Wavelet Transform and Neural Networks in Fault Diagnosis of a Motor Rotor

In the motor fault diagnosis technique, vibration and stator current frequency components of detection are two main means. This article will discuss the signal detection method based on vibration fault. Because the motor vibration signal is a non-stationary random signal, fault signals often contain a lot of time-varying, burst proper- ties of ingredients. The traditional Fourier signal analysis can not effectively extract the motor fault characteristics, but are also likely to be rich in failure information but a weak signal as noise. Therefore, we introduce wavelet packet transforms to extract the fault characteristics of the signal information. Obtained was the result as the neural network input signal, using the L-M neural network optimization method for training, and then used the BP net- work for fault recognition. This paper uses Matlab software to simulate and confirmed the method of motor fault di- agnosis validity and accuracy

基于改进格拉姆角场和注意力机制的滚动轴承故障诊断

针对传统的卷积神经网络在噪声环境下特征辨识性差且难以充分挖掘数据信息的问题,提出基于改进的格拉姆角和场(IGASF)和注意力机制的滚动轴承故障诊断模型。首先,根据轴承转速和采样频率计算单个故障周期包含的信号点数,对单个故障周期内采集到的振动信号进行分段聚合,利用IGASF进行编码生成相应特征图;然后,将特征图输入卷积神经网络(CNN)进行滚动轴承故障特征提取,并引入注意力模块实现特征的自适应加权;最后,输入到Softmax层完成滚动轴承故障分类。对比试验结果表明,该方法具有更好的抗噪能力和更高的诊断准确率。

基于MTF和AM-MSCNN的滚动轴承故障诊断方法

针对传动系统中多振源耦合导致滚动轴承故障特征被噪声和其他故障特征掩盖的问题,提出基于马尔可夫转移场(MTF)和含有注意力机制的多尺度卷积神经网络(AM-MSCNN)的滚动轴承故障诊断方法。首先,利用MTF将原始一维振动信号转换为具有时间相关性的二维特征图像,保留完整的时间信息,更好地反映轴承故障特征;然后,搭建AM-MSCNN模型,有效提取全局特征并自适应调整权重;最后,将MTF提取的二维特征图输入AM-MSCNN进行特征提取和故障诊断。搭建滚动轴承故障模拟试验台对模型的有效性进行验证,结果表明所提模型的故障识别率达到95%以上,高于MSCNN和CNN的故障识别率。

化工过程故障诊断研究进展

介绍化工过程故障诊断技术的理论与工业应用的现状 ,分析了故障诊断的过程与实质 ,介绍了常用的几种诊断方法 ,重点阐述了智能诊断的方法、现状 ,并对故障诊断的发展动向作了简要的分析。

一种通用型武器系统故障诊断与测试平台的研究

为了解决武器系统故障诊断系统繁多,重复开发和研制的经费投入过多等问题,提出了硬件采用PC104结构的主控计算机加各种型号装备的信号测试接口箱,软件综合采用专家系统、神经网络以及信号处理等故障诊断方法的平台研制方案。抽象了武器系统的系统模型,针对武器系统没有预留诊断接口、不能频繁地插拔连接器等特殊性,总结了尽量在与武器系统不发生物理连接的情况下定位故障以及故障排查的顺序是先电控系统后液压系统等平台建立的原则。该平台在实际装备上试用,取得了良好效果。

化工过程集成型智能故障诊断系统研究与开发

在分析各种诊断方法优缺点的基础上 ,针对化工过程故障诊断 ,结合小波分析、专家系统和神经网络等技术 ,提出了一个集成型智能故障诊断系统框架 ,开发了润滑油酮苯脱蜡油回收装置诊断咨询系统 .试验表明 ,该系统诊断效果良好 ,能满足工厂的实际需求 .

小波包模糊聚类网络研究及应用

基于小波包变换能够把平稳和非平稳信号根据它们的时频特性分解到不同层次上不同频道内，与模糊数学能够处理工程中的不确定性问题，以及ＭＡＸＮＥＴ聚类结构的网络具有自组织聚类分析的优点，提出了小波包模糊聚类网络．该网络能够处理平稳和非平稳信号的不确定性问题，并且具有自适应、自组织聚类分析功能．最后举例说明了该网络在机械诊断实践中是一种行之有效的智能分类器．

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。由于电机振动信号属于非平稳随机信号,传统的傅里叶变换从频域角度进行信号分析,只能说明信号中某频率成分幅值的大小和频率密度,不能检测奇异信号点的时域信息,而且还可能将含有丰富故障信息的微弱信号作为噪声滤去。因此,不能完全满足故障信号特征提取的要求。为解决这一问题,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。

基于小波时频图和卷积神经网络的断路器故障诊断分析

高压断路器操动机构振动信号为非平稳性信号,蕴含着丰富的操动机构工作状态的信息,对操动机构工作状态的检验辨识具有重大意义。提出一种基于小波时频图和卷积神经网络的断路器故障诊断方法。对操动机构振动信号进行连续小波变换生成时频图(CWT),并对时频图进行统一压缩预处理;将预处理后的时频图作为特征图输入卷积神经网络AlexNet模型;通过对网络参数的调整,逐步改进网络模型,有监督地实现对操动机构故障状态的辨识诊断。结果表明,该方法能够有效地运用于断路器操动机构故障辨识诊断,与小波频带能量-RBF、小波频带能量-SVM的故障识别相比,故障识别准确率最高。

液压系统故障诊断技术

介绍液压系统故障主观诊断技术、数学模型诊断技术和智能诊断技术 ,以及各种具体故障诊断方法的特点及应用 ,指出专家系统与神经网络的有机结合成为智能故障诊断技术的发展方向。

无人水下机器人可靠性控制技术

对无人水下机器人故障诊断与容错控制技术进行了综述。首先简单阐述了无人水下机器人的基本概念和故障模式,然后介绍了水下机器人传感器故障诊断方法﹑推进器故障诊断方法及无人水下机器人的容错控制技术,评述了各种方法的特点与局限性。最后给出了水下机器人可靠性控制技术研究的若干发展方向。

遗传算法结合小波神经网络的列车车轮扁疤故障检测方法

为了寻求一种更加有效的列车车轮扁疤故障分析算法,提出一种通过轮轨噪声来确定车轮扁疤严重程度的检测方法。该方法将遗传算法与小波神经网络相结合,同时为了避免出现局部极小值,加速学习速度,在小波神经网络中增加了动量模型;在搜寻小波神经网络隐含层链接权值之前,使用遗传算法进行计算以优化小波神经网络结构;硬件只需2组麦克风阵列以及2个速度感应器就可以提供实时结果,成本远低于我国现有的检测方法。对不同列车车速下的轮轨信号进行了实时测试,结果表明:与传统神经网络、小波神经网络和遗传算法相比,该方法的检测准确率最多分别提高了16%、11%和3%,并且收敛最快。

包络分析及其在设备故障诊断中的应用

目的 阐述包络分析方法及其在设备故障诊断中的应用及展望 .方法 归纳总结了常用包络分析方法以及基于包络的特征分析方法 ,建立了基于包络分析的故障诊断系统 .结果与结论 通过实际使用 ,对于具有调制现象和冲击现象的设备故障诊断 。

基于神经网络的混合智能故障诊断技术研究

目前 ,故障诊断的关键是寻找一种使诊断结果更为有效的方法。神经网络作为一种新兴的故障诊断方法 ,越来越受到人们的关注。对于复杂的系统 ,单一的传统神经网络很难给出理想的结果。对神经网络与其他诊断方式融合的混合智能技术 ,即神经网络与专家系统、模糊控制。

动态系统故障诊断技术的研究与发展

故障诊断技术经过几十年的迅速发展,已经出现了基于不同原理的众多方法,如基于解析模型的方法、基于信号处理的方法以及基于知识的方法。近年来,故障诊断技术又应用了多种新的理论和方法,如小波变换、主元分析法、支持向量机、分形等。在综合大量文献的基础上,系统地总结了国内外动态系统故障诊断技术的研究现状,介绍了近几年出现的一些新的故障诊断方法的特点和局限性,给出了一些典型的应用实例。最后对这一领域的发展趋势进行了探讨。

基于DWT和PNN的印刷过程实时监测和故障诊断

提出了一种新的基于离散小波变换和概率神经网络的印刷过程振动信号的实时监测和故障诊断系统。利用小波包分解技术对印刷过程振动信号进行降噪处理,并选择特殊频段进行小波包重构,有效捕捉和分离了处于信号不同频段的印刷过程振动信号故障特征分量。对提取的故障特征参数应用概率神经网络映射,实现对印刷过程振动信号运行状态的实时监测和故障诊断。仿真结果表明,该诊断方法快速、准确且易于工程实现。

基于小波包特征提取的模糊诊断网络建立及应用

本文首先根据小波包分解原理和应用经验总结出小波包特征量与汽机故障对照表,将其与模糊综合评判和BP网络有机结合在一起,建立了基于小波包特征提取的模糊BP诊断网络模型.采用模糊综合评判技术,使该网络可在少量典型故障样本监督下训练成功,对于缺少机组运行故障知识库的厂家具有推广应用前景.最后举例说明,该网络在汽机诊断中是一种有效的智能分类器.

竖炉焙烧过程智能故障诊断系统

针对赤铁矿石竖炉焙烧过程故障诊断问题,将专家系统、神经网络与案例推理技术相结合,提出了由故障预报、质量监督、故障分析与处理模块构成的竖炉焙烧过程智能故障诊断系统。讨论了系统的体系结构、功能及实现方法,并成功应用于中国最大的赤铁矿选矿厂的竖炉焙烧过程。经过现场运行,故障诊断准确率达到90%,设备运转率提高了2．98%。工业应用结果表明,本文提出的智能故障诊断系统对竖炉焙烧这类复杂工业过程的故障诊断可行。

基于振动信号的柴油机进排气系统故障诊断研究

提出了一种根据柴油机气缸盖振动信号诊断进排气系统故障的方法 ,介绍了对柴油机的振动信号进行小波降噪和小波分解 ,提取相应特征向量 ,然后将振动样本的特征向量作为径向基函数神经网络的输入参数 ,以故障类别作为输出参数训练该网络 ,训练后的神经网络可以利用测量的振动信号来判断柴油机的故障状况。

齿轮箱故障诊断技术的新发展

齿轮箱是机械设备的重要传动部件 ,其故障诊断得到了广泛的重视。