基于神经网络的滚动轴承振动预测

以神经网络与MATLAB实现理论为依据,提出了一种新的滚动轴承振动预测方法。这种方法根据轴承的加工质量试验数据,建立轴承振动预测的BP网络试验模型,在MATLAB开发环境下输入训练样本数据矩阵和目标矩阵。经过训练后,网络误差达到要求,预报结果的最大相对误差小于10%。

滚动轴承振动诊断的BP神经网络方法

归纳和总结了BP神经网络多参数诊断法的实施步骤,阐述了故障轴承振动与信号的关系以及BP神经网络的工作原理和实现过程,并以滚动轴承故障诊断为例,提取了反映滚动轴承故障类型的振动信号特征参数,用这些特征参数训练神经网络,利用MATLAB6.5神经网络工具箱模拟和仿真BP神经网络,然后用训练后的BP神经网络对故障模式进行识别。结果表明,如果神经网络设计合理,训练适当,并且在MATLAB仿真的过程中合理的选择训练函数和各种参数,则具有很强的故障识别能力。说明了利用MATLAB仿真BP神经网络进行滚动轴承振动诊断是可行而且有效的。

基于强化学习单元匹配循环神经网络的滚动轴承状态趋势预测

为了解决当前人工智能预测方法在滚动轴承状态趋势预测中预测精度较差、计算效率较低的问题,提出基于强化学习单元匹配循环神经网络(RLUMRNN)的滚动轴承状态趋势预测新方法。先采用滑动平均奇异谱熵作为滚动轴承状态退化特征,再将该特征作为RLUMRNN的输入完成滚动轴承状态趋势预测。在RLUMRNN中,利用最小二乘线性回归法构造单调趋势识别器,将轴承整体的状态退化趋势分为上升、下降、平稳3种单调趋势单元,并通过强化学习为每一种单调趋势单元选择一个隐层数和隐层节点数与其相适应的循环神经网络,从而改善了RLUMRNN的非线性逼近能力和泛化性能;用3种单调趋势单元和不同隐层数、隐层节点数分别表示Q值表的状态和动作,并构造关于循环神经网络输出误差的新型奖励函数,以明确强化学习的目标,从而减小循环神经网络的输出误差,避免在Q值表更新过程中使Agent(即决策函数)盲目搜索,提高了RLUMRNN的收敛速度。通过双列滚子轴承状态趋势预测实例验证了该方法具有较高的预测精度和计算效率。

基于BP神经网络的滚动轴承振动故障诊断

滚动轴承振动信号被分析和处理后,提取出能够反映滚动轴承故障的特征参数,经归一化处理作为BP神经网络的输入,并用BP算法对该网络进行训练,利用神经网络的智能性来判断轴承的好坏。仿真结果表明,该方法实用有效。

基于N-BEATS神经网络的滚动轴承剩余寿命预测

针对轴承剩余使用寿命预测时采集到的信号序列复杂且不平稳,导致预测精度和性能较低的问题,采用经验模式分解对信号序列进行自适应分解,利用动态时间规整算法筛选主要退化特征,提取信号序列趋势特征,使用具有残差原理的深层神经网络N-BEATS进行预测。对于预测历史数据较少的问题,采用递归与直接相结合的预测结构对剩余寿命进行多步预测。将N-BEATS与长短时记忆神经网络、灰色预测模型进行比较,结果表明在不同工况下,所提出的方法预测结果的平均绝对误差相较于LSTM、灰色预测模型分别提升了3.2%以及3.3%,相对均方根误差分别提升了3.5%以及3.1%。

基于神经网络的输电塔钢管构件涡激振动幅值预测方法

输电塔中长细比较大的钢管构件容易发生低风速下的涡激振动,鉴于传统风洞试验和数值模拟研究方法存在的成本高、周期长的局限,该文提出了一种基于神经网络的输电塔钢管构件涡激振动幅值高效预测方法。为获取训练模型所需的数据集,发展了适用于任意插板形式、几何尺寸的钢管构件涡激振动响应分析方法;结合多种神经网络模型(BPNN、PSO-BPNN、RBFNN、GRNN)以及性能评价指标,建立了基于神经网络的输电塔钢管构件涡激振动幅值预测方法;通过算例对某C型插板和十字型插板钢管构件涡激振动幅值进行了预测。研究表明:通过与试验结果的对比,验证了该文输电塔钢管构件涡激振动响应分析方法的准确性,对于C型和十字型插板钢管构件VIV幅值的相对误差分别为3.84%和5.87%,利用该方法可为神经网络模型提供可靠样本;通过7折10次交叉验证优化超参数后的4种神经网络模型,均表现出较好的预测精度;相比之下,GRNN在C型插板和十字型插板钢管构件算例中均呈现出最佳的泛化能力,其R2值分别为0.989和0.992;采用GRNN方法可以较好地预测C型和十字型插板钢管构件在不同质量阻尼比参数下的VIV幅值,且在计算效率上相比于CFD方法具有明显的优势。

滚动轴承振动诊断的SOM神经网络方法

归纳和总结了SOM神经网络多参数诊断法的实施步骤,阐述了轴承故障与振动信号之间的关系以及SOM神经网络的工作原理和实现过程,通过试验研究,提取了反映滚动轴承故障类型的振动信号的特征参数,以构建训练神经网络的特征向量,利用MATLAB 7.0人工神经网络工具箱(ANN)模拟和仿真SOM神经网络,然后用训练后的SOM神经网络对故障模式进行识别。

基于自编码器和门限循环单元神经网络的滚动轴承退化趋势预测

针对现有滚动轴承性能退化趋势预测方法存在退化指标选取困难、预测精度较低的问题,提出基于自编码器和门限循环单元神经网络的滚动轴承退化趋势预测方法。首先,构建轴承振动信号混合域高维特征集,采用指标综合评价值初步筛选敏感性高、趋势性好的性能退化指标;然后,利用自编码器融合高维特征集,消除混合域特征之间的冗余信息;在此基础上,将融合后的特征输入门限循环单元(gated recurrent unit,GRU)神经网络模型以完成滚动轴承退化趋势预测。试验结果表明,所提方法能获得更加准确的滚动轴承退化趋势预测结果。

基于神经网络和证据理论的滚动轴承故障预测方法

传统的故障预测方法难以对不同工况下的滚动轴承故障进行有效预测,为此,提出了一种基于BP神经网络和DS证据理论的滚动轴承故障预测方法。首先采用擅长于处理非平稳信号的小波包分解对多个传感器采集的原始振动数据进行特征分析,然后对BP神经网络的结构和参数进行优化设置并使用多个BP神经网络分别进行故障预测模型训练,最后利用DS证据理论将多个神经网络得到的预测结果进行融合并输出最终预测结果。实验结果表明,该方法能对不同工况下的滚动轴承故障进行有效预测,故障预测平均准确率达96.37%;且与相关文献提出的方法相比,所提出的方法得到的滚动轴承故障预测准确率有所提升。

基于EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition ,简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解,将其分解为多个平稳 的固有模态函数(IntrinsicModefunction,简称IMF)之和,再选取若干个包含主要故障信息的IMF分量进行进一步分析, 由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,因而可从各IMF分量中提取能量特征参数作为神 经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明,以 EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有 更高的故障识别率,可以准确、有效地识别滚动轴承的工作状态和故障类型。

基于神经网络的滚动轴承故障监测

通过对滚动轴承振动信号的分析处理 ,提取反映轴承运行状态的特征参数组成特征向量 ,利用神经网络的函数逼近和记忆能力 。

基于小波和径向基函数神经网络的滚动轴承故障模式识别

利用振动信号对滚动轴承的状态监测和故障诊断是工程中面临的难题之一,传统的基于平稳信号假设的方法不适于故障轴承的非平稳信号,有效提取故障轴承的故障特征和将故障特征准确分类是解决问题的两个关键。小波分析具有良好的时-频局部化特征,因而非常适于对瞬态或时变信号进行分类,而人工神经网络可完成非线性系统辨识和模式分类。利用上述原理根据滚动轴承振动信号的频域变化特征,首先采用小波包分析对其建立频域能量特征向量,然后利用径向基函数神经网络完成滚动轴承故障模式的识别。试验结果表明,系统不仅能够检测到轴承故障的存在,而且能够比较准确地识别轴承的内外环故障模式,可以满足工程中的需要。

基于径向基函数神经网络的滚动轴承故障模式的识别

径向基函数 (RBF)神经网络是一种 3层前馈性神经网络 ,它具有较强的函数逼近能力和分类能力。鉴于径向基函数神经网络的优点 ,在对滚动轴承振动信号特征分析的基础上 ,提出了采用时序方法对其建立AR模型 ,利用AR模型参数建立径向基函数神经网络 ,并用该网络对滚动轴承的故障模式进行了识别。理论和试验证明了该方法的有效性 。

基于MDS和神经网络的滚动轴承故障诊断方法

针对滚动轴承的智能诊断问题,提出基于多维尺度分析(Multidimensional Scaling,简称MDS)和神经网络的滚动轴承故障诊断方法。该方法首先提取原始信号常用的时域统计指标,再将包含故障信息的统计指标进行MDS降维处理,减少后续模式识别难度,最后将降维后的统计指标作为神经网络的输入参数来判断滚动轴承的故障类型。对滚动轴承正常状态、滚动体故障、外圈故障和内圈故障四种模式下的振动信号进行分析,结果表明,运用MDS进行降维预处理的神经网络故障诊断方法比没有经过预处理的故障诊断方法有更高的故障识别效率,可以准确有效识别滚动轴承的故障类型。

基于独立成分分析与概率神经网络的滚动轴承故障识别方法的研究

为了提高滚动轴承故障诊断的准确性和适应性,文中提出快速独立成分分析(fast independent component analysis,FICA)和概率神经网络(probabilistic neural network,PNN)相结合的滚动轴承故障识别方法。首先,针对滚动轴承的故障振动信号非高斯特点,利用FICA算法提取出滚动轴承振动信号特征;其次,为了提高概率神经网络分类的适应性,采用正交最小二乘算法训练概率神经网络结构,基因算法优化概率神经网络参数。实验表明,该集合型FICA-OPNN故障诊断方法较传统概率神经网络(FICA-PNN)有更高的分类准确性和适应性。

基于奇异值分解的滚动轴承故障诊断的神经网络方法

径向基函数神经网络是一种三层前馈型神经网络 ,它具有较强的非线性函数逼近能力和分类能力。根据径向基函数神经网络的优点 ,在对滚动轴承振动信号故障特征分析的基础上 ,提出一种应用奇异值分解将高维相关变量转化为低维独立变量 ,并利用其特征值建立径向基函数神经网络的方法 ,同时将该网络用于对滚动轴承的故障诊断。理论和试验证明了该方法的有效性 ,且具有较高的故障分类精度。

基于小波神经网络的滚动轴承故障诊断方法研究

将小波分析技术与神经网络技术相结合,通过小波分析技术对振动信号进行滤波消噪,构建时频关联分析的信号特征表征轴承的故障信息,实现准确的故障特征提取。运用神经网络方法具有的网络自适应能力,自学习能力,在背景噪声统计特性未知的情况下,提高轴承故障诊断系统的鲁棒性和可靠性,构建低成本、高可靠的滚动轴承故障分析诊断系统,实验结果表明,系统在训练信号、检测信号采集位置不同,训练轴承受损程度、检测轴承受损程度不同的情况下,均具有良好的检测识别能力,说明系统具有良好的鲁棒性,该方法有效可行。

基于PCA和径向基函数神经网络的滚动轴承故障模式的识别

根据径向基函数神经网络的优点,在对滚动轴承振动信号故障特征分析的基础上,提出一种应用主矢量分析 (PCA)将高维相关变量转化为低维独立变量,利用其特征值建立径向基函数神经网络的方法,并用该网络对滚动轴承的 故障模式进行了识别。理论和试验证明了该方法的有效性,且具有较高的识别精度。

基于BP神经网络的滚动轴承故障诊断研究

通过对滚动轴承振动信号的分析处理,提取能够反映轴承运行状态的特征量作为BP神经网络的输入,并用BP算法对该网络进行训练,利用神经网络的智能性来判断轴承所属的故障类型.仿真结果表明,该方法实用有效.

基于改进灰色神经网络的往复式压缩机振动趋势预测模型

往复式压缩机振动趋势预测是往复式压缩机状态识别的重要技术研究内容。针对往复式压缩机振动信号特征样本少、非平稳、非线性等原因,提出了基于改进灰色神经网络的压缩机振动趋势预测算法。该方法首先提取往复式压缩机振动特征,利用遗传算法优化灰色神经网络并建立预测模型,将振动特征作为模型输入,形成了往复式压缩机振动趋势预测新模型(GA-灰色神经网络模型)。对某往复式压缩机输入主轴轴承部位振动测试实验分析表明,新模型与灰色GM(1,1)模型、灰色神经网络模型相比,具有更高的预测精度。灰色GM(1,1)模型预测值与实际值相比,相对误差高达21%~27%灰色神经网络模型的预测误差为14%~19%;新模型与实际值吻合良好,相对误差小于12%,其预测精度最高,更适合用于往复式压缩机振动趋势的状态预测和评判。