基于EMD和ICA的感应电动机故障检测

针对感应电动机的转子断条故障和轴承故障,以定子电流信号为研究对象,结合经验模态分解(EMD)和独立分量分析(ICA)原理提出了一种新颖的故障检测方法.该方法首先对定子电流信号进行经验模态分解,去除高频IMF部分,消除噪声干扰;然后用独立分量分析的方法进行特征提取,进而判断故障类型.仿真试验结果表明,该方法用于感应电动机故障诊断是行之有效的.     

一种基于人工神经网络的旋转机械故障监测方法

把神经网络与数字信号处理相结合，提出并实现了一种基于神经网络的旋转机械在线故障监测系统，主要用于识别旋转机械的一些常见故障如转子不平衡振动、转子零部件松动、油膜涡动等等。系统主要由数字信号采集、数字信号预处理和Ｂ－Ｐ神经网络几部分组成。在神经网络中采用批处理加动量项的梯度下降算法学习。仿真结果表明该故障监测系统在故障识别率等各方面性能指标均优于传统的基于知识的工况监测与故障诊断系统。     

基于PCA-VNWOA-LSSVM的感应电机轴承故障诊断

轴承作为感应电机的关键部件，其运行状态直接影响船舶电力拖动系统安全。为解决船舶感应电机轴承故障诊断难题，本文提出一种基于PCA-VNWOA-LSSVM的故障诊断模型。选用美国凯斯西储大学轴承振动数据，利用离散小波分解(discrete wavelet transformation, DWT)从振动信号中提取内圈、外圈和滚动体故障特征，按不同故障类型和直径进行分组、主成分分析(principal component analysis,PCA)降维，结合改进的鲸鱼优化算法(von neumann whale optimization algorithm, VNWOA)对最小二乘支持向量机(least squares support vector machine, LSSVM)初始参数δ 2和γ寻优，搭建其故障识别模型，最后将遗传算法(genetic algorithm, GA)和粒子群算法(particle swarm optimization, PSO)的寻优诊断结果与之对比。结果表明：基于PCA-VNWOA-LSSVM的模型故障诊断精度高，且具有良好的稳定性及诊断速度。     

基于DSP的交流电机故障诊断

交流异步电机是广泛使用的能量转换装置.对鼠笼异步电动机的常见故障进行分析及诊断,提高电机故障的监测诊断水平,具有重大实用价值.本文应用小波包-神经网络算法实现了基于DSP的交流电机故障诊断.利用小波包分解算法提取出电机故障特征向量,并针对轴承和偏心故障特征,提出对数故障特征向量的算法.将故障特征输入基于任务分解的神经网络,实现基于DSP的电机定子、偏心以及轴承故障诊断.     

基于自适应神经模糊Petri网的电机故障诊断

为了提高电机的维护效率,实现电机实时故障诊断功能,基于传统Petri网理论、模糊理论和神经网络算法,提出了一种具有自适应性的神经模糊Petri网故障诊断方法。首先,利用高斯函数代替变迁可信度,解决故障传递不确定性的问题,结合BP神经网络对参数进行适应性训练。然后,根据Petri理论,引入竞争算子对矩阵推理方式进行改进,结合Sigmoid函数,提高了算法的计算效率。最后,以三相异步电动机为例,根据三相异步电动机的故障运行机理和故障特性,建立系统模型并进行故障诊断。仿真结果表明,该算法能准确地诊断出三相异步电动机的故障,具有较好的准确性和适应性。     

引入动态动量因子的共轭梯度多模盲均衡算法

为了克服传统多模算法收敛速度慢的缺点,提出了引入动态动量因子的共轭梯度多模盲均衡算法。该算法将共轭梯度方法及动量项引入多模算法中,得到了引入动量项的共轭梯度多模盲均衡算法的迭代公式。在研究动量因子变化规律的基础上,进一步引入指数函数的变形形式,构造了动量因子与误差之间的非线性函数关系。利用误差的递减规律实现动量因子的自适应减小,从而达到加快收敛速度,降低稳态误差的目的。理论分析和仿真结果均表明:提出的新算法与传统多模算法及共轭梯度多模算法相比较,能够有效地提高收敛速度,并且降低了稳态均方误差。     

模拟电路故障诊断的BP神经网络方法

提出了一种采用改进型的BP神经网络诊断模拟电路故障的新方法。介绍了包括附加动量法和自适应学习速率法在内的改进型的BP网络算法，其中附加动量法是在每一个权值的变化上加上一项正比于前次权值变化量的值，不仅考虑了误差在梯度上的作用，而且考虑在曲面上变化趋势的影响；自适应学习速率是根据误差函数值的变化对学习率进行实时调整，可以保证网络总是以最大的学习速率学习。最后，本文给出了仿真实例，实验证明所提出的方法与传统方法相比有更好的实时性和诊断效率。     

高压电动机故障诊断人工神经网络法

分析了高压电动机的故障特征,对高压电动机故障诊断人工神经网络法进行了讨论.并应用对称分量法理论,提出基于正序、负序、零序电流分量的高压电动机故障诊断人工神经网络法.建立了一个5层前向神经网络,对采用了有效的网络学习算法进行了讨论,为全面、快速和准确地实现高压电动机故障诊断,以提高其运行的安全性和可靠性提供了依据.     

一种自适应步长的复合梯度加速优化算法

自适应步长加速(Adam)类算法由于其计算效率高、兼容性好的特点，成为近期相关领域的研究热点.针对Adam收敛速度慢的问题，本文基于当前梯度、预测梯度以及历史动量梯度，提出一种新型Adam类一阶优化算法——复合梯度下降法(C-Adam)，并对其收敛性进行了理论证明.与其他加速算法的区别之处在于，C-Adam将预测梯度与历史动量区别开，通过一次真实的梯度更新找到下一次迭代更精准的搜索方向.利用两组常用测试数据集及45钢静拉伸破坏实验的实验数据对所提算法进行验证，实验结果表明C-Adam与其他流行算法相比较具有更快的收敛速度及更小的训练损失.     

一种新的感应电动机转子断条故障检测方法

该文提出一种基于Hilbert模量频谱分析的感应电动机转子断条故障诊断的新方法.该方法是将Hilbert变换和小波分析方法相结合,得到解析小波变换,以准确判定负荷波动发生时刻,消除了负荷波动对断条故障特征频率的影响.将Hilbert模量定义成原始信号与其共轭信号的平方和,利用Hilbert模量将原相电流中的基波成分转换成直流成分,将转子断条的故障特征分量——(1-2s)f1转变为频率为的电流分量,解决了相电流频谱分析方法中断条故障特征分量很容易被基波淹没而难以突出故障特征分量的问题.仿真分析表明,该方法能克服传统的电流频谱分析法的缺点,对感应电动机转子断条故障给出正确无误的诊断结果.     

基于邻域粒子群优化神经网络的异步电动机振动故障诊断

为了提高异步电动机振动故障诊断的准确性,提出了基于邻域粒子群优化神经网络的异步电动机振动故障诊断方法.首先对实验室异步电动机各类常见故障进行测试,然后选择异步电动机不同位置振动信号的特征频率作为神经网络的输入,最终利用邻域粒子群优化后的神经网络进行异步电动机振动的故障诊断.实验结果表明:与其他诊断方法相比,该方法具有较高的诊断精度.此方法适合应用在异步电动机振动故障诊断中,具有推广应用价值.     

基于人工种经网络的乳腺癌诊断模型

针对具体的乳腺癌诊断分类问题，研究了多层径向基函数(RBP)网络的分类机理和初始化优化参数，采用动量法和学习率自适应调整两种策略方法，建立了基于BP神经网络和径向基(RBF)神经网络的乳腺癌两种诊断模型。讨论了径向基神经网络的分类机理，同时对数据作了预处理。径向基(RBF)神经网络具有较强的非线性并行处理能力和容错能力。仿真结果表明，所设计的RBF网络模型性能稳定，训练时间短，分类效果较好。     

压力传感器数据融合算法研究

传感器存在的交叉灵敏度,运用BP网络对数据进行融合,可以有效降低非目标参量对输出特性的影响．MATLAB中提供了多种针对BP网络的训练方法,运用其中的变梯度法、拟牛顿法和LM法分别对压力传感器进行数据融合,比较其结果可以得出：LM算法可以有效地克服局部收敛,更好地提高压力传感器的稳定性和可靠性．     

组态式牵引电动机故障诊断模型

摘要： 针对电动机典型的故障诊断模型网络结构复杂、训练困难等问题,提出一种组态式牵引电动机故障诊断模型.该模型由多个多输入单输出的子径向基函数神经网络构成,每个子模型识别一种故障特征.根据系统需要将多个子模型任意组合,用来识别类型繁多的电动机故障.利用特征提取后的样本数据对该模型进行训练,并通过测试样本验证了故障诊断模型的有效性.结果表明,采用组态式牵引电动机故障诊断模型,一个子模型仅识别一种牵引电动机故障状态,结构简单,模型训练难度小,提高了模型的故障识别能力以及应用的灵活性,为牵引电动机故障诊断提供了一条新思路.     

基于一种改进的一维卷积神经网络电机故障诊断方法

故障诊断对于保障电机正常运行有着重要意义,卷积神经网络（CNN）对单一电机故障有着良好的诊断效果.然而传统CNN在处理不同尺寸的数据上存在局限性.针对这一问题,提出了一种基于空间金字塔池化和一维卷积神经网络相结合的故障诊断方法与参数优化策略.该方法不仅使网络可以处理不同尺寸的数据,还降低了网络结构的复杂性和所需运算量.所提出的参数优化策略从理论上解决了诊断过程中可能会发生的金字塔池化的尺度失配问题.仿真结果表明,与传统网络相比,所提出的方法提高了网络结构的鲁棒性与泛化能力,可以更加快速准确地实现电机的故障诊断.      

基于非线性主元分析的水轮机调节系统传感器故障诊断

利用现场的运行数据,将基于输入训练神经网络的非线性主元分析(PCA)方法应用到水轮机调节系统传感器故障诊断中,讨论了基于输入训练神经网络的非线性主元分析实现方法,建立了输入训练神经网络和反向传播网络,实现了对实测数据的重构,讨论了利用平方预测误差(SPE)进行故障检测和识别的方法,并用现场实测数据对该方法进行了仿真。仿真结果表明,该方法有效且实用。     

一种能给出充油电气设备油色谱故障诊断可靠性的神经网络方法

为了提高基于人工神经网络方法的充油电气设备油色谱故障诊断的准确性及诊断结果的可靠性,基于神经网络理论分析指出了采用不同训练算法、隐层神经元数量、初始权值和阈值训练得到多个网络输出的均值作为诊断结果能提高故障诊断的准确性,根据多个网络输出的标准差可以获得诊断结果的可靠性.根据搜集得到的大量油色谱样本,分别采用振荡传播(resilient propagation,RPROP)算法、共轭梯度法、拟牛顿法和Levenberg-Marquardt算法训练共计得到40个结构相似的神经网络,将训练得到神经网络应用于基于油色谱的充油电气设备故障诊断,同时比较了不同算法的训练时间和诊断结果的准确性.结果 表明多个网络输出的平均可提高故障诊断的准确性,根据多个网络输出的标准差可获得诊断结果的可靠性,而且表明神经网络结构相似时,4种算法训练得到的神经网络具有相近的故障诊断准确性,但从训练时间上看,RPROP算法、拟牛顿法和Levenberg-Marquardt算法非常接近,而共轭梯度法的训练时间为其他3种算法的6倍左右.同时考虑到Levenberg-Marquardt算法计算速度最快,可在充油电气设备油色谱故障诊断中用于训练神经网络.     

基于遗传-神经网络的电机故障诊断

本文采用非线性最小二乘法中的LM(Leven-berg-Marquardt)算法,结合遗传算法进行电机故障诊断的方法,并应用于电机故障的仿真实验,性能明显优于单一的算法结构.1神经网络模型及算法本文采用的LM算法是一种利用标准数值优化技术的快速算法,是高斯-牛顿法的改进形式[1].LM算法网络     

SVM与PSO相结合的电机轴承故障诊断

针对电机轴承故障问题,提出一种基于支持向量机(SVM,support vector machine)与粒子群优化(PSO,particle swarm optimization)相结合的电机轴承故障诊断方法。结合振动信号的时域与小波包能量特征,使表征振动信号的特征具有较好的可靠性和敏感性,提高了故障的诊断准确率。采用PSO算法对SVM的惩罚参数和径向基核函数参数进行寻优,并与其它参数寻优算法进行比较分析。实验表明,研究提出的轴承故障诊断方法不仅对电机轴承的外圈故障、内圈故障和滚珠故障有很好的识别效果,而且还对每一类故障的严重程度有较好的区分,具有较强的实用性。