采用“GA+LM”优化BP神经网络的电液伺服阀故障诊断

针对标准BP神经网络用于故障诊断时学习效率低、收敛速度慢、易陷入局部极小点及对初始参数较为敏感等不足,提出了一种组合优化的方法,即采用遗传算法（GA）确定BP神经网络的最佳初始权值矩阵,以规避BP神经网络对初始参数较为敏感的不足;应用LM（Levenberg-Marquardt）算法在局部解空间里对BP神经网络进行精确训练,搜索全局最优解。该方法在保留BP神经网络的广泛映射能力的前提下,提升了网络的学习速度和精确搜索能力,进而大幅提高了基于BP神经网络的电液伺服阀故障诊断的效率和精度。通过对MOOG D761-2716A机械反馈伺服阀进行故障诊断,进一步说明了该方法的实用性和高效性。     

改进粒子群优化BP神经网络的六维力传感器解耦研究

传统BP神经网络解耦算法可实现六维力传感器解耦,但在训练过程中容易出现振荡,收敛速度慢,陷入局部极值等问题,应用效果不理想。文中提出一种基于改进粒子群BP神经网络算法,应用到六维力传感器解耦,提高了线性解耦算法精度,同时利用粒子群算法(PSO)对BP神经网络进行优化,利用适应度函数对训练过程中得到的解进行评价,追随当前最优解搜寻全局最优。实验仿真结果表明:在六维力传感器解耦应用中,该算法实现容易,收敛速度快,解耦精度高,达到了预期的应用效果。     

基于混合蛙跳优化神经网络的轴承故障诊断研究

以滚动轴承故障诊断为课题研究背景,以JZQ250型号传动箱为实验对象,将混合蛙跳算法与BP神经网络进行结合,利用混合蛙跳算法高效的计算性能和优良的全局搜索能力,对BP神经网络的网络结构进行优化。通过对比发现,混合蛙跳算法优化后的BP神经网络模型,可避免BP神经网络在训练中陷入局部最优,减短训练时间,提高训练准确度,具有较高收敛速度和准确诊断能力。通过一系列训练和测试,结果表明,这种方法能够提高诊断的可靠性和准确性。     

混沌在机械优化设计中的应用

牛顿优化技术是机械优化设计中一种常用的优化技术,由于其本身的局部收敛性对初始点较为敏感,要求初始点充分接近全局极值点才能收敛.把牛顿优化技术与混沌优化搜索相结合,提出一种混合优化算法,利用混沌搜索方法使牛顿优化技术跳出局部最优解,达到全局最优解,数值试验表明了该算法的有效性和正确性.     

基于遗传BP网络的模拟电路故障诊断

在模拟电路故障诊断中,BP(back propagation)神经网络得到了广泛的应用并取得了不错的效果。但是BP神经网络在训练时仍然存在网络学习收敛速度慢、不易获得全局最优解、网络结构不确定等缺点。采用Levenberg-Marquardt算法进行网络训练,并用遗传算法对BP神经网络结构、初始连接权值和阈值进行全局优选,可以有效克服BP网络存在的缺陷。以Leap Frog Filter滤波器电路的故障诊断为例,仿真实验表明,优化后的BP网络能够快速有效的诊断电路中存在的故障,并且具有更高的诊断精度。     

基于Tent映射的混沌粒子群优化算法及其应用

针对基本粒子群优化算法在迭代后期易陷入局部最优而出现早熟收敛的现象,基于混沌搜索的全局遍历性、随机性和规律性的特点,以粒子群群体适应度方差作为粒子群优化算法早熟收敛的判据,将Tent映射作为混沌搜索引入到基本粒子群算法中,对以一定概率随机选择的粒子群中的部分粒子实施混沌搜索,利用混沌特性提高种群的多样性和粒子搜索的遍历性,从而使粒子获得持续搜索的能力,提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能.几个典型测试函数的仿真实验和应用实例均证明了该算法的可行性.     

基于GA-LM-BP算法的圆柱轴承动特性预测

为了预测精度较高的圆柱轴承动特性系数,提出了一种以自适应遗传算法（GA）、LM算法以及BP网络相结合的神经网络模型.先采用自适应的遗传算法进行全局搜索,获得网络的权值和阈值的最优解附近的解,在全局搜索的基础上,再利用训练精度高、收敛速度快的LM-BP算法进行样本训练.研究结果表明,基于GA-LM-BP算法的圆柱轴承动特性的神经网络模型可以快速地预测圆柱轴承在不同结构和工况条件下的8个动特性系数,预测结果满足工程需求.     

基于遗传BP神经网络的内圆磨削ZTA陶瓷材料去除率预测

针对磨削加工中材料去除率(MRR)在线检测困难这一问题,构建材料去除率的预测模型显得尤为重要。考虑到单独运用BP神经网络不仅存在收敛速度较慢,而且容易坠入局部最优解等问题,故建立了遗传算法与BP神经网络相结合的模型来对给定的超声频率、砂轮速度、工件速度、磨削深度等工艺参数对材料去除率(MRR)进行预测。首先运用遗传算法的全局搜寻作用来对BP神经网络的最初权值以及阈值进行优化,而后运用L-M优化算法对网络进行多次训练,利用训练好的BP神经网络模型来对输出进行预测。结果表明:遗传算法与BP神经网络相结合的模型比单独使用BP神经网络模型预测效果要好,能够提高材料去除率的预测精度和收敛速度。     

改进的BP神经网络在车辆目标识别中的应用研究

遥感图像下的车辆目标识别系统大多是基于传统的BP神经网络算法,传统BP神经网络算法存在诸多问题,如易形成局部极小而得不到全局最优、训练次数多、学习效率低、收敛速度慢等,影响和限制车辆目标识别系统的识别能力.针对传统BP神经网络存在的缺陷,为进一步提高车辆目标识别系统的识别精度,提出采用随机梯度下降法和深层滑动神经网络对传统BP神经网络进行改进.实验表明,改进后的BP神经网络具有良好的学习能力和更快的训练速度,适用于车辆目标识别系统的优化.     

基于混沌粒子群优化的神经网络在旋转机械故障诊断中的应用

基于混沌粒子群优化算法提出一种根据群体早熟收敛程度和个体适应值来调整惯性权重的自适应混沌粒子群优化算法,算法兼顾全局寻优和局部寻优,能够有效地避免早熟收敛.使用自适应混沌粒子群优化算法训练神经网络并建立旋转机械故障诊断模型,实验结果表明,与粒子群优化算法、遗传算法训练神经网络相比,基于自适应混沌粒子群优化算法的神经网络能够有效改善神经网络的训练效率,提高故障模式识别的准确率.     

基于混沌神经网络的异步电主轴转速辨识

针对BP神经网络易陷于局部最优,且学习速度慢的缺陷,研究了采用混沌优化算法改进BP神经网络并应用于异步电主轴转速辨识的方法.该方法使用新的混沌自映射函数取代一般的有限折叠次数的Logistic自映射函数,使其兼具了混沌优化算法的全局寻优与BP算法局部寻优的优点.借助MATLAB/Simulink软件对无传感器电主轴转速辨识系统进行数值仿真.仿真结果表明,采用新方法使整个系统的辨识性能更优,学习速度更快.     

中速磨存煤量软仪表监测

利用混沌运动初值敏感性,能在一定范围内按其自身规律不重复的遍历所有状态获取全局最优值的特点,在电厂现有的DPU中编程实现基于混沌优化BP网络的中速磨存煤量软仪表。离线训练与计算机仿真结果表明,本软仪表具有可行性和有效性,对实际生产具有指导意义。     

一种混沌神经网络在图像压缩中的应用

本文介绍了神经网络在图象压缩领域的应用，并且对前馈神经网络模型及其学习算法进行改进。在改进的模型中，隐层的每个神经元都附加上一个基于Logistic映射的伴随神经元。能够产生混沌现象。同时论述了这种混沌神经网络用于图像压缩的模型、原理、算法及关键技术。并通过仿真实验将这种模型应用于图像压缩中。其中的关键是算法，激活函数和压缩率等参数的选择。在固定压缩率和激活函数的条件下。将这种模型和最常用于图像压缩的标准BP网络模型进行了比较，结果表明这种混沌神经网络在压缩率。失真率等方面性能更好。从而使得重建图像效果更好。     

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。     

一种火灾图像探测系统的研究

根据火灾发生时着火面积逐渐增大、火焰边缘抖动等特征,提出了一种基于BP网络的火灾图像探测系统。着重讨论了利用具有二次收敛性的Levenberg-Marquardt学习算法进行BP网络的权值优化,与标准BP算法相比,用Levenberg-Marquardt学习算法训练的BP网络具有更快的收敛 速度和更高的可靠性。     

基于神经网络和不变矩的路面破损图像识别

提出了一种应用BP神经网络识别沥青路面破损图像的图像分割方法.将路面图像等分,用灰度方差值描述子块图像特征,利用BP神经网络对子块图像进行模式分类,并将图像子块模式矩阵的不变矩作为图像的整体特征,在此基础上设计了基于全局优化算法的前馈神经网络分类器,并进行了图像识别试验,对二值图像进行特征提取,提出了学习算法,以加快收敛速度,从而实现图像识别.     

一种基于改进遗传算法的神经网络优化算法研究

遗传算法是目前优化搜索算法中应用比较广泛的一种,但基本遗传算法存在收敛速度慢、易于陷入局部最优等缺点。针对上述问题对遗传算法(GA)的选择算子进行改进,在最优保存策略的基础上将每代种群按照适应度由小到大排序,平均分成前中后3段,按照0.6、0.8、1的比例进行选择;从尾段中随机抽取个体来补足种群由于选择操作而损失的个体;既利用了最优保存策略的全局收敛特性同时也保持了种群的多样性;用改进的遗传算法调整神经网络的权值形成了新的改进遗传算法优化BP神经网络(IGA-BP);通过与选择算子为适应度比例选择算子的GA-BP网络进行比较,结果表明算法改进后缩短了收敛时间同时减少了运行误差;最后将该改进算法应用于水泥回转窑的故障诊断中,验证了算法的可行性。     

Internal leakage rate prediction and failure diagnosis of buried pipeline ball valve based on valve cavity pressure detection

— Ball valve is a key fluid control equipment used extensively in oil and gas pipelines. The online detection and failure diagnosis of the internal leakage of the ball valve is of great significance to ensure the safety operation of natural gas transmission pipelines. This paper proposes a prediction method of the internal leakage rate and a diagnosis method of the failure mode of the buried pipeline ball valve based on valve cavity pressure detection. Firstly, the valve cavity pressure signal generated by the internal leakage of the ball valve is detected by the pressure sensor, and the valve cavity pressure signal is denoised by wavelet threshold denoising. Then, the back propagation (BP) neural network has the disadvantage of unstable learning ability, so the BP neural network is optimized by chaos sparrow search optimization algorithm (CSSOA-BP). Finally, the prediction model of the ball valve internal leakage rate and the diagnosis model of the ball valve failure mode are established by using CSSOA-BP neural network and the characteristic parameters of the valve cavity pressure signal. To verify the performance of the prediction model and the diagnosis model of CSSOA-BP neural network, the predictive results and diagnostic results are compared with those of the sparrow search algorithm optimization BP (SSA-BP) neural network and BP neural network. The experimental results show that the maximum prediction error of CSSOA-BP neural network is the smallest, which is 13.6%. The accuracy of the diagnostic results of CSSOA-BP neural network is the highest, which is 83.3%. It indicates that the proposed method can achieve better predictive results of the ball valve internal leakage rate and more accurate diagnostic results of the ball valve failure mode.     

基于遗传算法的BP神经网络在塔式起重机故障诊断中的应用

为解决BP神经网络存在的收敛速度慢、易陷入局部极小点等不足,利用遗传算法随机搜索性强,易收敛到全局最优解的优点对其进行改进,通过误差平方和的倒数建立遗传算法与BP神经网络的联系,以改进网络权值、阈值为目标,优化神经网络结构,以更加有效地应用改进网络进行预测、识别,将其应用于塔式起重机的状态识别中,可很好地对塔式起重机进行故障诊断.     

基于量子蛙跳算法和过程神经网络的抽油机故障诊断

提出了一种量子混合蛙跳算法,该算法采用量子位的Bloch球面坐标编码个体,利用量子位在Bloch球面上绕轴旋转的方法实施优化搜索,采用Hadamard门实现个体变异以避免早熟,增强解空间的遍历性,可以快速逼近全局最优解。对过程神经网络的网络结构、网络参数和展开项数统一编码,并利用该算法进行优化,把优化后的神经网络应用到抽油机故障诊断中,结果表明,用量子混合蛙跳算法优化的神经网络对抽油机进行故障诊断较传统BP算法更具准确性与快速性。