径向基函数网络用于船用柴油机智能诊断的研究

从工程应用的观点出发，研究以神经网络理论为数学工具对柴油机故障进行智能仿真诊断．建立船用柴油机症状与故障样本集，作为基于RBF神经网络故障诊断的专家知识库，以实现船用柴油机故障的智能诊断，并对该神经网络的容错能力进行评估分析．     

神经网络与D-S证据理论分层融合的柴油机综合故障诊断方法研究

针对柴油机传统故障诊断方法处理数据量大、故障类型复杂多变的问题时存在诊断准确率不高的现状,利用数据融合原理,将神经网络和证据理论进行有机的结合,提出了神经网络和证据理论分层融合的柴油机故障综合诊断方法.该方法通过并行神经网络的结构提高局部诊断网络的诊断能力,并给出了基本可信度分配的客观化方法,充分利用各种故障的冗余和互补信息,可显著提高故障诊断的准确率.诊断实例表明,该方法能显著提高柴油机故障诊断系统的效率.     

遗传算法优化的模糊神经网络在故障诊断中的应用

本文针对船舶柴油机故障诊断系统提出了一种基于遗传算法优化训练的模糊神经网络诊断方法,介绍了这种模糊神经网络故障诊断系统的结构及其参数形式,通过遗传优化算法对它的权值和阈值进行了学习优化训练。这种方法可以有效地避免通常所选BP算法训练易陷于局部极值的问题,最后将该遗传算法优化训练的模糊神经网络系统应用到船舶柴油机的故障诊断中,通过仿真研究,说明了该方法的有效性。     

基于神经网络的柴油机磨损故障模糊诊断方法研究

针对柴油机磨损故障的特点，探讨了获取和表示诊断信息的方法，提出了采用神经网络与模糊理结合的模型诊断磨损故障。将该模型应用到柴油机磨损故障诊断中，其诊断准确率令人满意。     

基于LabVIEW的柴油机振动信号测试与分析

文中介绍了基于LabVIEW开发平台的柴油机缸盖振动信号采集与分析,结合PCI-4472开发了数据采集系统。利用LabVIEW和Matlab的强大功能,编写信号分析与模式识别程序,模拟柴油机气阀漏气和气门间隙异常等故障,获取3110柴油机缸盖振动信号并建立AR与RBF神经网络结合的诊断模型进行了故障识别,这对于实现故障诊断的数字化与智能化有重要的意义。     

列车定位单元ODO故障分析及HMM的应用研究

列车运行过程中车轮会出现打滑抱死等现象,导致ODO(odometers)呈现功能故障状态,针对这一问题,进行了列车定位单元ODO故障分析及HMM(hidden Markov models)的应用研究.首先利用神经网络方法对ODO故障状态进行诊断;然后,引入基于HMM的故障诊断方法,从模式识别角度出发,建立ODO隐藏的故障状态模型,通过输入观测序列与分类器中的HMM匹配,得出ODO的故障诊断结果;最后,通过遗传算法对HMM中的参数训练部分进行改进.实例分析结果表明:利用神经网络进行故障诊断的故障识别率为33.3%,基于HMM的故障诊断方法对于正常和故障状态的诊断精度可达100%,总体诊断精度可达95%,利用遗传算法进行参数改进后经仿真对比表明:在训练速度上遗传算法可以较快到达稳态,训练精度提高了86%;在高噪声背景下用神经网络方法实现故障诊断具有明显缺陷,利用遗传算法可以改进B-W(Baum-Welch)算法易陷入局部最优的缺陷,基于HMM的故障诊断方法相较于神经网络方法有更高的准确性.     

模糊神经网络在专家系统中的应用研究

为了解决传统故障诊断专家系统知识获取和经验性知识的不确定性的"瓶颈"问题,将模糊神经网络技术引入到专家系统中,介绍了基于模糊神经网络的诊断专家系统的原理、方法、结构及其实现技术.文中将基于模糊多层感知器构成的专家系统应用于柴油机燃油系统故障的分类诊断中,收到了良好的效果.     

基于声响异常辨识的船舶柴油机故障诊断技术探析

文章对柴油机的故障表象与诊断技术进行了综合分析,结合理论与实践列出了在柴油机故障诊断中的异常声响发生的部位、异响表象特征和故障基本原因,并以实例阐述了柴油机声响异常辨识在故障诊断中的应用,介绍了该故障诊断技术的发展应用前景。     

基于模糊理论与神经网络并行推理的发动机故障诊断方法

将模糊理论与神经网络相融合，针对汽油发动机偶发性疑难故障，采用模糊信息处理方法确定故障的类别，通过神经网络的逼近能力来实现对故障进行诊断的功能。与单纯使用神经网络进行故障诊断的方法相比，基于模糊理论与神经网络并行推理的发动机故障诊断方法在输入参数不是训练时的典型数据（同训练时输入数据差别较大）时，系统仍能对输入样本很好地归类，给出较高精度的诊断结果，尤其对于单一系统的复杂故障具有很好的识别能力，可以提高对发动机故障的诊断精度。     

基于粗糙集和RBF神经网络的高速公路路面使用性能评价研究

利用可辨识矩阵对影响路面使用性能评价的宽泛指标集进行分类、约简,得出对路面使用性能评价最有影响的数据指标,建立RBF神经网络模型,并把处理后的数据指标作为RBF神经网络的输入进行训练、仿真.通过实例,给出了该方法的具体实现过程.与没有采用指标约简的RBF神经网络进行结果对比,该方法在路面使用性能评价上更具有实用性、有效性和可靠性.     

基于神经网络方法的柴油机气缸压力识别

分析了柴油机气缸盖系统激励和响应信号的非线性特性,阐述了基于BP神经网络的柴油机气缸压力识别方法.对测试的振动响应信号进行时域统计平均和低通滤波后,训练BP神经网络,利用自适应梯度下降算法,自适应调节学习速率,提高网络精度,识别柴油机气缸压力.结果表明,恢复出来的缸内压力信号和实测信号十分接近,该方法对柴油机的实时在线控制、监测和故障诊断有重要的应用价值.     

基于LabVIEW的BP算法及其在发动机故障诊断中的应用

介绍了虚拟仪器技术,应用LabVIEW软件编制了基于BP算法的训练网络和诊断网络,使之能更有效地、直观地了解BP神经网络的工作状态,从而为汽车信号系统的分析和发动机故障系统诊断提供了有效的方法。     

基于支持向量机的船舶柴油机层次故障诊断的研究

文章介绍了支持向量机的原理和算法,分析了层次分析法及其在故障诊断中的应用,并在上述理论下,建立了柴油机的故障模型。仿真结果表明,SVM能够在小样本的情况下解决柴油机故障诊断的分类问题,在实际的机械故障诊断的分类中具有广泛的应用前景．     

基于小波网络的船舶柴油机燃油系统故障诊断

采用小波变换和BP神经网络的辅助式结合,通过小波变换提取故障特征向量作为BP神经网络的输入值,设计并组建了小波神经网络;利用小波变换模极大值分析高压油管燃油压力信号的奇异性,提取故障特征向量;根据故障采集数据并建立学习样本,通过网络训练建立BP神经网络输入和输出间良好的非线性映射,进而通过特征向量输入BP神经网络来诊断故障。实验数据分析表明:该方法具有良好的诊断效果。     

Least Squares Support Vector Machine Based Real-Time Fault Diagnosis Model for Gas Path Parameters of Aero Engines

Least squares support vector machine (LS-SVM) is applied in gas path fault diagnosis for aero engines.Firstly,the deviation data of engine cruise are analyzed.Then,model selection is conducted using pattern search method.Finally,by decoding aircraft communication addressing and reporting system (ACARS) report,a real-time cruise data set is acquired,and the diagnosis model is adopted to process data.In contrast to the radial basis function (RBF) neutral network,LS-SVM is more suitable for real-time diagnosis of gas turbine engine.     

A Statistical Parameter Analysis and SVM Based Fault Diagnosis Strategy for Dynamically Tuned Gyroscopes

Gyro's fault diagnosis plays a critical role in inertia navigation systems for higher reliability and precision. A new fault diagnosis strategy based on the statistical parameter analysis (SPA) and support vector machine (SVM) classification model was proposed for dynamically tuned gyroscopes (DTG). The SPA, a kind of time domain analysis approach, was introduced to compute a set of statistical parameters of vibration signal as the state features of DTG, with which the SVM model, a novel learning machine based on statistical learning theory (SLT), was applied and constructed to train and identify the working state of DTG. The experimental results verify that the proposed diagnostic strategy can simply and effectively extract the state features of DTG, and it outperforms the radial-basis function (RBF) neural network based diagnostic method and can more reliably and accurately diagnose the working state of DTG.     

基于神经网络的柴油机故障诊断

基于虚拟仪器技术，开发了柴油发动机信号处理系统，该系统数据采集由传感器与PCI-6023E数据采集卡完成，系统软件采用LABVIEw6．0，根据柴油发动机的典型故障，对系统参数赋值，利用BP神经网络对采集的数据进行处理，进而判断发动机的故障，试验表明该系统是可行的。     

Fault diagnosis for wind turbine based on improved extreme learning machine

A fault diagnosis method based on improved extreme learning machine (IELM) is proposed to solve the weakness (weak generalization ability, low diagnostic rate) of traditional fault diagnosis with feedforward neural network algorithm. This method fuses signal feature vectors, extracts six parameters as the principal component analysis (PCA) variables, and calculates correlation coefficient matrix among the variables. The weight values of control parameters in the extreme learning model are dynamically adjusted according to the test samples’ constantly changing. Consequently, the weight fixed drawback in the original model can be remedied. A fault simulation experiment platform for wind turbine drive system is built, eight kinds of fault modes are diagnosed by the improved extreme learning model, and the result is compared with that of other machine learning methods. The experiment indicates that the method can enhance the accuracy and generalization ability of diagnosis, and increase the computing speed. It is convenient for engineering application.