故障诊断的神经网络多重模型自适应方法

将神经网络与故障诊断的多重模型自适应方法相结合,提出了故障诊断的神经网络多重模型自适应方法,并对某型航空发动机控制系统传感器故障进行诊断仿真。仿真表明,该方法能够用来解决具有模型不确定性系统的故障诊断问题,同时,对未知的故障模态具有自学习能力     

ANN和GA混合算法在故障诊断中的应用

介绍了ANN和GA的混合诊断算法,采用双重GA循环优化神经网络的结构和连接权重。设计提出了ANN和GA的混合方法的计算机流程图,运用三层前向神经网络执行诊断功能,并给出了混合算法在某型导弹自动驾驶仪故障诊断中的应用实例分析。     

神经网络集成在发动机故障诊断中的应用研究

提出一种基于A daBoost的集成神经网络故障诊断方法,利用多层前向神经网络作为故障弱分类器,通过简单地训练若干个单一神经网络并将其预测结果进行合成,实现了对航空发动机多类故障的诊断。针对一个涡轮喷气发动机气路部件的仿真实验表明,这种方法提高了最终故障分类器的泛化能力,便于工程应用。      

基于深度学习的航空发动机不平衡故障部位识别

针对基于机匣测点的航空发动机不平衡故障部位识别问题,提出了基于深度卷积神经网络的航空发动机不平衡故障部位诊断方法。针对某典型双转子航空发动机,建立整机耦合动力学模型,并利用数值积分算法实现不平衡故障数值仿真;在从发动机压气机端到涡轮端的高、低压转子上选择4个不平衡故障部位作为诊断对象,通过仿真分析得到发动机典型转速下的转子不同部位不平衡故障的仿真样本;计算4个机匣测点信号的规范化频谱,通过对大量仿真数据的处理得到反映不同不平衡故障部位的故障样本集;利用仿真得到的大量不平衡故障样本,训练深度卷积神经网络,利用深度卷积神经网络的优良特征学习能力实现航空发动机不平衡故障的不同部位进行识别,数值试验结果表明该方法对航空发动机不平衡故障部位的识别准确率达到95%。     

基于粗糙集-神经网络的机载设备故障诊断方法研究

提出了一种基于粗糙集-神经网络的故障诊断方法。将粗糙集理论同神经网络结合起来可以用于机载设备的故障诊断。采用粗糙集理论对原始故障诊断样本进行处理,并根据条件属性对决策属性的正域的大小来选择条件属性,提取出对诊断故障贡献最大的最小故障特征集,从而确定神经网络的拓扑结构;通过训练神经网络建立故障特征与故障之间的映射关系,实现故障的诊断。通过A320飞机燃油系统的故障诊断仿真实例,表明这种故障诊断方法的有效性。     

自组织神经网络航空发动机气路故障诊断

 为克服学习样本依赖于发动机精确模型的问题,提出了一种基于自组织神经网络的发动机智能故障诊断的方法,并运用故障特征提取的数据预处理方式,成功地对航空发动机气路部件的几种典型故障做出正确诊断。为验证网络的抗噪性能,引入了自联想神经网络。研究表明,自组织网络可以脱离发动机模型,并且对测量噪声有良好的鲁棒性,能基本满足航空发动机故障诊断的要求,具有较好的工程应用前景。     

粗糙集与神经网络在航空发动机气路故障诊断中的应用

提出了一种基于粗糙集理论和神经网络集成的发动机智能故障诊断方法,首先对测量数据进行离散处理,并运用粗糙集理论建立故障决策表,进而约简属性和提取规则,对航空发动机气路部件的几种典型故障进行隔离。然后建立神经网络故障诊断子系统,使用粗糙集处理后的数据计算出发动机气路相关部件的故障程度。最后,还验证了粗糙集神经网络故障诊断系统的抗噪性能。研究表明,该系统能够正确而且高效地诊断出发动机故障的严重程度,并具备良好的抑制噪声的能力。      

基于神经网络和D-S证据理论的发动机磨损故障融合诊断

运用了4种最常用的滑油分析技术——铁谱分析、光谱分析、颗粒计数分析及理化指标分析,同时结合发动机试车台监测数据,提出运用神经网络和D-S证据理论对发动机试车状态进行融合诊断的方法。首先依据各种分析方法的标准磨损界限值,将原始数据进行了预处理,统一转换成故障征兆的布尔值;其次,建立各子神经网络的拓扑结构,并依据专家经验建立各子系统的输入征兆与故障论域的映射关系,从而得到各子神经网络的训练样本,对各网络进行成功训练后,利用神经网络实现各子网络的诊断并得到中间诊断结果;然后,将每种方法的神经网络诊断结果作为对各种故障模式的基本概率分配值,利用D-S证据理论,实现对神经网络的诊断结果的融合,从而得到最终的融合诊断结果;最后,运用算例表明了本文方法的有效性。      

增强神经网络辨识模型泛化能力的研究

神经网络(Artificial Neural Network,ANN)辨识模型的泛化能力是其最主要的性能之一,增强ANN模型的泛化能力也是近年来国内外有关专家学者研究的重点问题。大量研究表明,ANN模型泛化能力的改善与很多因素相关联,其中恰当的性能指标函数设计是一个重要影响因素。文中在分析常见的基于均方误差最小原则的性能指标函数基础上,通过加入ANN辨识模型权值间的延迟信息,进而获得一种改进型性能指标函数。通过仿真,验证了所设计的改进型性能指标函数对增强ANN辨识模型的泛化能力是有效的。     

基于小波变换和神经网络的航空发动机故障诊断

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。     

基于IPSO Elman神经网络的航空发动机故障诊断

为提高航空发动机故障诊断的精度,提出改进粒子群优化的Elman神经网络对航空发动机故障诊断的方法。利用MIV(平均影响值)对神经网络的输入端自变量进行筛选,降低输入维度;采用改进粒子群优化算法对Elman神经网络的权值和阀值进行优化,并对优化的神经网络进行训练;用训练好的神经网络对航空发动机故障进行诊断并与常规的BP（back propagation）、Elman神经网络、GM（1,n）、SVM (support vector machines)进行对比。仿真结果表明:IPSO Elman(improved particle swarm optimization Elman neural network)神经网络的诊断误差在不同数量训练样本时都小于其他方法,并且在参选故障诊断的性能参数不同时,其诊断误差相近,展现出较强的适应能力。      

Neural network-based fault diagnosis for spacecraft with single-gimbal control moment gyros

This paper proposes a neural network-based fault diagnosis scheme to address the problem of fault isolation and estimation for the Single-Gimbal Control Moment Gyroscopes(SGCMGs) of spacecraft in a periodic orbit. To this end, a disturbance observer based on neural network is developed for active anti-disturbance, so as to improve the accuracy of fault diagnosis.The periodic disturbance on orbit can be decoupled with fault by resorting to the fitting and memory ability of neural network. Subsequ...     

基于递阶残差神经网络的结构故障模式识别

提出了一种基于递阶残差分类神经网络的结构故障诊断新方法,与传统的基于模型的非线性系统的故障诊断方法相比,神经网络方法有着非线性逼近能力强和故障模式识别实时性好等优点。文中进行了残差特征提取和残差分类研究,设计了3层递阶残差结构分类器,提出了故障模式识别算法。最后以某型歼击机为例进行了仿真验证,仿真结果表明本文方法能有效识别歼击机结构故障的有无、位置、类型和程度。     

基于机匣信号的滚动轴承故障卷积神经网络诊断方法

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。      

航空发动机气路故障诊断的SANNWA-PF算法

针对航空发动机非线性、非高斯的特点,提出一种用于航空发动机气路故障诊断的自适应神经网络权值调整粒子滤波（SANNWA PF）算法。该算法根据粒子分布情况确定分裂和调整的粒子数目,进而根据粒子权重采用正态分布的方式进行分裂,采用反向传插(BP)神经网络进行权值调整,缓解了粒子的退化和贫化,具有更强的自适应性能和跟踪能力。通过一维非线性跟踪模型和航空发动机气路故障诊断仿真研究表明:SANNWA PF算法具有良好的非高斯性能,相对粒子滤波一维非线性追踪模型估计精度提高约21%,航空发动机气路故障诊断在高斯噪声和非高斯噪声下分别提高约30%和26%,诊断速度分别提高约7倍和10倍。      

基于神经网络的涡轮泵多故障诊断

针对液体火箭发动机的涡轮泵系统中，常出现多故障同时发生的现象，分析了涡轮泵常见故障的特征表现，建立了涡轮泵系统的标准故障模式，在此基础上，提出了采用建立并行BP神经网络进行多故障诊断分类的方法，结果表明，并行BP神经网络结构简单，学习诊断速度快，对单一故障的诊断分类优于基本BP网络，且能对并发故障进行诊断分类。     

人工神经网络融合诊断航空发动机气路故障

为了提高诊断的准确性,提出了一种利用人工神经网络融合诊断航空发动机气路故障的新算法.由4个子系统有机结合起来建立了神经网络融合诊断系统,对从飞参数据中得到的气路故障数据进行预处理之后,分别输入广义回归神经网络子系统和BP神经网络子系统进行诊断,然后研究了一种新的信息融合算法对两者的诊断结果进行融合,使诊断结果的故障特征更加明显,提高了诊断的准确性.通过测试表明,该信息融合算法十分有效,具有较高的实用价值.      

基于CWT-CNN的齿轮箱运行故障状态识别

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。