基于EEMD与模糊信息熵的旋转机械故障诊断方法

针对旋转机械故障识别率偏低的问题,提出一种基于EEMD与模糊信息熵的旋转机械故障诊断方法.该方法结合EEMD分解和模糊信息熵在特征提取方面的优势,构造出一种能够精细度量不同类别振动信号故障概率复杂度的特征集合.首先将原振动信号进行EEMD分解,获得若干个本征模态函数(IMFs);计算出前5个高频IMF分量的模糊信息熵组成高维特征集;利用LPP对高维特征集进行维数约简剔除冗余不相关特征;最后将约简后的样本集输入到KNN分类器中进行故障识别.用双跨转子实验台采集的数据对所述方法进行验证,并与EMD模糊熵、EMD模糊信息熵、EEMD模糊熵方法进行故障识别率对比,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更高的故障识别率.     

基于RBF网络的旋转机械故障诊断方法

针对BP网络在故障诊断中存在的训练收敛速度慢且容易陷入局部极小、网络初值对学习性能影响比较大等缺陷,提出了一种基于RBF网络的故障诊断方法,介绍了RBF网络的结构和自适应正交最小方差算法（SROSL法）,并应用于旋转机械的故障诊断中,应用结果表明,RBF网络训练速度快、分类性能良好,在设备故障诊断领域具有很好的实用性。     

旋转机械故障诊断方法概述

介绍了旋转机械故障诊断的常用方法,概述了国内外的研究发展状况,展望了故障诊断技术的发展趋势和前景。     

一种新的旋转机械故障诊断系统

本文提出了一种新的旋转机械故障诊断系统，把基于规则的知识处理方法与神经网络集成在一起，本文研究了系统的知识表示，推理、自学习和集成方法，并结合一实例进行了分析。     

采用多尺度注意力机制的旋转机械故障诊断方法

针对旋转机械故障诊断需要复杂特征提取过程,且对混有噪声的信号故障识别准确率偏低的问题,提出了一种基于注意力机制的多尺度端到端故障诊断方法。该方法在输入端引入随机丢弃抑制输入噪声,然后利用故障信号具有多个固有振动模态的特点,通过多尺度粗粒度层获取不同尺度下振动信号,进而利用全卷积网络实现多尺度特征提取,接着采用注意力机制将多尺度特征进行融合,最后利用多分类函数实现旋转机械故障诊断。分别在凯斯西储大学轴承数据集和变速箱数据集对该方法的有效性进行验证,结果表明:该方法的故障识别率高达100%;人为引入噪声信号的信噪比为-4dB时,在凯斯西储大学轴承数据集F上的故障识别正确率为84.77%,在齿轮箱数据集上的识别正确率为78.365%,识别正确率明显高于其他机器学习算法,证明了该方法具有较强的抗噪声干扰能力。     

旋转机械工况辨识的模糊神经网络方法

本文介绍了一种模糊神经网络分类器，针对其在旋转机械工况辨识中的应用，论述了网络的输入和输出模糊化问题，文中就旋转机械中几种典型的故障模式采用模糊神经网络进行了识别，并与传统的ＢＰ网络进行了比较，研究结果表明，模糊神经网络方法应用于旋转机械工况识别是有效的，它比传统ＢＰ网络更适合于处理分类边界模糊的数据。     

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。     

自学习模糊脉冲神经网络的旋转机械诊断

针对旋转机械故障分类边界的模糊性和传统的神经网络算法难以解决应用问题的实例规模和网络规模之间的矛盾问题,提出了一种自学习模糊脉冲神经网络算法,该算法通过脉冲序列的种群编码和无监督学习较好的克服了旋转机械故障分类边界的聚类分析无效性问题.应用表明该算法有效解决了旋转机械故障的边界模糊性问题,较大提高了故障诊断的准确率.     

基于人工神经网络的旋转机械多故障同时性诊断策略

针对大型旋转机械多故障同时性诊断问题，基于人工神经网络，构造了一种由多个子网络组成的分级诊断网络（ＨＤＡＮＮ）。该网络旨在将一个大的分类模式空间划分为几个小的子空间，以便对各子网络进行有效的训练，提高各子网络的分类能力，从而使整个网络具有高精度的多故障同时性诊断能力，测试结果表明：ＨＤＡＮＮ网络不仅能准确地对单故障进行诊断，而且多故障同时存在的情况下，也能有效地识别出各种故障，该网络具有较高的诊断     

基于案例推理的旋转机械故障诊断系统研究

针对大型旋转机械结构复杂,故障现象难以用结构化知识表示,故障诊断规则难以提炼的特点,将基于案例推理(CBR)方法应用于旋转机械故障诊断。从旋转机械故障诊断的需求出发,在分析旋转机械故障诊断知识特点的基础上,对故障诊断系统的总体结构、故障案例库的构建、案例相似度匹配、案例调整和学习等CBR方法的关键技术进行了研究。重点设计了故障案例表示方法,采用基于三标度的层次分析法(AHP)确定案例征兆权值。提出了改进的最近邻法计算案例相似度,可以从征兆名称、征兆值、权值三方面对案例进行精确匹配。提出了基于案例审核的学习机制,可以充分发挥不同人员的作用。开发了基于CBR的旋转机械故障诊断系统原型,并给出了应用实例。     

灰色 AB_0型关联分析故障诊断方法与模糊诊断方法的比较

提出了AB_0型关联度分析的基本思想,给出了AB_0型关联度的计算公式及其分析过程与步骤,并就其有关的主要概念、基本特点、方法原理、实现过程、适用范围及应用前景等方面与模糊诊断方法进行了分析比较.最后通过实际诊断算例结果的对比,提出了作者自己的观点与体会.     

基于Web Service旋转机械故障诊断集成系统的开发与应用

本文对Web Service技术和旋转机械的故障特征作了详细地研究,在此基础上利用Delphi7软件工具开发了一套针对旋转机械故障的系统,并运行给出分析结果。     

基于模糊数学的液压挖掘机故障诊断

为快速诊断出液压挖掘机产生的故障原因,构建了液压挖掘机故障诊断的模糊数学模型.通过经验数据隶属度矩阵和专家优序数隶属度矩阵计算出故障诊断原因向量,由最大隶属度原则得到最终故障原因.将此方法运用于SWE50型挖掘机液压系统故障中,顺利找出故障原因是液压泵磨损,泵油压力偏低.     

机器故障诊断模糊分类规则的归纳学习

机器状态的有效监控是机器安全运行,提高系统生产效率的重要途径,由于环境的复杂性与不确定性,现有机器故障诊断系统的可靠性还不能满足应用要求,为此近来年发展了模糊诊断技术,对于模糊系统而言,其关键问题在于如何获得解决具体问题的模糊知识或规则,为此提出了一种被称为模糊归纳学习的学习方法,并利用模糊信息熵概念建立了从不确定信息数据中归纳模糊规则的学习准则,实验结果表明,利用所提出的模糊归纳学习方法所获得的模糊规则能不确定怀数据进行有效分类,从而能有效地提高机器故障诊断系统的与可靠性。     

基于支持向量机的故障诊断方法

提出了基于支持向量机的故障诊断方法和步骤。诊断实例表明,与神经网络故障诊断方法相比,诊断小样本分析的支持向量机故障诊断方法具有分类能力强、推广能力好的特点。     

基于模糊理论的电池故障诊断专家系统

电池在线故障诊断是电池使用领域的一个重要研究课题.以模糊数学与模糊诊断原理为基础,提出了一个用于电池故障诊断的专家系统.并结合电池使用的特点,重点探讨了症状隶属度的确定方法.同时,还对模糊关系矩阵参数和阈值的确定方法进行了探论,介绍了电池在线诊断推理流程,给出了诊断研究结果.     

基于Sugeno模糊模型的数控机床故障诊断法

在数控机床的故障诊断中,许多对数控机床故障征兆描述的诊断规则都是诊断专家的诊断经验,具有很大的随意性．文中将Sugeno模糊模型用于数控机床故障诊断系统的方式,实现了对各个诊断专家诊断结果的模糊综合,补充了诊断专家诊断知识的不足,消除了诊断专家诊断结论的随意性,保证诊断结论的准确,利用该方法基于诊断专家系统技术可以实现对数控机床的自动诊断,而且诊断结果准确、可靠．     

一个基于事例的旋转机械故障诊断专家系统

故障诊断是人工智能和专家系统研究领域的一个重要课题.这里主要结合CBR技术介绍了旋转机械故障诊断系统的知识表达、问题求解方法的设计思想和实现技术.该系统具有清晰美观、便于操作的用户界面,可以方便地实现对两大故障部位(转子系统和齿轮箱)的故障诊断.