粗糙集-神经网络在铝电解故障诊断中的应用

目的通过对铝电解生产过程中的故障进行有效地诊断来提高铝的生产效率和节约能源．方法把粗糙集和神经网络结合起来应用在铝电解的故障诊断中．先用自组织特征映射网络（SOM）对初始数据进行离散化后得到决策表,然后用粗糙集理论对决策表进行约简得到最简决策表,根据最简决策表设计BP神经网络对铝电解中的故障进行诊断．结果用粗糙集对神经网络的输入数据进行预处理可以简化神经网络的结构,减少计算量和训练时间,从而提高整个诊断系统的诊断效率、故障诊断准确率在90％以上．结论该方法能够对铝电解中的故障做出正确的诊断．     

模糊神经网络技术在铝电解故障诊断中的应用

目的为了提高生产效率、降低成本、安全生产，通过对铝电解故障进行有效的检测和预报，减少铝电解过程中阳极效应、热槽、冷槽故障的发生．方法通过对铝电解故障发生机理和故障发生时相关特征量变化趋势的分析，基于模糊逻辑理论。建立了多级模糊故障检测模型，采用BP神经网络建立了故障分类模型，实现对铝电解故障的检测和预报．结果降低了模糊系统的维度，减少了规则数量，采用多级模糊与神经网络相结合的故障诊断预报的方法，提前了预报时间，提高了预报准确率．结论铝电解模糊神经网络故障诊断方法，有效地降低铝电解的故障发生率，降低了能耗，提高了铝的产量和质量，具有良好的应用前景．     

基于模态频率和神经网络的结构损伤检测

把结构损伤识别问题分为损伤辨识、损伤定位、损伤程度标定三个子模块，对每个子模块用模态参数构造对损伤敏感的标识量，并作为特征参数输入到神经网络中实现损伤识别。将优化的BP网络和频率相结合成功地实现了矩形梁的损伤检测，为结构健康监测研究提出一条新的技术途径。     

基于模块化神经网络的轴承故障判断方法

提出了一种用于滚动轴承类故障识别的混合模块化神经网络方法．该方法将用于检测故障的过滤网络模块与用于分类的网络模块相组合．首先将不同故障类别轴承的振动信号形成的特征向量经过滤模块，用改进的BP算法判断有无故障，然后经分类网络模块确定其所属故障类型．分类模块中的网络结构则通过对每类故障独立训练形成．实验结果证明，与单一神经网络学习及判断结果相比较，本文提出的方法准确率更高，实用性更强．     

基于神经网络和证据理论的液压系统故障诊断

针对液压系统故障多样性和复杂性等特点,基于信息融合原理,提出了一种基于神经网络和D-S（Dempster-Shafer）证据理论相结合的液压系统故障诊断方法。该方法通过构建多子神经网络分类模块进行局部诊断,利用各子神经网络的输出值作为证据理论中的基本可信度,经过证据理论的再次融合得出最终的诊断结果。实例表明,该方法通过简化神经网络结构,提高了局部诊断网络的诊断能力,通过对多源多特征参数的融合,充分利用各传感器的冗余和互补的故障信息,与单一故障特征的诊断相比,显著提高了故障诊断的准确率,降低了决策的不确定性。     

BP神经网络在水轮发电机组状态监测与诊断系统中的应用

引用了一种改进的BP(back_propagation)神经网络训练方法 ,对水轮发电机组的故障诊断进行了分析诊断 .利用这种方法可以使BP网络得到更快的收敛速度 .使用了BP子网络方法对水轮发电机组故障进行了分类构造诊断网络 ,此诊断方法已用于水电厂故障诊断系统 ,文中阐述了神经网络诊断在系统中的具体实现     

神经网络预测器在铝电解过程控制中的应用

目的采用神经网络预测控制方法来解决铝电解过程中存在的时变和大时滞问题，提高其控制性能．方法提出了一种基于铝电解过程的神经网络预测控制算法，建立了神经网络预测模型，将神经网络和预测控制算法相结合，结果实现了铝电解过程的最优控制．神经网络预测模型的输出能够很好地跟踪铝电解生产过程，预测效果好．结论笔者提出的控制方案能够使铝电解过程很快进入稳态，超调量较小，提高了铝电解过程的动态和稳态性能．     

并行遗传神经网络及其在机械故障诊断中的应用

在机械故障诊断中，对并发的故障进行诊断是一个备受关注的问题。为此，提出了用并行遗传神经网络诊断并发的故障的新方法。介绍了并行神经网络的结构、遗传算法的建模原理及并行遗传神经网络的结构和诊断机理。以某大型旋转机械为诊断对象讨论了该方法的实现技术，并与传统的BP(back—propagation)网络用于故障诊断的方法进行了比较。实验仿真结果表明，该方法在训练网络过程中能够避免网络陷入局部极小，加快网络训练的速度，减少诊断时间。     

基于遗传小波神经网络的故障预报应用

目的减少铝电解故障的发生,提高阳极效应预报的准确性、实时性和铝的生产效率,节约能源.方法将遗传算法应用于小波神经网络,构成遗传小波神经网络,以确定小波基函数的个数、优化网络参数,以遗传小波神经网络为预测模型,通过预测槽电阻变化率来预测电解过程中的阳极效应.结果通过遗传算法能对小波神经网络的参数进行全局优化,确定了网络结构,而且小波神经网络具有较强的自适应性、鲁棒性和函数逼近能力,使预报精度提高了约9.5%,提前预报时间1 m in左右.结论该预测模型改善了故障预报准确性和实时性,避免了故障的发生,降低了能源消耗,提高了铝电解的生产效率,实现了安全生产.     

基于粗糙神经网络的歼击机操纵面智能故障诊断

提出了一种基于粗糙神经网络的歼击机操纵面故障诊断方法．给出并证明了可利用粗集方法对故障信息进行快速特征提取的方法，用其作为神经网络的前置系统进行信息预处理，减少了所需样本数目，从而简化了神经网络结构，减少了网络训练时间，并且充分利用了神经网络容错及抗干扰能力，有效地降低了故障诊断中的误报率和漏报率．该方法可以进行组合故障的诊断，且具有较好的鲁棒性．仿真实验说明了该方法的有效性和实用性．     

免疫神经网络在故障诊断中的应用研究

近年来,神经网络在故障诊断领域中应用广泛,但任何单一的故障诊断方法都有其优点和缺点,因此将免疫系统应用于神经网络隐层数据中心的选择,训练得出聚类中心,然后选择一种合适的确定隐含层到输出层的权值,计算得出神经网络的输出,并根据输出结果诊断出故障的类型．经实践证明,具有很好的诊断效果．     

神经网络-模糊推理协作系统在闸门综合自动化故障诊断中的应用

研究了神经网络-模糊推理协作系统在闸门综合自动化故障诊断中的应用,在该协作系统中,先根据模糊模型确定神经网络的结构、连接方式以及初始权值,从而构造出相应的神经网络.然后,将神经网络应用于闸门综合自动化故障诊断系统,根据系统的运行数据对神经网络进行学习训练,调整神经网络的权值来修正原始的模型,提高其准确性.经过学习训练后的神经网络模型又被转换成模糊模型,从而使分布存储在神经网络中的知识得到清晰的解释.该系统已应用于生产实践中,系统运行结果验证了该方法的有效性和可行性.     

基于不同学习算法的RBF神经网络在故障诊断中的应用

基于对RBF神经网络常用的3种学习算法的研究,通过对凝汽器典型故障类型与故障征兆分析,提出了基于不同学习算法的RBF神经网络凝汽器故障诊断,并对诊断结果进行比较.诊断结果表明,基于3种常见学习算法的RBF神经网络都可以准确诊断出凝汽器的各种故障,但聚类方法和OLS算法学习速度要快得多,梯度训练方法速度较慢.研究还表明,RBF神经网络在故障诊断领域具有很好的实用性.     

基于径向基概率神经网络的高压加热器故障诊断

应用径向基概率神经网络实现高压加热器的故障诊断。介绍了RBPNN网络的结构和学习算法;总结了高加的故障集、征兆集和故障特征数据。在Matlab环境下给出了高加故障诊断的具体实例,表明该方法是一种可行有效的高加故障诊断方法。     

子波神经网络在故障诊断中的应用研究

根据旋转机械常见的的故障类型和故障信号时域采样数据 ,以子波空间作为模式识别的特征空间 ,采用信息熵为代价函数的神经网络学习算法 ,由子波神经网络对故障进行学习和诊断 .实验结果表明 ,子波神经网络的故障诊断方法在不了解故障信号频率结构的情况下 ,即可对平稳和非平稳故障信号进行诊断 ,适于设备在线监测及设备的巡检     

基于模块化神经网络的铁水硅含量预测系统

目的 提出基于模块化神经网络的铁水硅含量预测方法,改善系统控制性能指标.方法 采用模块化神经网络预测控制策略,建立模块化神经网络预测模型,按输入物理量的性质构成4个神经网络模块,再由预测神经网络输出铁水硅含量的预测值,从而控制炉温.结果 提高了学习效率和泛化能力,有效地改善了模型的预测精度.结论 模块化神经网络铁水硅含量预测模型,将同类量进行了模块划分,通过对铁水硅含量预测,可提高炉温的控制精度和动态跟踪能力,具有结构简单、实时性好、预测精度高等特点.     

一种并行神经网络的机械故障诊断方法研究

在机械设备故障诊断中,对并发故障的诊断是一个难解决的问题,本文提出了用一种并行神经网络的方法来解决这个问题。介绍了并行神经网络故障诊断的机理,并且以饱和汽轮机的冷凝器为诊断对象讨论了该方法的实现技术。