基于自适应AR谱与神经网络的车变速器轴承故障诊断

提出了基于自适应AR谱和神经网络的汽车变速器轴承故障诊断方法.该方法采用自适应滤波将轴承振动信号进行滤波,建立AR模型,从而提取出故障轴承的特征,再利用BP神经网络进行故障分类.试验证明该方法适用于汽车变速器轴承的故障诊断.     

基于时序-神经网络的车辆变速器齿轮故障诊断

采用时序分析和BP神经网络，建立了基于时序-神经网络的车辆变速器齿轮故障诊断系统。通过对车辆变速器齿轮运行状念特征信号进行时序分析和特征向量提取，并以此作为BP神经网络的输入向量进行网络训练，从而实现变速器齿轮运行状态的识别与故障诊断。该系统应用于LC5T81变速器齿轮的故障诊断中，能够比较准确地识别与诊断出变速器齿轮的跑合运行状态、磨损运行状态和故障运行状态。验证表明该诊断系统有效、可行。     

基于粗糙集的特征值优化及柴油机故障诊断

为提高故障诊断的效率,给出了一种基于粗糙集理论的柴油机故障诊断系统。以某大功率柴油机为例,采用时域频域分析和小波包能量谱分析两种方法提取特征值,通过对比优选,将敏感性和稳定性较好的小波包能量谱特征值应用粗糙集理论进行优化,最后通过神经网络进行故障模式分类。试验表明,小波包能量谱分析方法可以提取敏感性和稳定性较好的特征值,粗糙集理论的特征属性约简能有效地减少神经网络的输入节点数,提高故障分类的准确率。     

支持向量机和基于IMF的特征能量法在汽车变速器轴承故障诊断中的应用

针对汽车变速器轴承振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出了一种基于内禀模态函数(IMF)的特征能量法和支持向量机的变速器轴承故障诊断方法。对变速器轴承内圈、外圈故障振动信号的分析结果表明,该方法在小样本情况下仍可有效提取变速器轴承的故障特征,并能成功地对其工作状态和故障类型进行分类。     

柴油机状态监测与故障诊断特征参数研究

介绍了柴油机状态监测与故障诊断特征参数中的非振动参数和振动参数,前者包括能够表征柴油机整体性能的进气压力、转速波动和整机功率;后者包括能够表征柴油机故障信息的中波幅值脉冲、高波幅值脉冲、最大燃烧压力和燃烧均匀性值。对振动信号进行小波包分解,提取包含待诊断部件故障信息的频带能量指标作为故障诊断的特征参数。得到了柴油机状态及故障的特征参数及其变化规律,从而为开展柴油机在线监测和故障诊断提供了可靠的依据。     

基于DSP的汽车无级变速器故障诊断系统研究

在分析无级变速器（CVT）原理的基础上,设计了基于DSP的无级变速器故障诊断系统硬件和软件。神经网络有学习和记忆能力,可以解决复杂的非线性问题,基于神经网络的故障诊断方法对系统有很好的跟踪能力,可以准确地识别系统存在的故障。试验结果表明,采用动量—自适应算法的BP神经网络模型能很好地实现系统的故障诊断功能。     

基于BP神经网络的柴油机排气门故障诊断

介绍了BP神经网络的结构和算法,设计了一个适用于柴油机排气门故障诊断的3层BP神经网络.将4缸柴油机排气门存在故障的状态和其正常工作状态所对应的特征向量作为BP神经网络的输入样本进行训练,建立故障诊断库,并用此故障诊断库对输入的检验数据进行自适应分类识别,从而实现故障诊断.实验表明,该方法可行、适用.     

基于振动信号的发动机故障诊断方法分析

介绍了小波分析和小波包分析故障振动信号特征提取方法,对基于神经网络、专家系统、故障树、模糊理论的振动信号智能故障诊断方法进行了阐述,并阐明了多种智能诊断方法相结合是今后发动机故障诊断研究的主要方向。     

BP神经网络在自动变速器故障诊断中的应用

由于自动变速器故障自诊断系统不易准确判断故障原因和具体位置,文章借助汽车OBD自诊断协议,组建自动变速器电子控制系统的诊断数据采集系统。以某轿车01M型自动变速器不能升挡故障为例,采用V.A.S5052故障诊断仪对其进行数据采集与分析。建立了基于BP神经网络的典型故障诊断模型,并对自动变速器典型故障进行实际数据测试,准确识别出自动变速器不能升挡的典型故障原因是节气门位置传感器线路故障和车速传感器断路故障。结果表明人工神经网络具有很高的诊断精度。     

基于区间的小波包振动信号特征提取方法研究

基于小波分析与神经网络的振动信号故障诊断方法,提出采用基于区间小波包分解方法来提取振动信号的特征向量来取代传统的小波包分解方法,并以295柴油机进排气系统故障诊断为例验证采用该方法的有效性,结果表明,基于区间的小波包特征提取方法较传统方法能大大提高进排气系统的故障识别率。     

汽车传动系统机械故障诊断方法的研究

本文针对汽车传动系统主要零部件的特点，研究了基于振动信号的故障诊断方法，包括特征提取、模式分类和诊断决策全过程。     

小波包分解与共振解调分析在发动机配气机构磨损故障特征提取中的应用

以常见的机械磨损故障——气门间隙过大故障为例进行了试验研究,提取缸盖振动加速度信号进行分析,发现故障状态的时域信号有明显低频周期性冲击,但在频谱的低频区间未现冲击频率;同时,在故障状态频谱中,3 000~4 500Hz范围的高频段振动能量有显著增加。通过小波包分解方法对信号分解至该故障特征频段,再进行希尔伯特解调分析,解调谱现显著的对应低频冲击的频率成分,可作为故障识别特征。分析结果表明,气门间隙过大故障造成的冲击引起缸盖或其部件共振调制现象,综合运用上述时域、频谱和共振解调分析,可对配气机构磨损故障进行故障特征提取,从而为准确诊断故障提供依据。     

瞬态成分提取在变速器齿轮故障诊断中的应用

基于小波包的信号瞬态成分检测与提取方法及其应用，提出基于小波包分解特征表示和瞬态特征重建方法并应用于汽车变速器齿轮的故障诊断，结果表明基于小波包分解的信号特征表示方法能有效检测信号中瞬态成分的存在，瞬态成分的重建结果有效地表示了齿轮的故障状态。     

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。仿真和试验证明该方法有效可行     

EEMD和SVM在发动机故障诊断中的应用

针对发动机缸盖振动信号的非线性非平稳特征,提出一种总体平均经验模态分解(EEMD)和支持向量机相结合的信号分析及故障诊断方法,该方法利用EEMD算法以及IMF序列和原始振动信号之间的相关系数,有效放大故障诊断特征向量的差异。对原始振动信号进行EEMD分解,得到各阶特征模态函数(IMF),求各阶IMF分量对应于原始信号的相关系数并组成故障分类特征向量。分别将IMF相关系数法和IMF能量分布法得到的特征向量作为输入,建立BP神经网络和支持向量机,判断发动机工作状态和故障类型。分析表明,对IMF求相关系数的方法简便易行,能有效放大不同工况下特征向量的差异,结合支持向量机能够对既定机型的配气机构和点火系常见故障进行准确识别。