基于神经网络的钢琴击弦机故障排除方法研究

针对传统钢琴击弦机故障诊断方法准确率低,导致机械故障排除效果不佳的问题,提出基于改进果蝇算法优化BP神经网络的故障诊断方法。基于果蝇算法FOA加入混沌映射、动态搜索半径策略和优化气味浓度判定公式,得到改进的UFOA算法;然后利用UFOA算法优化BP神经网络,并构建基于UFOA-BP的击弦机故障诊断模型;最后获取钢琴击弦机械故障数据,并通过小波包分解法进行故障数据特征提取。将本模型应用到数据集中进行实验发现,相较于未优化的BP神经网络,提出的UFOA-BP模型的故障预测误差绝对值仅为1.01和0.61,通过UFOA算法提升了BP神经网络的预测精度。且在单弦和多弦故障诊断中,对比于其他诊断模型,本模型的故障诊断准确率分别提升了7.75%、10.08%和7.19%、9.05%。由此说明,通过本模型可提升钢琴击弦机故障诊断率和排除效果。     

基于遗传粒子群算法的模拟电路故障诊断方法研究

提出一种基于小波包分解、归一化处理、遗传粒子群优化算法(GAPSO)和BP神经网络相结合的模拟电路故障诊断新方法。该方法使用小波包分解获取各尺度函数空间上的能量特征信息作为特征向量输入神经网络。利用遗传粒子群算法优化BP神经网络的权值和阀值,有效克服BP神经网络极易陷入局部极小等缺陷。通过Multisim仿真电路实例,比较GAPSO-BP和BP神经网络的诊断结果,验证了该方法的有效性。     

基于粒子群神经网络的气阀机构故障诊断

提出应用粒子群神经网络和小波包能量特征的柴油机气阀机构故障诊断方法.为了克服BP算法的缺陷,将粒子群优化(PSO)算法应用于神经网络的学习算法中;为了避免PSO算法在全局最优值附近搜索变慢,采用了一种从PSO搜索到BP搜索的启发式算法;然后,通过模拟柴油机气阀机构的两种常见的主要故障:气阀漏气和气门间隙异常,采集气缸盖...     

基于小波包分解和PSO-BPNN的滚动轴承故障诊断

针对现有煤矿旋转机械滚动轴承故障诊断方法存在信号有效特征提取不完全、故障诊断精度不高及效率低等问题,提出了一种基于小波包分解和粒子群优化BP神经网络的滚动轴承故障诊断方法。该方法包括信号特征提取和故障类型识别两部分:在信号特征提取部分,对采集的滚动轴承振动信号进行小波包分解,得到各子频带能量及信号总能量,经归一化处理后获得表征滚动轴承状态的特征向量;在故障类型识别部分,通过粒子群优化算法优化BP神经网络的初始权值和阈值,以加速网络收敛速度,避免陷入局部极小值。实验结果表明,该方法提高了滚动轴承故障诊断效率和准确率。     

基于反时限混沌郊狼优化算法的BP神经网络参数优化

针对郊狼优化算法优化性能弱及多样性低等问题,提出一种基于反时限衰减算子的混沌郊狼优化算法(ICCOA).首先,在个体迭代更新过程加入反时限衰减权重因子,使得全局搜索与局部开发能力保持平衡的同时提高算法的搜索速度;其次,加入基于Tent混沌映射的混沌干扰机制,将种群中部分较差个体经过映射产生新个体,进而增大种群多样性;接着,为了验证ICCOA算法的优化能力,分别在10、30和100维度下进行函数优化测试,并与5种优化算法进行比较,其实验结果表明ICCOA算法具有良好的优化性能;最后,将ICCOA算法应用于BP神经网络参数优化,提出新的神经网络模型(ICCOABP),并与标准神经网络、基于遗传算法的BP神经网络参数优化方法一同应用于机器学习的分类任务进行性能比较,实验结果表明ICCOABP算法具有高效性.     

基于小波神经网络的开关电源的故障诊断

以非线性小波Morlet基作为激励函数,形成神经元,结合小波变换与神经网络各自的优点,建立集小波分析与神经网络于一体的紧致型小波神经网络;采用能量分布特征提取方法和改进的BP算法,设计了一种基于小波神经网络的故障诊断系统,并应用于开关电源故障诊断中;对实例电路仿真结果表明,该方法能正确识别各种故障状态,准确率高,系统诊断结果与实际相符,验证了该小波神经网络故障诊断系统的有效性。     

基于小波神经网络的电机声频故障诊断系统

采用能量分布特征提取方法和改进的BP算法，设计了一种基于小波神经网络的故障诊断系统，并应用于电机声频诊断技术。实验表明，此系统诊断结果与实际相符，验证了该小波神经网络故障诊断系统的有效性。     

小波包与改进BP神经网络的配电网故障选线

针对配电网中基于单一故障特征信息选线准确率低的问题,提出了一种小波包与改进BP神经网络相结合的综合选线方法.该方法首先采用小波包分解各线路的暂态零序电流,并提取特征频带的小波包能量;然后将小波包能量、各线路5次谐波和零序有功功率作为选线系统的故障特征量;最后运用Levenberg Marquardt(LM)算法改进BP神经网络进行故障选线.Matlab仿真表明,与传统BP神经网络相比,采用LM算法改进后的BP神经网络具有更好的网络性能和选线精度.     

基于小波包和BP神经网络的刚性罐道故障诊断

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。     

小波包分解与神经网络风机齿轮箱故障诊断

齿轮箱作为风机传动系统重要的机械部件长期工作在恶劣环境中易于发生故障。针对风机齿轮箱产生的振动信号具有非平稳、瞬态、不确定性、以及外界干扰因素等特点，提出了小波包与改进的BP神经网络相结合方法。首先提取原始振动信号的时域波形，利用小波包对于时域特征值进行分解，将小波包分解后的子频带能量进行归一化计算，并作为BP网络的输入特征向量，其次创建BP故障模型，通过改进的优化算法对神经网络的权值和阈值进行全局寻优，最终使得对故障类型进行精确的判断，提高了故障诊断效率。仿真结果比较了两种优化算法的性能指标，得出改进的蚁群算法(MMA)优化算法识别精度更高，误差相对较小，收敛速度更快，验证了方法的有效性和可靠性。