基于SOM算法和免疫神经网络的飞机燃油系统故障诊断

针对传统的飞机燃油系统故障诊断方法如硬件冗余方法和系统模型检测方法存在的飞机重量限制和难以建立精确数学模型的问题,设计了一种基于SOM算法和BP神经网络的故障诊断模型;首先,建立了系统故障诊断模型并对诊断原理进行了描述,然后,对故障征兆数据进行预处理,即先采用SOM算法进行连续属性离散化处理,再通过粗糙集互信息方法进行属性降维,以减少数据量和提高诊断效率;最后,建立了基于BP神经网络的故障诊断模型,为了进一步提高故障诊断精度,在采用免疫优化算法对BP神经网络故障诊断模型中的各参数即权值和阈值等进行优化的基础上,进一步采用BP反向传播算法进行参数调整,从而得到最终的故障诊断模型。通过飞机燃油系统故障诊断实例仿真实验证明了文中方法能较为精确地实现故障诊断,且与其它方法相比,具有较高的诊断精度和诊断效率,具有较大的优越性。     

基于自适应神经网络加权模糊故障诊断研究

研究故障诊断问题;针对传统Petri网难以精确地描述故障现象和故障原因之间的复杂关系,基于模糊逻辑BP神经网络和传统Petri网模型结合,提出了一种新的自适应的加权模糊神经网络Petri网模型故障检测方法;该方法首先采用改进的BP神经网络算法对模型的权值进行训练,然后采用构造的自适应模糊Petri网模型对故障进行诊断;在柔性制造系统实例中进行了故障诊断,实验结果表明,该方法具有很强的故障推理能力以及自适应能力,能有效地对故障进行诊断,具有一定的实际应用价值。     

基于一种改进的云神经网络涡扇发动机故障诊断

在基于数据驱动的涡扇发动机地面定检系统中,为了提高航空发动机的故障诊断性能,提出一种改进的基于云神经网络的航空发动机故障诊断方法;首先,把云模型和BP神经网络相结合,得到进行故障诊断与检测的模型结构,然后用余弦式改进自适应遗传算法并对网络模型进行优化,得到改进后的云神经网络模型;通过对实际数据的实例仿真表明,该方法对于航空发动机地面稳态的故障诊断是可行的,并且提高了故障诊断系统的诊断精度。     

逐段回归近似的卫星遥测数据挖掘算法与仿真

卫星长期运行过程中积累的大量遥测数据蕴涵有宝贵的卫星状态变化信息,挖掘变化特征对发现卫星状态异常变化和诊断卫星运行过程故障具有重要意义.围绕在轨卫星遥测数据分析以及遥测的故障诊断相似性查找问题,提出了一种基于逐段回归近似(PRA)的卫星遥测时序数据相似性挖掘算法.算法首先通过对卫星遥测数据挖掘实现数据的降维处理,以减少数据量;其次通过建立多维空间索引树,并在索引树中通过相似阈值判断进行查找,以获得给定时序数据的相似序列.理论分析和仿真实测卫星电源分系统的时序遥测数据实验表明,该算法对遥测数据序列可有效地进行降维处理,并保持数据趋势性;建立的相似序列为提高在轨卫星数据分析和故障诊断的有效性和正确性提供了依据.     

基于粗糙神经网络的故障诊断方法研究与应用

为了更好地解决故障诊断知识获取的"瓶颈"问题,提高在线故障诊断的效率,文中研究了一种基于粗糙神经网络的智能故障诊断新方法.先利用粗糙集理论对决策信息表进行简约,导出诊断规则,再输入神经网络进行训练学习,最后以机械装置液压系统故障诊断为例,证明该方法能有效地获取知识,快速提取规则和在线诊断,为进一步研究智能故障诊断提供了一种新的思路.     

基于BP算法和Petri网的柔性制造系统故障诊断

针对传统Petri网难以精确描述故障发生的不确定性以及缺乏学习能力的缺点,将BP神经网络和加权模糊Petri网相结合,定义了一种新的能对故障进行诊断的模型——BPFPN网(A net based on BP and FPN),并提出了对BPFPN网故障诊断模型进行构造的算法,以及一种将BP神经网络算法应用于BPFPN网故障诊断模型实现对各种参数进行训练的方法;最后通过对实验参数为=5000,算法学习速率η=0.05,学习误差Δe=0.0002的柔性制造系统加工中心故障诊断实例进行实验,在对各种参数进行学习后,能够有效地实现对故障的诊断,证明了BPFPN网是一种有效的故障诊断方法。     

一种神经网络预测器在传感器故障诊断中的应用

讨论基于神经网络预测器的传感器故障诊断问题.介绍了传感器故障诊断技术的发展,提出了一种基于神经网络在线学习的传感器故障实时诊断的模型.通过比较三种前馈神经网络的预测残差确定网络类型.介绍了网络的学习规则,说明了在线学习的能力.最后,通过电厂高加热器的几个温度传感器的实际数据为例说明了此方法的实效性.     

改进BP网络在汽轮发电机组故障诊断中的应用

关于汽轮发电机系统一定要保证可靠安全.研究汽轮机发电机组的故障快速诊断问题上,针对汽轮发电机故障具有多样性和不确定性,传统BP神经网络不能很好的识别这种特性,存在训练时间长、误差收敛速度慢的缺陷,故障诊断正确率低.为了提高汽轮发电机组的故障诊断准确率,提出一种附加动量法和自适应速率相结合的BP神经网络故障诊断模型.采用附加动量调整了BP神经网络的权值,加快了网络的收敛速度,用自适应速率动态地调整了学习速度,减少了迭代次数,最后利用得到的BP神经网络对故障进行了诊断.在matlab上采用实测汽轮发电机故障数据对故障诊断模型进行测试,相对于传统的BP算法,该算法不仅迭代次数少、学习速度加快,而且故障诊断准确率高.结果表明,有效地克服了传统的梯度下降的BP算法的缺陷,诊断结果可为保证汽轮发电机安全运行提供保障.     

基于改进BP神经网络的矿用通风机故障诊断

针对矿用通风机故障与征兆对应关系复杂的特点,提出一种用动态适应布谷鸟搜索算法优化BP神经网络并进行故障诊断的方法。利用动态适应布谷鸟搜索算法的全局搜索能力,求解神经网络的最优初始参数;然后对BP神经网络进行学习训练,得到最终的故障诊断模型。实例分析结果表明,该方法能有效地进行矿用通风机故障诊断,且具有收敛速度快、精度高的特点,对测试样本的诊断准确率达到了92.5%。     

基于BP神经网络的变速箱故障诊断方法研究

针对变速箱的工作时间不能真实反映实际健康状况的问题,通过提取变速箱的振动信号作为状态参数,建立了基于BP神经网络的变速箱故障诊断模型;该模型首先提取振动信号中对故障反映灵敏的成分作为特征值,获得BP神经网络的训练数据,并通过对比确定最优的隐含层节点数,确定BP神经网络的结构参数;模型训练结束后,以验证数据为例进行故障诊断研究,并对诊断结果进行评估;评估结果表明,该模型准确度高,具有较好的应用和推广价值。     

BP神经网络在负载管理中心故障诊断中的应用

在分析电气负载管理中心故障特点的基础上,利用神经网络权值和阈值能够随实际的排故结果不断更新及正向推理速度较快的特性,提出了基于BP神经网络的负载管理中心故障诊断方案,并确立了故障诊断BP网络模型.借助于MATLAB的神经网络工具箱,采用两种改进的训练算法对网络进行训练,得到了用于诊断的BP神经网络模型,为检验该模型故障诊断的准确性,采用大量的数据样本进行了仿真.结果表明：基于神经网络的诊断方法故障识别率高、快速有效,具有良好的实用价值.     

改进的BP神经网络在故障诊断中的应用

智能化故障诊断技术的关键是基于数据预处理方法的故障模式识别理论.结合计算机综合业务的一些实际问题,探讨了利用改进的BP神经网络进行故障诊断的方法和应该注意的问题,在分析神经网络的基础上提出了基于改进的BP模型神经网络的故障诊断推理方法,给出了后台服务中常见的故障征兆原因、故障诊断神经网络模型、神经网络参数和学习样本.结果表明,基于改进的BP神经网络的故障诊断方法是行之有效的.     

基于LM-BP神经网络的气阀故障诊断方法

提出一种基于LM（Levenberg-Marquardt）算法优化的 BP (Back Propagation)神经网络的多级往复式压缩机压缩机气阀故障诊断方法。以6M25-185/314氢氮气压缩机的 6级压差和6级温差作为网络的输入向量,建立可对往复式压缩机一至六级气阀故障进行在线监测及故障诊断的LM-BP神经网络模型。以100组故障数据作为网络训练样本,30组数据作为网络检测样本进行故障诊断,结果表明,LM-BP神经网络相比于变梯度BP神经网络和RBF神经网络诊断更快速稳定且准确率达到96%以上。利用Matlab软件平台建立的LM-BP 神经网络故障诊断模型,模型简单便于在工程实际中应用。     

基于集成信息融合的智能故障诊断系统设计

提出了基于集成信息融合技术的实时智能故障诊断系统结构.在对传统BP神经网络分析的基础上引入了聚类分析方法与遗传优化算法,有效降低了BP神经网络的训练难度并提高其训练精度.将遗传神经网络与自适应神经-模糊推理系统相集成用于特征级信息融合,既提高了诊断可靠性又充分利用了诊断知识;引入D-S证据理论进行决策级融合,有效地利用了各诊断单元的诊断结果.仿真测试结果表明,该故障诊断系统能迅速、准确、可靠的诊断出各种故障.     

BP神经网络在武器火控系统故障诊断中的应用

武器火控系统广泛采用PLC控制系统;为了提高武器火控系统的可靠性,对故障诊断方法进行研究;首先根据火控系统工作流程建立故障诊断模型,然后详细介绍了BP神经网络的原理及如何在武器火控系统故障诊断中应用,特别是故障诊断中BP神经网络结构和故障诊断训练样本的确定方法;最后根据上述分析建立火控系统故障诊断实例;实践表明,应用BP神经网络算法后故障诊断系统的诊断准确率达到90%以上,该方法具有一定的参考及实用价值.     

基于小波包和CS-BP神经网络的矿用电力电缆故障诊断

针对矿用电力电缆故障类型诊断实时性和准确性不足等问题,提出一种基于小波包信息熵和布谷鸟搜索优化BP神经网络的方法对矿用电力电缆进行故障诊断.通过PSCAD对电缆故障进行仿真,将故障电压信号进行三层小波包分解和重构,再提取小波包信息熵构造特征向量.训练CS-BP神经网络使其输入特征向量后能够有效检测并输出电力电缆的故障类型,以实现对电力电缆的故障诊断.实验结果表明,该方法可以有效地诊断电力电缆的故障类型,并且优于同参数下的BP神经网络和PSO-BP神经网络模型.     

基于经验模态分解和支持向量机的滚动轴承故障诊断

本文针对滚动轴承的故障诊断问题,首先提出一种自适应波形匹配的延拓方法对经验模态分解(EMD)存在的端点效应进行改进,然后基于改进的EMD和粒子群优化算法(PSO)优化的支持向量机(SVM)设计了一种两阶段的滚动轴承故障诊断方法.离线阶段对典型的正常、故障振动信号进行EMD分解并提取能量信息作为特征,送入PSO–SVM进行训练并保存模型待用,在线阶段对实时的振动信号进行EMD分解并提取特征,利用离线阶段训练好的模型进行诊断并输出诊断结果.使用美国西储大学轴承数据对该方法进行了验证,实验结果证明了该方法的有效性.     

神经网络电力电子装置故障诊断技术

提出了一种基于神经网络故障诊断新方法.研究了基于波形直接分析和BP神经网络的电力电子整流装置故障诊断方法.以三相桥式可控整流电路晶闸管断路故障为例,通过对一个电力电子电路进行仿真实验研究结果表明:该方法简单、直观.可以提高神经网络模型的学习效率和诊断的准确性,具有很好的故障识别能力,具有广阔的应用前景.     

基于并行禁忌神经网络和DS证据的飞机燃油系统故障诊断

飞机燃油系统是一个由许多相互联系的子系统构成的复杂总体,因而易于发生各类故障,当故障发生时会造成严重影响,为此,设计了一种基于禁忌神经网络和DS证据的飞机燃油系统故障诊断方法;首先,建立了飞机燃油系统的故障诊断模型,然后,建立了3层的BP神经网络故障诊断模型,并采用禁忌优化算法对BP神经网络进行参数优化,得到多个并行诊断的禁忌神经网络,输入样本数据对其训练并利用BP反向传播算法再次调优;最后将测试样本数据输入各禁忌神经网络,并将诊断结果作为证据采用DS证据理论进行融合,得到最终的故障诊断结果;实验结果表明:引入DS证据理论的故障诊断方法能有效克服单一故障诊断方法无法精确诊断故障的不足,诊断精度高,具有较大的优越性。     

极限学习机在电机故障智能诊断中的应用

针对传统的电机故障诊断方法往往采用单一信号作为诊断依据,以及利用传统的BP神经网络进行故障诊断时存在的训练速度慢、易陷入局部极小值的缺点,提出了一种基于极限学习机和多源信息融合的电机故障诊断方法.首先将定子电流信号做陷波处理,滤除基波分量;然后对电流及振动信号进行小波包分解和重构,以各频带的小波包能量谱作为故障特征向量训练极限学习机模型;最后将训练好的极限学习机模型作为诊断决策分类器来判断电机的运行状态.实验结果表明,此方法能够准确地诊断电机的故障类型,具有运行速度快、故障诊断准确率高的特点,满足了系统在线实时诊断的要求.