共查询到18条相似文献,搜索用时 140 毫秒
1.
小样本情况下神经网络模型泛化能力不足的缺陷限制了其在涡喷发动机风车工况建模中的应用。在十组风车工况实验数据的基础上建立了涡喷发动机风车工况的神经网络模型,并且利用人们对涡喷发动机动静态、相似参数以及剩余功率与加速度的关系等先验知识不断对神经网络的输入变量进行变换,逐次减少神经网络的训练样本数目,最终只用一组训练样本就可以训练出泛化能力较强的神经网络模型,大大提高了小样本情况下神经网络的泛化能力。仿真结果表明,该方法简单有效。 相似文献
2.
在阐述了小波变换和BP神经网络概念的基础上,根据小波神经网络故障诊断的基本思想,提出了一种基于“能量-故障”的小波预处理神经网络航空发动机诊断方法。实验仿真结果表明,使用该方法提取故障特征加快了神经网络的训练速度,能迅速地进行故障的诊断。 相似文献
3.
4.
以某型单转子涡喷发动机为研究对象,在提取该型发动机状态空间模型的基础上,提出了单转子涡喷发动机状态空间模型的稳态及动态的修正算法,获得基于稳态及动态的修正模型.以阶跃输入响应对模型进行了检验,检验结果表明使用该方法修正的状态空间模型具有与原非线性数学模型完全一致的稳态及动态过程响应,解决了单转子涡喷发动机状态空间模型检验与修正的问题. 相似文献
5.
6.
7.
基于小波过程神经网络的飞机发动机状态监视 总被引:4,自引:1,他引:4
针对飞机发动机状态监视问题,提出了小波过程神经网络模型。其隐层和输出层为过程神经元,隐层激活函采用小波函数。该模型结合了过程神经网络可以处理连续输入信号的特点及小波变换良好的时频局域化性质,有更强的学习能力和更高的预测精度。文中给出了相应的学习算法,并以飞机发动机状态监视中排气温度裕度的预测为例,分别利用3层前向过程神经网络和小波过程神经网络进行预测。结果表明,小波过程神经网络结构更简单,收敛速度更快,优于过程神经网络,因而为飞机发动机状态监视提供了一种有效的方法。 相似文献
8.
在某型涡喷发动机试车过程中首次开展了气路静电监测试验,获取了若干试车阶段静电信号。选用第102阶段(发动机处于健康状态)监测的静电信号进行时域特征分析,获取了发动机处于启动、巡航、停车3个典型工况下时域幅值以及活动率水平、正负事件率特征参数的变化情况,分析表明静电信号会随发动机工况变化而变化。为了进一步揭示静电信号特征,采用小波-Hilbert变换方法处理了第102阶段的静电信号,获取了其能量值、能量分布以及功率谱的特征。为了验证分析方法的有效性,也对第174阶段(该阶段发动机存在积碳故障)的静电信号进行了对比分析。 相似文献
9.
10.
基于小波神经网络航空发动机滑油系统故障诊断方法研究 总被引:3,自引:0,他引:3
研究了基于小波神经网络的非线性系统的故障检测和诊断方法.把小波分析与前馈神经网络相融合,并推导出其具体的算法.应用小波神经网络对航空发动机滑油系统进行故障诊断.试验和仿真的结果表明:小波网络应用于故障诊断时具有收敛速度快,对网络输入不敏感等特点,为非线性系统的故障诊断提供了新的理论和方法. 相似文献
11.
12.
针对目前模拟电路中电子元器件存在的容差与非线性导致电路故障难以检测的现状,设计了适用于诊断由器件超出容差所引起的模拟电路故障的小波分析诊断方法。通过设定故障进行蒙特卡罗容差实验,采用小波神经网络,对故障输出信号进行小波分析提取其小波高频系数参量,经PCA分析和归一化后形成训练特征向量,并经过BP神经网络训练后,故障信号通过小波神经网络后能够快速精准的对故障器件进行定位。通过大量样本进行仿真计算表明所设计的小波特征参量故障诊断法对于模拟电路具有很好的故障分辨率。 相似文献
13.
通过对齿轮系统在不同的运转状态下不同的故障类型进行试验测试分析,获取了有关的测试信号,对振动特征信号进行了小波阈值去噪,采用离散小波变换(DWT)对去噪后的信号进行8层分解处理,对各层的小波系数进行了小波重构,得到8层细节信号和1层近似信号,并计算了各层信号的能量,得到了信号的能量分布特征.在此基础上把各层信号特征作为神经网络的输入,进行了网络的研究、分析处理和故障分类,并对小波神经网络方法与单独采用神经网络方法的故障诊断结果进行了比较评价.研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波神经网络诊断方法,对于齿轮无故障、齿根裂纹故障、分度圆裂纹故障和齿面磨损故障能够进行很好地区分与诊断,其诊断成功率均在95%以上,可对实际工程工作的齿轮系统进行故障诊断. 相似文献
14.
15.
提出了一种基于小波包变换的残差能量方法,对导弹动态测试数据进行分析处理,提取导弹的故障特征,并在此基础上利用神经网络有效地实现了故障的诊断和定位。 相似文献
16.
滚动轴承早期故障的特征提取与智能诊断 总被引:17,自引:0,他引:17
在基于小波变换的滚动轴承故障诊断研究中,目前普遍存在小波变换参数选取和故障特征计算无法自动完成的问题。基于此,提出了一种基于二进离散小波变换的滚动轴承故障特征自动提取技术,实现了小波函数参数的自动选取和故障特征的自动提取。同时,基于结构自适应神经网络方法建立了滚动轴承的集成神经网络智能诊断模型。最后,利用实际的滚动轴承实验数据验证了所提方法的有效性。 相似文献
17.
针对传统故障诊断中提取的特征不具有自适应能力、很难匹配特定故障的问题,提出了一种基于连续小波变换(CWT)和二维卷积神经网络(CNN)的齿轮箱故障诊断方法。该方法对齿轮箱故障振动信号采用连续小波变换构造其时频图,以其为输入构建卷积神经网络模型,通过多层卷积池化形成深层分布式故障特征表达。利用反向传播算法调整网络各层的结构参数,使模型建立从信号特征到故障状态之间的准确映射。在不同工况和不同故障状态下的实验中,故障识别准确率达到了99.2%,验证了方法有效性。采用这种自适应学习信号中丰富的信息的方法,可以为故障诊断智能化提供基础。 相似文献
18.
基于机匣信号的滚动轴承故障卷积神经网络诊断方法 总被引:1,自引:1,他引:0
针对在滚动轴承故障激励下的机匣微弱故障特征,提出了基于卷积神经网络(CNN)的故障诊断方法。利用矩阵图法、峭度图法以及小波尺度谱法3种振动信号的预处理方法,将一维原始信号转换为图像信号;利用卷积神经网络对故障进行识别。通过比较分析发现:通过连续小波尺度谱更易提取滚动轴承的故障特征,其故障识别率达到95.82%,均高于其他几种振动信号预处理方法;由于卷积神经网络可以利用深层网络结构自适应地提取滚动轴承故障特征,比传统支持向量机(SVM)方法的故障识别率高约7%。结果证明了该方法的有效性与可行性,且具有较好的泛化能力和稳健性。 相似文献