基于LM神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力，可以很好地描述频率特征和诊断结果之间的关系。针对BP神经网络存在局部极小值和收敛速度慢等问题，提出了一种基于Levenberg-Marquardt（LM）的改进的BP网络。经改进算法训练的网络能大大提高诊断的能力，具有广泛的应用前景和应用价值。     

基于遗传算法改进的BP神经网络模型的磨损机理智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

基于LM神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力,可以很好地描述频率特征和诊断结果之间的关系.针对BP神经网络存在局部极小值和收敛速度慢等问题,提出了一种基于Levenberg-Marquardt(LM)的改进的BP网络.经改进算法训练的网络能大大提高诊断的能力,具有广泛的应用前景和应用价值.     

基于遗传算法改进的BP神经网络模型的磨损机制智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

基于神经网络的煤岩界面识别

主要论述了BP网络在煤岩界面识别中的应用,根据本问题的特点设计了BP网络结构,并提出了一种改进的BP算法,使收敛速度加快,性能有所提高。     

一种改进的PSO-BP算法在液压系统故障诊断中的应用

液压系统故障诊断中采用BP神经网络进行故障的模式识别,存在着收敛率较低的问题。结合粒子群算法和BP算法各自的优势,提出了一种基于改进的PSO-BP液压系统故障诊断方法。对标准粒子群算法的惯性权重和学习因子进行改进,再对BP神经网络的权值和阈值进行优化,达到改善BP网络性能的目标。仿真结果表明该方法提高了BP网络的收敛率,减小了诊断误差。     

BP网络算法及其在故障诊断中的应用述评

根据目前BP网络及其在设备故障诊断中的应用和发展,讨论了BP算法存在的问题和解决途径,归纳总结了BP算法在故障诊断中的应用,提出了未来BP网络在故障诊断中的研究方向,表明BP网络在故障诊断中具有广泛的应用潜力和发展前景。     

基于PCA-改进算法BP神经网络的软测量技术

本文在利用动量法和自适应改变学习率改进BP神经网络算法的基础上,针对网络权值调整时不容易跳出误差平坦区的问题,进一步对神经网络的学习算法进行了改进,引入一个陡度因子.并与主元分析相结合,形成了PCA-改进算法的BP神经网络.通过在塑料缠绕过程塑料张力预测中的仿真实验结果表明PCA-改进算法后的BP神经网络不但可以提高模型的精度而且也使网络的泛化能力得到了增强.     

遗传神经网络法在装载机故障诊断中的应用

在装载机故障诊断系统中,针对BP算法存在收敛速度慢,容易陷入局部极小值的问题,设计用遗传算法的复制、交换、变异过程代替BP网络的反向传播过程的改进算法.以装载机常用故障为例,应用提出的遗传神经网络算法对其进行故障诊断分析,从而证明该算法的有效性.     

几种改进BP算法在气液两相流流型识别中的比较

通过流型识别的实例对几种具有代表性的用以训练BP网络的改进算法进行性能对比研究.首先分析了基于标准梯度下降法和基于标准数值优化方法获得的各种改进算法的优缺点,然后对各种改进算法在训练中所需要的收敛时间及其达到的误差进行对比分析,为在BP网络识别流型时选择算法提供一些借鉴.     

基于LMBP神经网络的故障预报方法及其应用

利用具有二阶收敛效应的Levenberg-M arquardt(L-M)算法优化BP的权值修正量,提出了一种快速收敛的LMBP学习算法,给出了基于LMBP神经网络的故障预报方法,并应用于某陀螺仪的故障预报。结果表明:较之BP和传统改进BP网络,LMBP网络有着更高的收敛速度;基于该网络的时间序列预测模型可以实现性能优越的非线性预报器,将其应用于非线性系统的故障预报能够取得良好的效果。     

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。     

基于PCA-改进BP神经网络的齿轮箱故障诊断方法研究

针对BP神经网络存在局部极小值和收敛速度慢等问题,文章提出了一种PCA-改进的BP神经网络的方法。实验表明,基于PCA-改进的BP神经网络的方法可以大大提高故障诊断的准确性,缩短了诊断时间。     

基于优化BP神经网络的快速起竖装置液压驱动系统故障诊断

快速起竖装置在自卸车等工程机械以及导弹发射车等军事领域均有较为广泛的应用。液压驱动系统是快速起竖装置的核心,准确诊断其故障具有重要意义。传统BP神经网络故障诊断准确率随着故障类型的增加急剧下降,难以满足工程需求。以快速起竖装置液压驱动系统为研究对象,提出一种基于BP神经网络和AdaBoost算法的故障诊断方法,将BP神经网络与逐步叠加建模算法结合,构造多分类BP-AdaBoost算法,建立故障诊断模型,搭建故障诊断实验台并设置8种典型工况。分析实验数据表明,该BP-AdaBoost算法与传统的BP神经网络方法相比具有更优的分类性能。     

基于神经网络的数控机床故障诊断专家系统

针对传统专家系统在处理故障诊断中的不足,提出了将神经网络技术与专家系统融合的诊断模型,并用于数控机床的故障诊断中.介绍了诊断系统结构、功能及改进的BP神经网络算法,并给出了应用实例.试验结果表明,该方案合理、可行,有较好的应用前景.     

人工神经网络在机械故障诊断中的应用

针对传统的机械故障诊断方法的局限性,提出将人工神经网络应用于机械故障诊断中。由于BP算法存在收敛速度慢及易陷入局部极小等缺陷,利用实数编码改进遗传算法对神经网络的权值和阈值进行优化训练,并把训练好的神经网络用于机械振动信号预测及机械故障诊断中。通过对机械设备振动信号的预测,可以及早发现故障,及时消除故障隐患,为企业节省大量的维修时间和维修费用,提高企业的生产率。     

基于神经网络信息融合的柴油机故障诊断

本文论述了神经网络信息融合的原理与方法,首先就BP网络训练速度慢,易陷入局部极小点的问题,提出将附加动量项与自适应学习速率相结合的改进BP算法,有效地抑制了网络陷于局部极小并提高了收敛速度。最后,将振动信号与血管压力信号作为特征参数,分别采用传统BP算法,改进BP算法对供油系统的三种故障进行信息融合诊断分析。实践表明,神经网络信息融合方法非常适用于多征兆机械系统的故障诊断。     

基于神经网络的旋转机械振动故障诊断

介绍了一种通过神经网络算法进行故障诊断的方法,神经网络的输入为通过对转子模拟信号进行傅里叶变换得到的典型频谱特征,将旋转机械不对中、不平衡、碰摩、涡动四种典型的故障作为网络的输出.首先用传统的BP网络算法进行诊断,得到故障诊断的精度,再将模糊理论与神经网络相结合,取长补短,组成模糊神经网络,对故障进行识别,从而得出模糊神经网络在模式识别方面具有更大的优越性的结论.