现有的轴承故障诊断方法依赖于人工提取特征,缺乏自适应性。卷积神经网络具有良好的特征自提取能力,可以自适应提取相关特征。但是采用传统卷积神经网络结构存在特征信息丢失的问题,残差结构可以防止特征信息的丢失,为此提出一种基于一维残差网络的轴承故障诊断方法。首先对原始振动信号进行小波阈值降噪处理,以减少噪声的干扰作用;然后将降噪信号作为一维残差网络的输入,自适应提取故障特征;最后通过Softmax分类器输出故障类别。实验结果表明,该方法与传统卷积神经网络方法相比,准确率更高。

针对医学B超图像的噪声特点,将采集到的医学B超图像输入计算机,然后用Matlab语言编制中值滤波、自适应滤波和小波阈值降噪程序,分别对同一图像运用3种方法降噪,并比较结果,得出其图像质量都有所改善,且自适应滤波和小波阈值降噪方法处理的效果更好,尤其是小波方法更优越一点.

由于微型电机体积小,其振动信号无法用常规的加速度传感器进行采集,且对微型电机的故障诊断不需要诊断出其具体故障类型,只需要判断故障是否存在,因此,微型电机故障检测初期通常采用噪声检测的方式。采用这种检测方式,提出一种基于声音信号的微型电机故障诊断方法。针对声音信号信噪比大、易受环境影响的特点,运用最大相关峭度解卷积-小波阈值降噪的方法,对声音信号中的周期性冲击成分进行增强并滤除环境噪声。采用希尔伯特变换得到信号的包络线和包络谱。根据包络线的形状和包络谱峰值对应的频率进行判断,实现了对微型电机故障的诊断。

燃气轮机的工作环境恶劣,突发情况和出现故障的模式多、几率大。为此研究有效地燃气轮机故障诊断方法尤为重要。提出了一种EMD小波阈值降噪和KPCA-GRNN相结合的方法,对燃气轮机喷口加力调节器故障诊断进行了深入研究。针对某型真实燃气轮机进行测试试验采集的喷口加力调节器高压转子转速、低压转子转速等八个参数数据,首先采用经验模态分解(EMD)方法对8个参量信号进行EMD分解,然后采用软阈值函数对其进行小波降噪,并进行信号重构,从而可得到燃气轮机喷调工作状态有效数据。在此基础上采用核主元分析法提取喷口加力调节器样本集的不同主元,构建特征向量,并由特征向量建立GRNN神经网络故障诊断模型,通过测试数据进行试验验证,验证了该方法的有效性。此外,尚采用基于KPCA-GRNN的方法对传感器感知的喷口加力调节器的八个参数原始数据进行了诊