针对电潜螺杆泵故障预测中发生故障难以及时发现、发现难以准确判别故障类型等问题,提出一种基于深度学习长短期记忆网络(LSTM)结合概率神经网络(PNN)的电潜螺杆泵故障预测方法。以LSTM网络为回归模型,使用时间序列法预测故障信号的未来趋势,利用小波包分解螺杆泵的故障信号,提取其中的故障特征,再结合油压、产量等多个工作参数,构建电潜螺杆泵的故障特征向量,并凭借PNN网络判别预测信号故障类型。收集新疆油田120组故障数据作为数据集对预测模型进行训练,从中取出90组数据作为故障数据库对模型进行训练,取出30组数据作为测试组测试模型准确率,使用LSTM-PNN神经网络预测模型分别对两组数据进行电潜螺杆泵故障预测。结果表明预测前提取故障信号特征可有效提高电潜螺杆泵的故障预测精度,较常规电潜螺杆泵故障预测方法,LSTM-PNN网络预测具有...

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。

为实现复杂光照及存在遮挡和污损等情况下车牌识别，提出基于隐马尔可夫特征降维和改进概率神经网络的车牌字符快速精确识别算法，算法通过非负矩阵分解对描述字符特征的高维隐马尔可夫特征进行降维，以消除高维特征矩阵信息冗余并提高特征描述准确性，通过择取代表性样本参与PNN训练，以提高算法的分类精确性，减少硬件性能需求。对比实验结果表明，算法在保持原有统计特征分类识别性能的条件下，显著减少了运行时间，提高了识别准确率。

为实现齿轮故障模式的有效识别,提出了基于峭度准则变分模态分解(VMD)的样本熵与概率神经网络(PNN)的齿轮故障诊断方法。首先,利用VMD将齿轮振动信号进行分解;然后,提取峭度最大及次大分量的样本熵并组成特征向量;最后,将特征向量分别输入BPNN和PNN实现故障模式识别。通过齿轮故障试验对该方法进行验证,结果表明,基于峭度准则VMD样本熵与PNN相结合时的故障诊断准确率达96.25%,高于与BPNN结合时的准确率;将所提方法与基于峭度准则EEMD,LMD,EMD样本熵分别与神经网络结合时的诊断准确率进行对比,则明显高于其他三种方法,证明了所提方法的可行性和有效性。

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。