统特征信号来提取故障特征向量的方法.将小波包分解的频率-能量-故障识别模式诊断方法引入泵阀工作状态监测中,通过改进的BP神经网络进行故障诊断.试验确定了网络的初始值,即选择学习率初始值为1.5、惯性因子为0.6、网络结构为3层的BP网络,其中隐含层的节点数为19个,即网络的结构是8-19-3.结果表明,该法降低了对原始信号处理的难度,且各阀箱内的压力之间无相互影响.该技术已应用于某船载系统的往复泵实时故障诊断中,实验验证了其有效性.     

基于小波包分析和BP网络识别的齿轮故障诊断

针对齿轮故障信号的能量所引起的变化会淹没在常规振动与噪声之中,用传统的信号处理方法不易提取故障特征,给齿轮的故障诊断带来很大困难这一事实,本文描述了用于从振动信号中提取故障信息的小波包和用于识别故障类型的BP网络,研究了BP网络故障模式识别与小波包故障特征提取结合在一起对齿轮故障进行诊断的方法,研究结果表明该方法可以成功地用于轮常规故障的识别和诊断。     

基于WPD和模糊神经网络的轴承故障诊断

提出一种结合小波包分解和模糊神经网络的故障诊断方法,采用小波包分解与重构提取各频带的能量作为故障特征向量,并以此为学习样本,再利用正交最小二乘学习算法训练模糊神经网络,确定故障诊断系统模型,对轴承故障进行诊断和识别.仿真结果及与其它一些方法比较表明:该轴承故障诊断方法可以有效识别和预测轴承的状态,且学习效率、准确性和可靠性等方面均有较大提高.     

基于模糊神经网络的凝汽器故障诊断

对基于热力参数的凝汽器典型故障，建立了凝汽器典型故障集、征兆集及故障特征向量集合，提出了一种适用于凝汽器故障诊断的模糊BP神经网络方法，并以实例验证了该网络模型识别故障的准确性。     

基于小波神经网络的掌纹识别

提出了一种基于小波神经网络的掌纹识别方法。首先对掌纹图像经过预处理得到掌纹的感兴趣区域(ROI),然后利用小波包分解的方法对该区域进行掌纹特征的提取,再利用RBF网络的容错能力和较快的收敛性对掌纹图像加以识别。针对香港理工大学掌纹数据库进行了实验,实验结果证明,本算法可以达到很好的识别效果,为掌握识别提供了一种新途径。     

基于小波分析和RBF神经网络的铜价预测

提出一种非线性时间序列预测方法,即把小波分析结合RBF神经网络预测方法对非线性时间序列进行预测。对铜价的预测结果表明,该方法比单纯的小波预测或单纯的RBF网络预测精度高,可以很好的应用于某些非线性时间序列的预测中。     

基于神经网络的多重化整流电路的故障诊断

针对多相整流电路的特点,采用对输出电压分段平均值进行谱分析的方法,得到网络的特征量,不但降低了网络样本的维数,而且使得特征量与采样的误差和整流控制角的相关性减到最小;导出一种既有最速下降法的稳定性又有牛顿法的快速性的新算法;设计了该算法的神经网络结构,并讨论了网络结构参数对故障诊断结果的影响;此方法简单易行,误判率低,训练时间短,对各种多重多相化的整流电路具有普遍的适用性.