5通道铁磁探测仪的研发与锅炉管堵塞检测

为了提高航空发动机轴承故障诊断的准确率，提出基于改进遗传算法优化（back propagation，简称BP）网络(modified genetic algorithm to optimize BP,简称MGA-BP)的故障诊断模型。针对传统遗传算法易早熟、易陷于局部最优解等缺陷，利用固定个体选择概率、引入三角函数和高斯变异操作对遗传算法进行改进，并用改进遗传算法优化BP网络的权值和阈值。利用优化的BP网络对滚动轴承正常、内圈故障、外圈故障和钢球故障4种工况进行诊断，并考虑到网络输出模式、诊断样本比例等对诊断精度的影响。为了验证MGA-BP在轴承故障诊断中的有效性，将其他改进遗传算法优化BP网络作为对比算法。分析表明：MGA-BP能够较好地适应网络不同的输出模式、不同的样本比例，其抗噪能力、诊断准确率、误差收敛速度和误差收敛值均优于文中其他对比算法。     

运用遗传算法优化神经网络的发动机故障诊断

为了对发动机故障进行正确诊断,可采用BP神经网络方法建立发动机故障诊断模型,但由于BP神经网络存在收敛速度慢及网络泛化能力差的缺点,易影响发动机故障诊断正确率。为了提高网络正确识别能力和泛化能力,采用遗传算法对神经网络的权值和阈值进行优化,网络误差满足要求后,用BP神经网络方法进行修正,从而使网络误差达到最小。将该算法应用于发动机故障诊断中,结果表明,该方法诊断故障误差更小且收敛更快。     

神经网络技术在变压器故障诊断中的应用

本文针对变压器传统故障诊断的缺点,提出将神经网络技术用于变压器故障诊断。本文对BP算法改进,使网络收敛速度和误差精度进一步提高。收集部分油中溶解气体故障数据样本,对变压器故障类型进行了分析,并确定网络的输入和输出向量,建立诊断网络模型,实现对各项网络参数的比较确定,在Mtalab里面仿真使误差满足要求。     

基于改进萤火虫算法神经网络的刮板输送机减速器故障诊断

为了对刮板输送机减速器故障进行准确诊断研究,提出了一种基于改进萤火虫算法优化神经网络故障诊断方法。首先对刮板输送机减速器故障特征参数进行特征提取,其次应用特征数据样本进行基于神经网络的故障诊断模型训练,利用改进萤火虫算法对神经网络权值、阈值进行优化,加快目标的优化求解,得到最优的网络模型。初步研究表明将改进萤火虫算法与BP(back propagation)神经网络结合可以有效地解决神经网络收敛速度慢,易陷入局部最优等问题,可以对刮板输送机减速器的故障进行准确诊断。     

基于IGRSSA与IPSO-SVM的滚动轴承故障诊断方法

为提高滚动轴承故障诊断的准确性,提出基于信息增益比的奇异谱分析(IGRSSA)与改进粒子群算法优化支持向量机(IPSO-SVM)的诊断模型。首先,引入信息增益比实现信号自适应重构;其次,采用动态惯性权重和梯度信息对粒子群算法进行改进并用于优化支持向量机;然后,用IGRSSA对滚动轴承外圈故障、钢球故障和正常3种状态的振动信号进行降噪并提取时域特征值,使用平均影响值(MIV)筛选出最优特征参量作为后续故障信号特征数据集;最后,将BP神经网络、RBF神经网络、交叉验证优化的SVM、遗传算法优化的SVM和粒子群优化的SVM作为对比算法用于轴承故障诊断。30次有放回的随机抽样诊断结果表明,IPSO-SVM的平均诊断准确率达到97.72%,波动性和收敛误差均优于其他方法。     

基于粒子群优化的神经网络电机故障诊断系统

提取电机定予电流信号及转于振动信号,构成用于电机故障诊断网络的训练及测试样本.用BP神经网络建立诊断输入征兆与故障输出间的映射关系,引入改进粒子群优化的策略,对神经网络权值和阀值进行优化,提高了网络系统诊断的可靠性.仿真对比研究表明,经粒子群优化后的BP网络收敛速度显著提高,更适合于电机类故障诊断的要求.     

基于遗传算法的BP神经网络在塔式起重机故障诊断中的应用

为解决BP神经网络存在的收敛速度慢、易陷入局部极小点等不足,利用遗传算法随机搜索性强,易收敛到全局最优解的优点对其进行改进,通过误差平方和的倒数建立遗传算法与BP神经网络的联系,以改进网络权值、阈值为目标,优化神经网络结构,以更加有效地应用改进网络进行预测、识别,将其应用于塔式起重机的状态识别中,可很好地对塔式起重机进行故障诊断.     

一种改进的PSO-BP算法在液压系统故障诊断中的应用

液压系统故障诊断中采用BP神经网络进行故障的模式识别,存在着收敛率较低的问题。结合粒子群算法和BP算法各自的优势,提出了一种基于改进的PSO-BP液压系统故障诊断方法。对标准粒子群算法的惯性权重和学习因子进行改进,再对BP神经网络的权值和阈值进行优化,达到改善BP网络性能的目标。仿真结果表明该方法提高了BP网络的收敛率,减小了诊断误差。     

基于蚁群神经网络的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确性,将蚁群算法与神经网络相结合,根据轴承故障产生的机理,建立其BP神经网络的诊断模型,以网络的误差为目标函数,通过蚁群算法进行BP网络的权值优化,并用优化好的BP网络进行故障诊断。仿真结果表明,该方法具有较高的故障诊断准确度,具有较强的实用性。     

基于改进鱼群算法优化神经网络的轴承故障诊断研究

论述了一种改进的鱼群算法,利用其全局寻优能力优化BP神经网络的权值和阈值,形成一套基于改进鱼群算法优化神经网络的故障诊断方法(ADAFSA-BP)。通过试验采集和处理轴承故障信息,应用GA-BP,SFLA-BP和ADAFSA-BP对试验数据进行处理和对比分析,结果表明:ADAFSA-BP不仅加快了神经网络的收敛速度,而且在诊断精度上有了较大提高。     

基于ISFLA优化深度置信网络的滚动轴承故障诊断方法研究

传统故障诊断模型训练时易陷入局部最优、模型泛化能力差,且故障识别精度易受人工特征提取质量的影响,针对这一问题对滚动轴承故障诊断方法进行了研究。首先,提出了基于深度置信网络(DBN)的滚动轴承故障诊断模型,研究了DBN模型的逐层自适应特征提取能力;然后,提出了一种改进的混合蛙跳算法(ISFLA),对DBN各隐含层神经元个数和反向微调算法学习率进行了优化;最后,在不进行任何特征提取的情况下,利用美国凯斯西储大学的轴承数据集进行了实验研究,提取了原始时域振动信号,进行了故障特征分析,并与BP、DBN和PSO-DBN算法进行了对比。研究结果表明:与其他方法相比,ISFLA-DBN的故障识别精度最高,算法收敛速度最快,模型泛化能力最好。     

基于Petri网和萤火虫神经网络的柴油机故障诊断

针对BP神经网络在柴油机故障诊断中,提取训练数据的盲目性及网络收敛速度慢、精度低的问题,提出一种基于Petri网与萤火虫神经网络的故障诊断方法.通过Petri网建模归纳出柴油机所有故障模式,提取神经网络的训练数据,利用萤火虫算法来优化BP神经网络的权值和阈值,改善BP神经网络的性能.仿真实验表明,采用Petri网建模并用萤火虫算法优化BP神经网络的方法,有效地提高了神经网络的收敛速度和诊断精度,在柴油机故障诊断中得到了较好的应用.     

一种基于改进遗传算法的神经网络优化算法研究

遗传算法是目前优化搜索算法中应用比较广泛的一种,但基本遗传算法存在收敛速度慢、易于陷入局部最优等缺点。针对上述问题对遗传算法(GA)的选择算子进行改进,在最优保存策略的基础上将每代种群按照适应度由小到大排序,平均分成前中后3段,按照0.6、0.8、1的比例进行选择;从尾段中随机抽取个体来补足种群由于选择操作而损失的个体;既利用了最优保存策略的全局收敛特性同时也保持了种群的多样性;用改进的遗传算法调整神经网络的权值形成了新的改进遗传算法优化BP神经网络(IGA-BP);通过与选择算子为适应度比例选择算子的GA-BP网络进行比较,结果表明算法改进后缩短了收敛时间同时减少了运行误差;最后将该改进算法应用于水泥回转窑的故障诊断中,验证了算法的可行性。     

遗传神经网络法在装载机故障诊断中的应用

在装载机故障诊断系统中,针对BP算法存在收敛速度慢,容易陷入局部极小值的问题,设计用遗传算法的复制、交换、变异过程代替BP网络的反向传播过程的改进算法.以装载机常用故障为例,应用提出的遗传神经网络算法对其进行故障诊断分析,从而证明该算法的有效性.     

GA-BP算法在船舶主机故障诊断中的应用

针对船舶主机故障具有诊断对象多、多因素耦合造成诊断准确率低等问题,提出了用遗传算法优化BP神经网络的故障诊断方法,利用GA算法对BP神经网络的初始权值、阈值在较大范围内搜索寻值,同时采用反向传播算法在较小范围内进行微调,优化网络结构和参数,加快目标最优值的求解,最后结合一般BP神经网络方法进行分析比较。实验结果表明,优化初始权值和阈值后的测试样本的误差由0.996 43减少到0.097 333,训练样本的误差由1.464 1减少到0.080 657;经GA优化后的BP神经网络模型对主机故障类型的诊断的准确率为100%,实现对船舶故障诊断的高效判别。     

人工神经网络在机械故障诊断中的应用

针对传统的机械故障诊断方法的局限性,提出将人工神经网络应用于机械故障诊断中。由于BP算法存在收敛速度慢及易陷入局部极小等缺陷,利用实数编码改进遗传算法对神经网络的权值和阈值进行优化训练,并把训练好的神经网络用于机械振动信号预测及机械故障诊断中。通过对机械设备振动信号的预测,可以及早发现故障,及时消除故障隐患,为企业节省大量的维修时间和维修费用,提高企业的生产率。     

基于遗传小波神经网络的双余度电机故障诊断

针对传统的BP神经网络在双余度无刷直流电机故障诊断算法中存在收敛速度慢和容易陷入局部最小的缺点,在对无刷直流电机常见故障深入分析的基础上,着重研究5种故障特性,提出1种故障诊断新方法.有针对性地根据统计学方法提取电机运行数据作为故障征兆.采用3层小波神经网络构成前向网络结构.针对传统误差反向传播(BP)算法选择参数和网络拓扑结构依据的不足,用遗传算法作为网络的样本学习算法,采用染色体编码对小渡基函数主要参数和网络结构参数进行优化.通过仿真试验和在微小型水下航行器上的应用表明,该算法具备较好的故障识别能力.     

遗传神经网络及其在制品质量预测中的应用

针对基本BP网络收敛速度慢、易陷于局部极小的不足,对基本BP网络的激活函数、动量项、学习率进行了较为全面的改进,并采用遗传算法进一步优化改进后的BP网络。分别采用基本BP网络、改进型BP网络、嵌入遗传优化的改进型BP网络建立了制品质量指标的预测模型,预测模型可根据输入的注塑工艺参数预测制品的质量指标。结果表明,嵌入遗传优化的改进型BP网络学习效率明显优于其他算法。     

改进小波包与RBF网络在轴承诊断中的应用

基于故障轴承的特征提取,提出一种基于小波包与径向基RBF神经网络相结合的故障诊断方法,克服了以往常用诊断方法中的小波BP神经网络网络收敛慢、训练时间长、而且常常陷入局部极小点的缺点。采用小波滤波技术对采集到的滚动轴承振动信号进行滤波处理,利用小波包分解获得滚动轴承振动信号的特征向量作为故障样本对RBF网络进行训练,进行了详细的故障诊断试验研究。实验结果表明训练好的RBF网络能够很好地诊断出轴承故障类型,故本方法在旋转机械故障诊断方面具有良好的应用价值。     

基于优化遗传算法的变压器故障诊断方法研究

提出的变压器故障诊断方法以多个主要影响因子为网络的输入信息,建立变压器故障诊断的遗传神经网络模型,利用GA较强的全局寻优能力和BP梯度法较强的局部搜索能力,较快同时又较好地综合诊断出网络输出信息的变压器故障类型。为了验证所提出识别方法的有效性,对变压器故障实测数据进行了学习和综合诊断对比,测试结果表明,基于优化遗传算法的故障诊断方法计算速度快、精度高、鲁棒性强,可以有效直观地对变压器故障类型进行综合诊断,具有一定实际应用价值。