物联网感知层传感节点故障诊断研究

针对物联网感知层节点故障诊断问题,提出基于蚁群聚类优化RBF神经网络的WSNs节点故障诊断算法。将从节点硬件模块故障和节点故障率对故障诊断精度的影响两个方面研究WSNs节点故障诊断。将改进的蚁群聚类优化RBF神经网络的初始权值应用到WSNs节点故障诊断研究中。利用蚁群算法并行寻优特性和自适应调整挥发系数特征作为聚类算法来确定RBF神经网络初始权值,同时采用裁剪约简RBF神经网络隐含层、优化网络结构。通过实验结果表明,基于蚁群聚类优化RBF神经网络的WSNs节点故障诊断方法能准确实现感知节点的故障诊断,与其它方法相比具有更高的诊断精度。     

基于蚁群优化的神经网络智能PID控制策略研究

提出了一种基于蚁群优化、BP网络学习和RBF网络辨识的智能PID控制策略,有效地克服了BP算法训练过程中收敛慢和易陷入局部极小值的缺陷.利用该控制策略,对PID参数进行在线调整,并应用于材料试验机电液位置伺服系统.仿真结果表明,与各种传统PID控制策略相比,采用该智能PID控制器控制的系统具有更好的动态响应特性和抗扰动能力.     

金属电致塑性效应的蚁群神经网络模型仿真

将BP、GA-BP和蚁群神经网络理论与算法应用于金属电致塑性效应研究,在对这些网络进行训练的基础上,建立材料的变形温度、变形速率与其屈服强度、抗拉强度和延伸率的数学模型。实验结果与计算结果比较接近,从而获得了一定的仿真效果。蚁群神经网络的预测结果与实验结果更加吻合。     

基于蚁群神经网络的电阻点焊工艺参数优化

提出了一种神经网络与蚁群算法相结合的08Al钢板电阻点焊工艺参数优化方法.以试验数据为样本,通过神经网络建立焊接工艺参数与焊接性能关系之间的复杂模型,利用蚁群算法对焊接工艺参数进行优化,充分发挥神经网络的非线性映射能力和蚁群算法全局寻优能力.仿真试验显示了方法的有效性和优越性.     

基于蚁群算法的激光表面淬火工艺参数神经网络优化系统

建立了基于蚁群算法的激光表面淬火工艺参数神经网络优化系统。用神经网络建立激光表面淬火工艺参数与目标参数的非线性模型,借助蚁群算法搜索决策工艺参数的最优组合,自动优化工艺参数。用VC++6.0开发了激光表面淬火工艺参数优化程序。结果表明,基于蚁群算法的神经网络优化系统用于解决激光表面淬火工艺参数优化问题是可行且有效的。     

基于PSO和属性约减的模糊神经网络机床故障诊断

数控机床伺服系统工作原理复杂。为了提高智能故障诊断的准确性,提出基于PSO理论和属性约束规则(RSM)的模糊神经网络算法。先对训练样本进行属性约减;由于PSO算法具有全局优化能力和BP算法具有局部搜索效率高的优点,利用它们训练神经网络,克服了传统方法收敛速度慢的缺点;并通过Matlab仿真证明,该方法具有较高的诊断准确性。     

基于改进邻域粗糙集与S_Kohonen神经网络的滚动轴承故障诊断研究

针对现有滚动轴承故障诊断技术中,存在输入属性冗余过多、故障识别率不高等缺点,提出了基于改进邻域粗糙集与S_Kohonen神经网络的故障诊断方法。由于传感器采集的故障信息大多为数值型数据且数据维数较大,文中引入邻域粗糙集理论并对基于邻域粗糙集的经典前向贪心算法进行改进,利用改进算法约简故障数据,大大减小了算法复杂度;对Kohonen神经网络进行改进,在其原有结构基础上添加输出层构成S_Kohonen神经网络,使其输出类别满足给定分类要求;分别采用前向贪心算法、改进算法约简故障数据,将约简前、后的故障数据分别输入S_Kohonen神经网络、BP神经网络识别滚动轴承故障状态,试验结果证明邻域粗糙集可有效消除属性之间的重复信息,改进算法提取故障属性信息更能反映故障状态的本质,S_Kohonen神经网络具有良好的故障识别能力,两者配合使用,改进邻域粗糙集——S_Kohonen神经网络模型具有很好的故障诊断能力。     

自适应蚁群算法在Job Shop调度问题中的研究

研究了Job Shop调度问题,分析了蚁群算法(ACA)与最大最小蚁群系统(MMAS)算法在解决Job Shop调度问题中的不足,提出了一种解决Job Shop调度问题的自适应蚁群算法(SACA)。此算法根据蚂蚁群体寻找路径的阶段性,使用了参数在各阶段自适应变化的策略和关键工序块邻域搜索策略,加快了蚁群算法的收敛速度,避免了早熟现象和陷入局部最优调度解,提高了蚁群算法的灵活性和鲁棒性。通过仿真实验验证了自适应蚁群算法在解决Job Shop调度问题中的性能优于蚁群算法和MMAS算法。     

基于数据预处理与智能优化的高炉铁液温度预测模型的研究

基于BP神经网络的数据预处理方法建立高炉铁液温度预测模型。首先通过对数据的滤波去噪及相关性分析,选择与高炉铁液温度相关的输入和测量变量;再用创新的智能优化算法(粒子群蚁群算法)优化BP神经网络的参数,从而提高模型的精度。依据生产现场实际数据进行的试验表明,所建立的基于数据预处理与智能优化的高炉铁液温度预测模型的命中率有明显的提高,对实际生产现场更具有指导意义。     

基于BP神经网络和蚁群算法的机械手轨迹控制算法研究

为了提高机械手运行的平稳性,实现机械手控制的精准度,采用BP神经网络和蚁群算法相结合的方法实现机械手轨迹控制。首先,建立机械手运动轨迹模型,然后利用神经网络算法对机械手主要参数进行训练,接着,将输出预测的运动轨迹与机械手期望运动轨迹对比,以便求解更趋近于期望的最优参数。最后,借助蚁群算法对神经网络模型参数进行优化。经过实验证明：相比于传统BP神经网络算法,所提算法训练得到的角位移与期望角位移的拟合程度更高,且在空间三维坐标系的位移误差更小。     

某柴油机滑动轴承接触摩擦故障的振动特征与状态监测

针对柴油机滑动轴承振动的非稳态非线性特性,提出了一种监测滑动轴承摩擦故障的新方法。该方法首先分析了在柴油机发火燃烧时滑动轴承振动与滑动轴承接触摩擦故障的对应关系,建立了在发火燃烧时滑动轴承的接触摩擦故障特征,并依据与滑动轴承故障之间的关系提出了综合特征值公式,用于定量描述滑动轴承的摩擦故障。结果表明:该方法在线监测柴油机滑动轴承的摩擦故障简单准确,为诊断滑动轴承摩擦故障提供了新思路。     

基于小波神经网络的航空发动机传感器故障诊断

航空发动机传感器故障诊断系统对于保证航空发动机控制系统可靠性和安全性至关重要,针对传统基于发动机模型的传感器故障诊断中存在建模精度不足导致故障诊断存在误诊和漏诊的问题,提出以小波变换和神经网络为基础,使用正常传感器预测故障传感器值。通过对比传感器输出和神经网络预测值的残差来实现传感器的故障诊断,其中神经网络可以在传感器故障后估计出正常的模拟信号代替故障信号供发动机控制系统使用,实现航空发动机控制系统的容错控制;使用改进粒子群优化算法优化BP神经网络的阈值和权值,以提高神经网络诊断和预测信号精度。仿真结果表明:该方法可以有效完成故障诊断,减少漏诊和误诊的发生。     

基于深度信念网络和多信息融合的复杂机电装备故障诊断方法

针对复杂机电装备故障诊断中存在的数据量大、提取故障特征困难等问题,结合深度学习理论强大的感知与自我学习能力,提出一种基于深度信念网络和多信息融合的复杂机电装备故障诊断方法。将多个传感器的原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对深度信念网络进行整体微调,提高分类准确性,同时在训练过程采用ReLu激活函数和加入Batch Normalization,减少过拟合出现概率的同时提高了网络收敛的速度。将此方法运用到复杂数控加工中心刀具的故障诊断中,结果表明该方法相比传统BPNN算法和采用Sigmoid激活函数的深度神经网络算法准确率更高。     

基于改进蚁群算法的加热炉温度控制研究

加热炉温度控制系统具有非线性、时变性、滞后性等缺陷，导致系统控制过程中响应速度慢、抗干扰能力差，传统的控制方法无法对其进行精确控制。将免疫算法引入蚁群算法中，根据免疫算法中的亲和力原理，增加蚁群的多样性，并对蚁群的初始信息素规则进行改进。利用改进的蚁群算法来调节PID神经网络（PIDNN）的权值，提出一种新型PIDNN控制方法，并采用计算机仿真软件对其进行实验。仿真实验结果表明，与传统的PIDNN控制方法相比，当采用改进蚁群算法的PIDNN控制器对加热炉进行控制时，系统达到稳态所需时间缩短了约34%；当加入扰动后，系统恢复到稳态所需时间减少了约26%，振动幅度明显降低，加热炉控制系统的抗干扰能力增强。     

遗传优化LVQ神经网络在设备故障诊断系统中的应用

为了提高设备故障诊断的准确度，采用LVQ神经网络来完成设备故障定位及识别，并借助遗传算法求解LVQ神经网络权重初始值。在设备故障诊断的建模过程中，根据实际故障情况和故障常见类别建立LVQ神经网络的设备故障诊断模型，充分挖掘LVQ神经网络在机械设备故障诊断细粒度的优势，为了防止因为故障细粒度诊断而造成收敛过慢的情况，对LVQ神经网络的权重和阈值初值进行遗传算法求解，然后在进行LVQ神经网络的迭代训练，得到稳定的LVQ神经网络故障诊断模型。经过实验证明，相比于传统的LVQ神经网络算法，采用基于遗传算法优化LVQ神经网络的设备故障分类，分类准确度更高，训练时间更快。     

基于优化VMD和BP神经网络液压管路故障诊断研究北大核心

针对航空发动机液压管路故障信号易受噪声干扰、管路故障诊断准确率不高等问题,提出基于优化变分模态分解和BP神经网络的故障诊断方法。利用遗传算法自适应确定变分模态分解K、α的最优参数,然后采用优化后的变分模态分解方法对航空液压管路的振动信号进行分解,最后将故障特征明显的故障分量输入BP神经网络模型中进行训练和分类。结果表明:提出的基于变分模态分解与BP神经网络的航空液压管路故障诊断方法能够精准识别出航空液压管路多种不同的故障状态。     

基于卷积神经网络的网络节点异常数据检测方法

异常数据检测是保障无线传感器网络节点数据准确性和可靠性的重要步骤。针对无线传感器网络节点异常数据检测问题，提出一种基于卷积神经网络的异常数据检测方法。该方法是对正常数据和注入故障后生成的异常数据进行归一化处理后映射成的灰度图片作为卷积神经网络的输入数据，并且基于LeNet-5卷积神经网络设计了合适的卷积层特征面及全连接层的参数，构造了3种新的卷积神经网络模型。该模型通过卷积层自主学习数据特征，解决了传统检测算法的性能容易受到相关阈值影响的问题。通过网络公开数据集进行模型测试，结果表明该方法具有很好的检测性能和较高的可靠性     

基于小波分析和RBF神经网络的轴承故障诊断研究

为了提高轴承故障信号的诊断性能，采用小波分析和RBF神经网络相结合的方法对轴承振动信号进行故障分类。首先对轴承振动信号进行小波变化，采用软阈值去噪方法滤除振动信号噪声，然后对振动信号矩阵化处理，接着构建RBF神经网络，输入轴承振动信号特征向量，初始化权重和阈值，最后通过不断反向迭代得到稳定的RBF神经网络故障判别模型。实验证明：通过差异化设置隐藏层神经元数量，确定合适的RBF神经网络规模，经过小波去噪可以有效提高轴承故障判别准确率，相比于常见轴承故障分类算法，算法具有更高的故障判别准确率。     

基于RBF神经网络的内燃机活塞-缸套磨损故障诊断

以RBF网络为识别模型，对内燃机活塞-缸套磨损的几种故障进行分类训练，并应用于待识别故障样本的识别仿真，结果表明，基于RBF的故障诊断方法优于基于BP网络故障诊断，在活塞-缸套故障诊断中是行之有效的方法。     

基于FastICA的遗传径向基神经网络轴承故障诊断研究

针对电机轴承故障诊断效率低和诊断结果准确率不高的问题,提出一种基于FastICA的遗传径向基神经网络的优化算法。利用独立分量分析算法,将信号分离成多个独立的信号源;根据独立信号源构建独立特征向量;将分离所得的独立信号源作为样本,输入到遗传算法优化后的径向基神经网络中进行故障识别,并与其他分类算法比较。实验结果表明,对于电机轴承多信号的故障诊断,该算法具有更好的故障诊断能力。