机器耳技术

概述机器耳技术，介绍一种能在强背景噪声环境工作的听觉器的原理与特性，智能器组成，探讨了吸声体在强背景噪声环境下的吸声机理，隔声体的吸声作用，并用２实例介绍了机器耳技术在装备故障诊断中的应用。

KL-Bayes方法在故障模式识别中的应用

有效特征向量的提取和状态识别是设备状态监测与故障诊断领域中的关键技术。近年来,国内外很多学者都非常重视自动特征向量选择与提取方法的研究和模式识别方法的探讨。文中提出的KL-Bayes 方法是KL变换特征提取方法与Bayes 逐步判别分析方法的结合,前者可在不改变原始样本空间分布特点的基础上降低特征空间的维数[4],后者是一种集“有效特征选择与状态识别”功能于一身的方法[1]。KL-Bayes方法用于不太复杂的系统故障诊断,如轴承、齿轮箱故障诊断中是非常简单有效的。文中给出了应用实例及分类器自学习前后的分类结果。

论机械装备监测诊断技术的体系

装备监测诊断技术的研究对象是装备的状态信息.装备监测诊断技术的体系框架由状态信息检出、状态信息表征、装备状态识别和监测诊断工艺等四大部分构成.

变速箱体声辐射规律

研究了变速箱声源的声辐射规律;论证了坦克变速箱内的故障信息能由箱体的声信号辐射出来。

机械故障自动特征向量提取与智能识别系统

有效特征向量的提取和状态识别是设备状态监测与故障诊断中的关键技术.近年来,国内外非常重视特征参量有效性的研究和模式识别方法的探讨.笔者介绍了“机械故障自动特征向量提取与智能识别系统”的设计、结构与功能、实现方法及其应用.

神经网络技术及其在机器耳监测仪中的应用

介绍了利用GAL算法对装备产生的声音信号进行处理,改进完善了基于竞争学习的GAL神经网络.测试结果表明,基于GAL算法的智能耳诊断系统的识别精度和自学习方面优于传统算法.

K—L变换在有效特征提取中的应用

在机械故障智能诊断过程中,提取反映机器状态的有效特征参量时要花费大量的时间和精力,而且这种依靠人的经验来提取特征参量的方法有一定的盲目性。为了解决如何尽可能快而有效地寻找一组特征参量,使诊断对象不同状态之间的可分性为最佳的问题,采用了K—L变换特征提取方法,研制出相应的软件,并已将该方法应用在大庆油田抽油机减速箱智能故障诊断系统中。

GAL神经网络训练算法的改进

对一种新型的神经网络——GAL(Grow and Learn)神经网络给出一种改进训练算法,与未改进的网络在训练时间、识别时间及识别准确率等方面进行比较,证明该网络结构简单、隐层节点易调整、运算量小,且识别准确率并未降低。

前馈网络在状态识别中的应用

介绍了前馈网络的结构,BP算法以及算法的推导过程,并对算法做了一些改进.然后将该算法应用于抽油机减速箱的状态识别,给出了识别结果.实验表明,基于BP算法的前馈网络在识别的精度和自学习方面都优于传统方法.