针对现有刚性罐道故障诊断方法不能消除环境因素影响、接头故障识别率较低等问题,以提高罐道故障种类识别精度为目标,提出了基于小波包和BP神经网络的刚性罐道故障诊断方法。搭建了立井提升系统实验台,模拟台阶突起故障和罐道接头故障这2种典型的罐道故障,采集提升容器振动加速度信号;运用小波包分解对采集的信号进行能量分析并提取故障特征参数,将故障特征参数作为BP神经网络的输入,并选取新的测试样本检测神经网络的诊断效果。测试结果表明,基于小波包分析和BP神经网络的刚性罐道故障诊断方法具有较高的故障识别精度,置信度达到了0.91。

案例19-概率神经网络的分类预测——基于PNN的变压器故障诊断176.7z

python程序，基于故障诊断的python程序，供故障诊断学者下载学习

提出了一种将非线性频谱与堆叠式降噪自动编码器（SDAE）相结合的复杂系统故障诊断方法。 为了解决计算量大的问题，利用广义的频率响应函数（GFRF），利用一维非线性输出频率响应函数（NOFRF）来获得非线性频谱。 为了解决故障特征提取能力弱的问题，采用了堆叠式降噪自动编码器（SDAE）。采用神经网络从非线性频谱中提取故障特征。 该方法通过识别算法得到了永磁同步电动机各状态的四阶非线性频谱。 然后，从四阶频谱中选择合适的采样点，以构建高维数据； 最后，设计了堆叠式去噪自动编码器（SDAE）神经网络，实现了故障分类的输出。 仿真表明，该方法具有良好的实时性和较高的诊断精度。

随着我国列车行驶速度的不断提高,列车的行车安全逐渐得到了人们的重视,海量列车轮对监测数据为分析列车运行状态提供了条件.为了提高列车轮对故障诊断效率和准确性,文章提出一种基于大数据分析的列车轮对故障诊断方法,针对传统列车轮对故障诊断方法在处理大规模监测数据集时存在处理时间长,故障结果不准确等问题.首先设计一个监测数据融合框架,然后将多故障诊断循环神经网络算法与大数据MapReduce分布式计算框架相结合,利用循环神经网络算法特征提取能力和MapReduce快速计算能力.这样不但能够发挥循环神经网络故障特征提取能力,还能够满足列车轮对故障诊断精确性和实时性的需求,最后通过实例分析,证明了该方法的有效性.

通过对风机传动系统中齿轮故障进行模拟试验,构建结构风险最优的支持向量机(SVM)网络,对采集到的电磁速度信号进行快速傅里叶分解,选取高频段的频谱特性 作为分量进行样本化学习,完成对齿轮故障样本的训练,使 SVM 具备分类功能。最后,采用SVM 对齿轮箱试验台齿轮故障进行诊断分类识别,取得较好的效果,说明齿轮故障信号高频特性所包含故障信息在整个频谱中的有效性以及SVM 作为一种故障诊断方法的实用性。

基于MATLAB的GUI设计了一个简易版的轴承故障诊断系统，该系统的主要有以下几个功能：1、可以作为GUI界面学习的一个例程（含详细源码）；2、可以基于西储大学的数据熟悉信号的常见分析手段（FFT/时域波形）；3、可以自动选取西储大学的数据进行分析，只需要输入文件名序号即可;4、可以作为毕业设计中软件设计的一部分（某一章节），增加学术工作量，使得算法成果展示更生动。5、软件左上角有放大、缩小、标注数据等功能。

2、再看自己有没有问题 3、如果是少量机器出现问题，这个就到了维护人员最熟悉的登录机器，查看相关日志的套路了 4、如果是单服务的问题，这个时候就需要结合请求参数

针对BP神经网络训练过程易陷入局部极值导致训练误差收敛速度慢的问题，提出将具有全局寻优的萤火虫算法，结合BP算法共同训练神经网络。在本质上，萤火虫BP神经网络利用萤火虫算法对神经网络进行早期训练，避开局部极值点，得到优化后的神经网络初始权值后，利用BP算法的局部寻优特性对网络做进一步精细训练。轴承故障实验表明，萤火虫BP神经网络的训练误差收敛速度相比BP神经网络、萤火虫神经网络显著提升，故障识别率最高达到99.47%。

十分详细，适合新手学习