滚动轴承是风力发电机传动装置中的非常关键的零部件之一.当其发生故障时,采集到的信号大多是非平稳和非线性的,传统的时域和频域分析不能准确分析这些信号的特征.提出使用总体平均经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)进行滚动轴承故障特征提取和使用概率神经网络进行故障特征识别的研究方法.首先使用EEMD算法对实验采集到的不同故障状态的原始信号进行分解,得到每个故障类型的本征模态函数(Intrinsic Mode Function,IMF),利用相关系数法过滤掉不重要的IMF分量.然后算出每个类型故障的IMF分量的能量值和占总能量值的能量比,把能量比当作故障特征向量元素,构造出每个类型的故障特征向量.最后把不同的故障类型和对应的特征向量使用概率神经网络经(Probabilistic Neural Network,PNN)进行识别,得到识别结果,并把结果同使用极限学习机的识别结果进...

广义回归神经网络(Generalized Regression Neural Network,GRNN)和概率神经网络(Probabilistic Neural Network,PNN)都是基于径向基函数的神经网络类型。广义回归神经网络通常用来实现函数逼近,而概率神经网络主要用于模式分类问题的研究。两者在机械设备故障诊断中均有广泛的应用。根据两种神经网络原理建立模型,对比分析广义回归神经网络和概率神经网络在旋转机械设备故障类型识别方面的优缺点。结果显示,两种神经网络在故障类型识别方面均取得了不错的效果,而概率神经网络相比广义回归神经网络而言,能应用更少的特征得到正确的结果。同时,将这两种神经网络得到的结果同BP神经网络和RBF神经网络得到的结果相比,发现GRNN神经网络和PNN神经网络具有更高的准确率和鲁棒性。

局部气象参数实时数据是船舶航行、飞机起降所需要的非常重要的海洋气象参数。这些参数实时数据中的奇异数据对航行导航可能会导致危险后果。提出了一种基于径向基概率神经网络的气象重要参数状态识别方法用来识别奇异数据。将气象参数实时数据作为神经网络的输入，参数对应状态作为输出，通过对径向基概率神经网络模型训练，实现数据状态识别，将故障奇异数据进行有效识别。保证了气象观测系统输出数据的可靠性。实验结果表明，该方法可靠，且具有较好的泛化能力，能够实现气象参数实时数据状态的有效识别。

为了提高柱塞式液压泵的故障诊断效率和准确性,提出了SA-EMD-PNN柱塞泵故障诊断方法。提取各种状态下振动信号的特征参数,并对所提取特征参数进行敏感度分析(SA),找出敏感度较高的特征参数;对原始故障信号进行经验模态分解(EMD)结合,构造新的故障信号,再提取敏感度高的特征参数;将所提取特征参数以向量的形式输入概率神经网络(PNN)进行训练和测试。实验表明,SA-PNN方法能快速、有效的诊断出柱塞泵故障,减少诊断时间;而SA-EMD-PNN能在SA-PNN的基础上提高正确率。

针对复杂环境下飞机的液压管路系统在故障诊断时存在的各种问题,提出一种基于概率神经网络的液压管路系统泄漏故障的诊断方法。在飞机液压管路系统中主要产生的故障是由于管路系统的振动导致的管路破裂、泄漏等。对飞机液压管进行建模,分析其工作状态下不同液压泄漏故障程度时的固有频率,选取前5阶固有频率作为故障诊断的特征值;构建PNN概率神经网络诊断模型,利用测试样本进行故障诊断实验。结果表明,该方法对液压管路故障具有较高识别率。该研究为液压管路系统的故障诊断提供了参考。

将人工神经网络方法应用于铝合金工件裂纹缺陷识别,以克服传统人工识别的局限性,从而提高裂纹缺陷识别的准确率。通过设计并搭建水浸超声检测系统,获得超声检测缺陷的波形数据,并对收集到的缺陷波形数据进行特征提取,从中筛选出有用的特征信息,经过小波去噪处理后作为特征信号输入概率神经网络,并进行网络训练,实现对不同裂纹尺寸的智能识别。实验结果表明:该方法可提高对裂纹缺陷尺寸识别的准确率和检测效率,具有较好的应用前景。

针对故障齿轮振动信号的非平稳和调制特性,提出了在变分模态分解(VMD)-模平方阈值降噪的基础上利用概率神经网络(PNN)进行齿轮故障诊断的方法。首先,利用VMD将原始振动信号分解为若干个本征模态函数分量,采用模平方阈值方法对各分量处理后并重构;然后,提取重构信号的峭度和均方根作为特征值组成特征向量;最后,将特征向量输入PNN实现故障类型识别。通过齿轮故障试验分析,将其与基于EMD-模平方阈值、LMD-模平方阈值和EEMD-模平方阈值的BP神经网络故障诊断方法相比较。结果表明,该方法能有效的提取特征信息,故障诊断准确率高达96.875%,证明了所提方法的可行性和有效性。

针对潜油电泵特征提取及状态判别问题,提出一种基于冗余第二代小波包变换、多尺度熵和概率神经网络的诊断方法. 首先, 利用冗余第二代小波包对拾取的信号样本进行处理, 得到相应的子带信号分量, 继而计算所得子带信号分量的多尺度熵值, 并构造能够表征电泵状态的特征向量, 最终将特征向量输入到概率神经网络中实现潜油电泵故障的自动识别.实测数据分析结果表明, 所述方法能够有效对潜油电泵的工作状态进行识别, 具有一定工程应用价值.

为了提高液压泵故障诊断的速度与准确性，提出了将敏感度分析与概率神经网络相结合的液压泵故障诊断方法。分析了不同状态下振动信号的时域图与频谱图，得出使用传统方法不易对液压泵进行故障诊断的结论。对各种状态下的振动信号提取特征参数，并对所提取特征参数进行敏感度分析。将敏感度高的特征参数以向量的形式输入概率神经网络进行训练和测试。实验表明：概率神经网络能快速、有效的诊断出液压泵的故障，节约诊断时间。将敏感度分析与概率神经网络相结合能提高概率神经网络诊断的正确率。

小波包具有良好的去噪效果和高频分析能力，而概率神经网络具有很好的分类效果。采用小波包分解重构液压泵故障特征信号，并提取第三层各频率段的节点能量作为特征向量，将特征向量概率神经网络模型的输入向量对液压泵故障模式进行识别。通过采用LabVIEW和MATLAB混合编写的识别软件系统对液压泵故障识别，证明了将该方法用在液压泵故障模式识别上，能取得良好的效果。