基于数据融合和随机模糊神经网络技术的刀具磨损软测量系统

通过检测电流信号,利用基于随机模糊神经网络技术建立的软测量模型进行刀具磨损量测量,提出了利用数据融合技术减小测量误差的方法,仿真试验证明了该方法的可行性。     

正则化学习算法在软测量建模中的应用

软测量技术的核心是建立软测量模型。基于过程可测信息集建立软测量模型即逼近建模过程是不适定的。以径向基函数神经网络作为软测量模型,在软测量建模中引入正则化学习算法。以广义交叉验证作为正则化参数估计方法,讨论了径向基函数神经网络软测量逼近建模的全局与局部正则化学习算法,给出的实例说明了其有效性。     

基于改进核模糊聚类算法的软测量建模研究

针对发酵过程软测量建模采用单模型建模方法存在计算量大和精度较差的问题,提出一种基于改进核模糊聚类算法的多模型神经网络软测量建模方法.该方法首先使用主元分析方法对样本数据进行数据处理,所得主元变量作为模型的输入变量,然后使用基于粒子群优化算法的核模糊C均值聚类算法(PSKFCM)对数据集作聚类划分,最后针对每个聚类建立局部神经网络模型,多个局部神经网络模型估计结果的融合即为软测量模型的输出.将所提建模方法应用于红霉素发酵过程生物量浓度软测量建模,结果表明所建软测量模型具有较高的精度和良好的泛化能力.     

基于改进BP神经网络的纸浆漂白MIMO软测量模型研究

针对漂白过程中纸浆白度、残氯在线测量的不足,提出基于BP改进算法的神经网络软测量模型。文章介绍了基于神经网络的软测量技术原理以及漂白软测量模型建立的步骤与方法,给出了该模型的仿真结果。仿真结果表明,该模型具有较高精度和准确性,为纸浆质量的评判和优化控制提供了指导作用。     

基于tPSO-BPNN的赖氨酸发酵软测量

赖氨酸发酵过程是一个复杂的非线性强耦合动态过程。某些发酵过程关键生物参数(如菌体浓度、基质浓度、产物浓度)难以实时在线检测。采用软测量技术可解决这一难题。建立了用于生物参数状态预估的tPSO-BPNN软测量模型。针对BPNN软测量模型易陷入局部极小值,进化后期收敛速度慢以及全局搜索能力弱等缺陷,tPSO-BPNN软测量模型采用带极值扰动粒子群(tPSO)算法优化BP神经网络权值和阈值。仿真结果表明,tPSO-BPNN软测量模型的性能优于BPNN软测量模型,能够准确预估赖氨酸发酵过程中的关键参数,具有较高的精度和良好的应用前景。     

氧化铝预脱硅过程RP值的软测量系统

针对预脱硅过程的RP值在线实时检测,影响生产质量和生产控制实时性问题,提出了RP值软测量的方法,开发了一套基于神经网络软测量的软件系统,利用此系统对预脱硅过程RP值进行预测.现场运行表明,系统误差在4％以内,对生产质量和控制实时性问题可以起到指导作用,证明了该软测量方法的有效性.     

基于多"内在传感器"逆的诺西肽发酵过程生化参数软测量模型

针对诺西肽发酵过程中关键生化参数难以在线测量的问题,提出了一种基于多“内在传感器”逆的软测量模型。在诺西肽发酵过程非结构模型的基础上,建立了多个包含在原系统中的“内在传感器”子系统。经过数学推导证明了各子系统的可逆性,并利用神经网络分别拟合各子系统的逆,实现了诺西肽发酵过程中菌体浓度和基质浓度的软测量。实际应用表明,该软测量模型能够较好地预估菌体浓度和基质浓度,其平均相对误差都在5%以内,且所提软测量建模方法是有效的。     

基于神经网络的配电网故障诊断研究

为了改进人工智能方法在配电网故障诊断系统中的应用,给出了基于粗糙集理论的RBF神经网络的模型结构,然后利用训练好的神经网络对配电网进行故障诊断.采用VC 语言开发工具,调用Matlab神经网络工具箱建立了一个简化的故障诊断系统,并通过配电网实例验证了方法的正确性.实践证明不但提高了配电网故障诊断的容错性,使故障诊断变得更加准确有效,而且减少了神经网络样本数据,减少了故障诊断过程的时间.     

轧机伺服液压缸内泄漏故障诊断研究

针对目前轧机伺服液压缸故障诊断过程中,故障特征提取困难,信号非线性变化,数据量大的问题,提出了一种基于深度置信网络的轧机伺服液压缸故障诊断的方法。根据轧机系统工作原理,建立轧机系统仿真模型,对轧机内泄漏故障状况进行模拟。利用深度置信网络在智能故障诊断的优越性,将信号归一化处理后放入深度置信网络进行训练,然后通过反向传播学习,优化网络各参数,提高诊断精度。深度置信网络模型由多层玻尔兹曼机以及顶层BP神经网络组成。与传统BP神经网络方法进行比较,结果表明,在训练样本数据足够的条件下,深度置信网络模型在伺服液压缸内泄漏故障诊断具有更高的诊断精度。     

基于神经网络联想记忆的数控机床故障诊断系统

文章根据数控机床故障诊断的特点,分析了数控机床故障诊断系统的故障原因和故障源,然后引入一种带联想记忆功能的神经网络模型,并介绍了这种模型的原理和算法;最后利用所得的神经网络模型,对该故障系统的样本进行学习并记忆,再就检测或用户输入得来的故障原因进行联想回忆,得到诊断结果。实验结果表明,这种基于神经网络联想记忆的数控机床故障诊断系统简单,且能满足数控系统的故障诊断要求。     

一种乳化液泵分级故障诊断方法

针对乳化液泵故障机理复杂、故障诊断难的现状,提出一种乳化液泵分级故障诊断方法。首先,通过深度自编码网络(Deep Auto-Encoder Network,DAEN)实现乳化液泵故障的第一级诊断,以乳化液泵的14个特征参数作为输入,自适应特征学习,识别故障形式;然后,通过专家系统实现乳化液泵故障的第二级诊断,将已识别的故障形式与必要故障信息作为专家系统输入,得到明确的故障定位。实验表明,深度自编码网络平均准确率98.712%,优于深度神经网络和卷积神经网络,可靠性高,可以完成第一级诊断任务,然后通过专家系统完成第二级诊断任务,分析产生原因,操作简单。将该方法编制成后台可运行的程序,嵌入煤矿综采工作面智慧云平台。经过实际测试,该故障分级诊断方法能够快速有效定位故障位置,提高诊断精度。     

GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用

针对目前利用优化算法改进的BP神经网络算法对行星齿轮箱进行故障诊断过程中存在的故障识别率低、收敛速度慢和参数选择困难等问题,提出了一种用GA-ACO算法对神经网络参数进行优化的算法。给出GA-ACO-BP算法的基本原理和主要步骤,并将此方法应用到行星齿轮箱的故障诊断中。比较了ACO-BP神经网络算法和GA-ACO-BP算法的性能。结果表明,ACO优化BP神经网络算法对行星齿轮箱的故障诊断收敛速度慢且识别精度不高,而GA-ACO-BP算法能够对行星齿轮箱故障进行准确、快速的诊断和识别。     

故障诊断中基于神经网络的特征提取方法研究

在电路状态检测与故障诊断过程中,恰当地选择特征参数是诊断成败的关键。本文研究了基于神经网络的特征评价和特征提取方法,利用神经网络的训练结果对特征参数进行合理的评价。由于神经网络满足高分辨率信息压缩所需的非线性映射条件,通过特征提取将电路故障模式识别中复杂的分类问题转移到特征处理阶段,利用神经网络有效地实现了特征参数的提取。诊断实例验证了该方法的有效性。     

神经网络与 D-S 证据理论融合的液压系统故障诊断方法

针对液压驱动火箭炮随动系统故障类型的多样性以及故障信息不确定性等问题,提出了证据理论与神经网络综合集成的故障诊断方法。为克服单一神经网络自身的缺点,在普通节点处建立2个改进神经网络模型来简化网络结构,分别以铁谱数据和压力、流量、温度特征参数作为输入向量进行初始故障诊断,并将诊断结果作为证据理论的基本概率分配,从而实现了赋值的客观化。然后,利用 D-S 证据理论对2个改进神经网络的初始诊断结果进行融合。实验结果表明：该方法避免了神经网络识别时的误诊,提高了液压驱动的火箭炮随动系统故障诊断的准确性。     

神经网络结构与算法对变压器故障诊断的影响

BP神经网络算法本质上是基于梯度下降的一种迭代学习算法,存在学习收敛速度慢、收敛精度低、易陷入局部极小、学习率难以选取、隐层数及隐层神经元个数难以确定等缺陷。为了选择出更适宜变压器DGA故障诊断的神经网络结构及算法。本文采用了常用的几种智能算法对变压器故障样本进行了诊断性能对比实验。结果得出Levenberg-Marquardt神经网络算法是收敛速度较快的算法,有动量和自适应的梯度下降法是收敛稳定性较佳的算法;网络最优结构设计过程。为用于变压器DGA故障诊断的神经网络的结构和算法提供了系统化的试验方法。     

Adaptive prediction of forest fire behavior on the basis of recurrent neural networks

A method of modeling a dynamic process on the Earth surface, for instance, a forest fire, with the use of a recurrent neural network is proposed. The learning process of the neural network, similar to the process of data assimilation in GIS technologies, is described. A method of acceleration of neural network learning by using the Kalman filtration is proposed. The efficiency of its application is analyzed, and the neural network parameters at which it is reasonable to use the Kalman filter are determined.     

Transistor level fault diagnosis in digital circuits using artificial neural network

In the design of digital circuits, transistor level faults occur due to open or shorted connection in the transistor terminals and with the variations in the transistor parameters. In this study fault diagnosis for hard faults in the digital circuits using artificial neural network and virtual instrument is presented. During the diagnosis process the parametric variations in transistors are also taken into account by varying the threshold voltages of the transistors. The output responses of the circuit under test under faulty and fault free conditions are plotted for all the input combinations. The resulting responses are curve fitted using polynomial curve fitting. The polynomial coefficients are used as signatures values to train the back propagation artificial neural network, which in turn is used for fault classification. The virtual instrument is designed to implement the fault diagnosis system. The system is validated with experiments on universal gates and all the proposed faults are correctly diagnosed.     

基于小波变换预处理的一种神经网络故障诊断方法的研究

针对无法区分干扰信号与有用信号一类系统提出了一种先用小波变换让信号在不同频段上进行分解,提出各分量故障信号的特征,然后应用ＢＰ神经网络进行故障诊断的一种方法。并将这种方法应用于液压系统的泄漏故障诊断,取得了比较满意的效果。     

Optimizing process parameters for selective laser sintering based on neural network and genetic algorithm

Selective laser sintering (SLS) is an attractive rapid prototyping (RP) technology capable of manufacturing parts from a variety of materials. However, the wider application of SLS has been limited, due to their accuracy. This paper presents an optimal method to determine the best processing parameter for SLS by minimizing the shrinkage. According to the nonlinear and multitudinous processing parameter feature of SLS, the theory and the algorithms of the neural network are applied for studying SLS process parameters. The process is modeled and described by neural network based on experiment. Moreover, the optimum process parameters, such as layer thickness, hatch spacing, laser power, scanning speed, work surroundings temperature, interval time, and scanning mode are obtained by adopting the genetic algorithm based on the neural network model. The optimum process parameters will be benefit for RP users in creating RP parts with a higher level of accuracy.