基于模糊神经网络的MVB故障诊断算法

针对多功能车辆总线具有随机性和不确定性导致故障诊断准确率较低的问题, 设计一种基于模糊神经网络的MVB故障诊断算法. 首先根据MVB故障类型给出诊断模型, 然后采用减法聚类生成数量较少的模糊规则, 最后采用T-S模糊神经网络对故障进行分类. 在MATLAB环境下对该算法的拟合能力及诊断准确率进行仿真分析的结果表明, 该算法简化了模糊神经网络结构, 有效提高了故障诊断准确率.     

基于分级模糊神经网络的水电机组故障诊断

针对水电机组发生故障时,故障征兆与故障原因之间复杂的对应关系,提出了一种新型的基于低、中、高3级模糊神经网络的故障诊断结构模型和相应的学习算法,并以此方法对该分级模糊神经网络进行了仿真训练.仿真实验结果表明,该方法能有效地对水电机组单故障与多故障样本进行分类,可提高诊断准确率.     

一种混合智能故障诊断方法及柴油机故障诊断

提出了一种模糊聚类、粗糙集理论与神经网络集成的混合智能故障诊断方法。引入聚类有效性函数和点分布密度函数。对模糊c-均值聚类算法进行改进,形成了自适应模糊聚类算法并依据该算法将连续的故障特征值离散化。应用粗糙集理论处理离散化的故障诊断数据。采用基于信息熵的方法,约简冗余的故障特征。依据约简结果构建神经网络,采用遗传算法优化网络的权值和阈值。将该方法用于柴油机气门故障诊断,并与普通神经网络进行对比。结果表明,该方法提高了故障诊断的正确率。     

基于WPD和模糊神经网络的轴承故障诊断

提出一种结合小波包分解和模糊神经网络的故障诊断方法,采用小波包分解与重构提取各频带的能量作为故障特征向量,并以此为学习样本,再利用正交最小二乘学习算法训练模糊神经网络,确定故障诊断系统模型,对轴承故障进行诊断和识别.仿真结果及与其它一些方法比较表明:该轴承故障诊断方法可以有效识别和预测轴承的状态,且学习效率、准确性和可靠性等方面均有较大提高.     

基于改进支持向量机的变压器故障诊断

针对支持向量机训练时间长、分类速度慢、故障诊断率不高等问题,引入模糊算法对支持向量机进行优化.先利用模糊C均值求得样本中心,再利用支持向量机中的二分类法对故障进行准确定位,达到诊断的目的.仿真结果表明,相比于支持向量机、BP神经网络和改良三比值法,改进后的支持向量机的故障诊断准确率最高.     

基于模糊神经网络的茶园拖拉机远程故障诊断系统

针对茶园拖拉机传统故障诊断对故障信息的采集存在严重滞后性的问题,提出一种基于模糊神经网络(fuzzy neural network,FNN)的茶园拖拉机远程故障诊断系统(remote fault diagnosis system,RFDS).该方法融合模糊算法和神经网络的优点,通过对车辆运行的实时监控,远程处理车辆信息,获取车辆潜在的故障和实时故障信息,避免了传统方式需进行的大量检测,为维修争取到了更多的时间,提高了生产效率.该系统以仿真软件Carsim为基础,利用Carsim实时模拟车辆运行情况,通过训练集和测试集对算法模型进行训练和验证,结果表明:FNN诊断算法满足系统性能要求,准确率可以达到90％以上,可远程准确诊断茶园拖拉机故障.此外,RFDS技术对于车辆的开发也有重要的作用,可以在车辆的研发阶段通过远程故障诊断系统进行车辆性能评估,节省了大量的人力资源.     

模糊经验方程和模糊自组织神经网络在航空发动机故障诊断中的应用

探讨了模糊经验方程和模糊自组织神经网络在航空发动机故障诊断中的应用。这两种算法有效结合工程经验,算法结构简单,易于应用。采用这两种方法分别对某型发动机实际故障进行诊断,结果表明其可有效的应用于发动机故障诊断。     

基于小波包变换-主元分析-神经网络算法的多电平逆变器故障诊断

针对级联多电平逆变器的故障诊断问题,提出了一种基于小波包变换-主元分析-神经网络算法的故障诊断方法。首先,通过小波包变换对故障信号进行多尺度小波包分解,并重构提取小波包能量作为故障特征向量;然后,采用主元分析方法提取主元信息以降低故障特征的维数;最后,利用BP神经网络进行故障分类和识别。通过仿真实验,验证了该方法相对于传统方法具有更高的故障诊断和故障识别的准确率,并且对噪声具有较好的鲁棒性。     

自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP(Back-Propagation)网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35.4%,收敛速度提高了44.9%,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90.8%。     

多级模糊神经网络在故障诊断中的应用

提出一种基于模糊神经网络的多级故障诊断系统,根据多级的需要,除了建立故障谱和识库外,还分别建立了频谱特征知识库、振动变化特征知识库和故障位置特征知识库,并对其主要功能做了比较细致和论述。文中特别对第1,3级采用的基于模糊组织径向基函数神经网络及第2级采用的模糊逻辑神经网络的学习算法做了较全面的论述,同时解决了模糊神经网络随着输入变量的增加,模糊规则呈指数增长带来网络训练的困难。通过试验,研究了该系统在某炼油厂重催化机组故障诊断中的具体应用。     

基于自适应神经模糊Petri网的电机故障诊断

为了提高电机的维护效率,实现电机实时故障诊断功能,基于传统Petri网理论、模糊理论和神经网络算法,提出了一种具有自适应性的神经模糊Petri网故障诊断方法。首先,利用高斯函数代替变迁可信度,解决故障传递不确定性的问题,结合BP神经网络对参数进行适应性训练。然后,根据Petri理论,引入竞争算子对矩阵推理方式进行改进,结合Sigmoid函数,提高了算法的计算效率。最后,以三相异步电动机为例,根据三相异步电动机的故障运行机理和故障特性,建立系统模型并进行故障诊断。仿真结果表明,该算法能准确地诊断出三相异步电动机的故障,具有较好的准确性和适应性。     

思维进化算法优化模糊神经网络的变压器故障诊断

提出一种基于思维进化算法的模糊神经网络变压器故障诊断方法。该方法利用思维进化算法中的趋同和异化操作,对模糊神经网络中输入变量的隶属度函数位置参数和宽度参数以及神经网络的连接权值进行全局优化,可有效地克服常规模糊神经网络BP算法收敛速度慢、精度不高和遗传算法训练模糊神经网络速度缓慢、易陷入局部极小等缺点,有利于更快地收敛于全局最优解。并将其应用到基于溶解气体分析的变压器故障诊断中,实例表明,采用该方法具有较快的收敛速度和较高的诊断准确度,说明了该方法的正确性和有效性。     

基于神经网络的汽轮机故障智能诊断系统的设计

介绍了BP神经网络的结构和算法,分析了如何将BP神经网络用于机械设备的故障诊断.结合汽轮发电机组的故障特性,建立了汽轮发电机组故障诊断的神经网络模型,并利用该神经网络模型对汽轮发电机组的故障进行了诊断,诊断结果是正确和有效的.     

基于模糊支持向量机的变压器故障诊断

针对支持向量机对训练样本内的噪声和孤立点比较敏感,影响了支持向量机分类性能的弱点,利用模糊支持向量机的学习方法,构建了变压器故障诊断模型.采取一种基于二叉树的多分类方法,使用模糊C均值聚类算法求取模糊支持向量机的模糊隶属度,采用径向基核函数,并利用遗传算法对模糊支持向量机的参数进行寻优.实验结果表明,基于二叉数的模糊支持向量机模型相比BP神经网络、支持向量机有更高的诊断准确率,基于二叉树模糊支持向量机的变压器故障诊断方法是可行的.     

基于模糊加权有色网和BP神经网络的飞机发动机故障诊断

针对传统知识推理故障诊断方法中参数往往依赖于专家经验,存在着不准确和无法学习的问题,提出了一种基于模糊加权有色网和BP神经网络的故障诊断方法。首先,定义了模糊加权有色网并给出了两种产生式规则对应的模糊加权有色网模型。然后,设计了采用BP神经网络对模糊加权有色网各参数进行学习的算法。最后,给出了使用训练后的各参数进行初始化的模糊加权有色网进行故障推理的具体步骤。通过飞机发动机故障诊断实例仿真实验证明了方法能正确地建立模糊加权有色网推理模型,在采用BP神经网络进行参数训练后,能有效地实现飞机发动机的故障诊断。     

基于SOM神经网络的凝汽器故障诊断研究

应用自组织特征映射(S0M)神经网络实现凝汽器的故障诊断。介绍了SOM网络的结构和学习算法,总结了凝汽器的故障集、征兆集和故障特征数据模糊处理的方法。用MATLAB神经网络工具箱实现了凝汽器故障诊断,并给出故障诊断实例,表明该方法是一种可行有效的凝汽器故障诊断方法。     

自学习模糊脉冲神经网络的旋转机械诊断

针对旋转机械故障分类边界的模糊性和传统的神经网络算法难以解决应用问题的实例规模和网络规模之间的矛盾问题,提出了一种自学习模糊脉冲神经网络算法,该算法通过脉冲序列的种群编码和无监督学习较好的克服了旋转机械故障分类边界的聚类分析无效性问题.应用表明该算法有效解决了旋转机械故障的边界模糊性问题,较大提高了故障诊断的准确率.     

基于粗糙集的模糊神经网络在故障诊断中的应用

文章将粗糙集理论、模糊逻辑推理和神经网络等方法相结合,提出一种基于粗糙集的模糊神经网络理论的复杂机械的故障诊断方法。该方法应用模糊逻辑推理建立故障诊断决策表,采用粗糙集理论对故障样本数据属性约简,将获取的主要特征属性输入到神经网络中进行训练学习,然后把检测数据输入到诊断系统中进行检测。检测结果表明,该方法在船舶柴油机的故障诊断中是有效的。     

速度自适应粒子群优化算法在故障诊断中的应用

在原始粒子群优化算法(PSO)中设置动态最大限制速度基础上,提出一种速度自适应粒子群优化算法。经过神经网络的测试表明,该算法在收敛速度和精度上都优于原始算法,并且参数选取灵活,容易实现。将改进算法应用于实验室变速箱的神经网络故障诊断系统中,并与PSO和BP算法进行了比较,得出该算法不仅对变速箱故障的识别准确率比较高,而且故障诊断的精度和效率也较高。     

基于卷积脉冲神经网络的故障诊断方法研究

深度学习为轴承故障诊断的智能化发展提供了新思路。本文从类脑计算角度出发，设计一种对轴承数据敏感的脉冲神经网络来完成故障数据分类任务。首先采用信号分解的方式提高原始信号特征提取效果，然后对故障信号进行脉冲编码，并采用多分量混合输入方式填充时间步作为神经网络的输入，最后采用卷积脉冲神经网络(SCNN)进行故障分类。为了验证该模型的分类效果，采用西储大学轴承数据集进行验证，分类准确率达到了99.78%。结果表明该轴承数据编码方案可以充分发挥脉冲神经网络时空动力学特征，且该脉冲神经网络模型在轴承故障诊断问题上具有高精度、高效率的特性。本研究有利于促进脉冲神经网络在故障诊断领域的研究和应用。