基于改进BP神经网络的汽车发动机故障诊断

针对汽车发动机故障诊断过程中,传统算法收敛速度慢且精度欠缺等问题,提出一种遗传算法(GA)优化BP神经网络的故障诊断方法。在分析BP神经网络算法原理及缺陷的基础上,通过引入动量项提高算法收敛速度,并利用GA选择、交叉、遗传特性优化神经网络权值及阈值,从而进一步提高算法预测精度。仿真实验中,在经过对测试数据学习训练后,传统算法和改进算法分别对一组测试数据进行故障诊断,对比结果表明,所提改进算法较传统BP神经网络算法在诊断精度以及效率等关键指标上均有一定程度改善。     

基于免疫神经网络的数控机床故障诊断研究

针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出一种基于人工免疫算法优化BP神经网络(IMBP)的数据机床故障诊断算法。介绍了常见的数控机床故障类型和分类,阐述了人工免疫算法和BP神经网络以及人工免疫优化BP神经网络算法的工作流程。利用免疫算法的全局搜索性能先对神经网络权值和阈值进行全局优化,加快了BP算法训练过程的收敛速度,减少训练过程所需要的时间。通过仿真性能测试分析,结果表明:与BP、GABP和IMBP 3种算法对比,比BP神经网络算法的数控机床故障预测诊断提高了18.3%,比GABP神经网络算法提高了12.05%,提高了数控机床故障诊断精度。     

一种基于聚类的板形控制模糊神经网络模型

针对冷轧过程中难以建立精确的板形控制数学模型的问题,设计了RBF模糊神经网络模型用于冷轧板带过程中的板形控制.基于一种无监督聚类方法确定了模糊规则数和网络初始参数以建立网络初始模型;采用BP算法训练网络,使网络能够快速收敛;同时,为使所建立的控制系统能够应用于在线控制,增加了模糊规则在线自学习功能,避免网络过度修正权值.仿真实验表明,所建立的RBF模糊神经网络模型控制精度高,满足板形在线控制要求.     

基于改进BP神经网络的控制图模式识别系统

提出一种基于激励函数参数可调和动态阈值的改进BP神经网络控制图模式识别算法,并优化Monte Carlo工序数据模拟方法,使样本数据更具与实际生产数据相同的质量特性.根据改进后的网络参数迭代公式,将预处理后的样本数据作为输入对该神经网络识别器进行训练,训练结果用于生产过程的控制图模式识别.改进BP神经网络识别器的拓扑结构简单,在保证识别精度的前提下,提高识别速度,改善神经网络的泛化能力.最后,通过计算机模拟和生产现场应用验证该算法的可行性.     

基于AGA-BP算法的智能故障诊断技术研究

针对传统BP神经网络的不足,提出基于自适应遗传算法的BP神经网络故障诊断算法.在迭代计算前期,采用自适应遗传算法对神经网络的权值和阈值进行全局优化;在迭代计算后期,利用改进的BP算法在近似最优解附近进行局部寻优.将该算法用于磨削烧伤的故障诊断之中,并将结果与基于改进BP网络的诊断结果进行比较,证明该方法的正确性和有效性.     

基于蚁群优化和模糊Petri网的建筑工程成本预测研究（英文）

为了有效提高建筑工程成本动态控制的精确度,提出将蚁群优化算法和模糊Petri网理论应用于建筑工程成本预测。首先,通过模糊产生式规则选择样本工程并确定工程之间的相似度,以便建立工程成本预测模型,其权值和阈值等参数由BP神经网络训练得出。然后,利用蚁群优化对模型各参数进行优化,从而进一步提高工程成本预测的精确度。实际建筑工程实例分析结果表明:相比传统的BP神经网络预测方法,提出的方法具有更高的准确度,能够有效应用于企业建筑工程成本的科学管理。     

基于遗传算法的间接自校正模糊神经网络控制

针对一般神经网络训练算法训练速度慢和易陷入局部极小点的不足,文章提出了一种基于模糊神经网络的间接自校正控制系统,控制器是以高斯函数为隶属度函数的径向基函数(RBF)神经网络结构,利用改进的遗传算法(GA)对结构和参数进行同步优化.神经网络模型(NNP)利用弹性BP算法进行离线辨识.仿真与传统的模糊PID控制器控制进行比较,结果表明遗传算法大大改善了系统的性能.     

改进的BP神经网络在风机故障诊断中的应用

采用动量法和学习速率自适应法的改进BP神经网络进行风机的故障诊断.根据风机的故障诊断特点,确定神经网络的结构与参数,并制作了相应的故障诊断界面,最后通过风机的故障诊断实例表明:改进的BP神经网络提高了学习速度,有效地抑制了网络陷于局部极小,缩短了学习时间,是风机故障诊断的有效方法.     

基于风驱动优化BP神经网络的滚动轴承故障诊断

提出一种基于风驱动优化BP神经网络的滚动轴承故障诊断方法。把BP神经网络权值和阈值作为优化参数,利用风驱动算法对其进行优化,提高了神经网络的训练效率和准确率。对滚动轴承的振动信号进行处理,提取其时域特征、频域特征、FFT谱特征、功率谱特征、小波包络谱特征作为轴承的故障特征。经测试,优化算法的诊断结果正确,减小了BP网络的训练误差和测试误差,验证了风驱动优化BP神经网络用于滚动轴承故障诊断的有效性和实用性。     

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。     

伺服系统中PID控制器参数整定的研究

针对伺服系统中常用的比例-积分-微分(PID)控制器的参数手动整定不方便的问题,对机器学习算法和模糊控制进行研究,重点分析反向传播(BP)算法和模糊控制器的设计方法,提出一种基于机器学习和模糊控制的PID参数整定方法。利用BP神经网络的学习能力得到系统模型,结合模糊控制进行预测得到PID参数,并在实验平台上进行验证。研究结果表明:通过机器学习和模糊控制得到的PID参数具有较好的控制效果,该方法能够避免手动整定PID参数,节省大量时间。     

改进粒子群优化BP的数控机床热误差预测研究

由于BP存在网络结构选取基于经验、易陷入局部最优、收敛速度慢等缺陷,致使基于BP的数控机床热误差预测模型精度不高,对此提出了一种改进粒子群优化BP的数控机床热误差预测建模的新方法。通过改进标准粒子群算法中粒子的位置与速度更新策略,以此寻找BP神经网络最优的阈值和权值,在此基础上建立数控机床热误差预测模型。仿真实验结果表明:与标准的BP神经网络和支持向量机相比,改进粒子群优化BP神经网络的数控机床热误差预测模型精度更高、泛化能力更强。     

基于BP神经网络的开关磁阻电动机转矩脉动控制

针对平均转矩控制的开关磁阻电动机（SRM）转矩脉动大的问题，提出了一种瞬时转矩控制的方案。首先在实测SRM静态转矩特性的基础上，基于Levenberg—Marquardt算法的BP神经网络建立了SRM转矩逆模型。该模型网络规模小，便于实时控制。然后基于转矩分配函数的瞬时转矩控制，通过优化电流波形，实现了减小转矩脉动。仿真结果验证了该控制方法的有效性。     

适用于光伏发电系统的神经网络最大功率点跟踪控制器研究

针对基于BP神经网络的光伏最大功率点跟踪(MPPT)控制存在的问题,提出了一种适用于光伏发电系统的改进型神经网络MPPT控制器。首先对太阳能光伏发电系统中的电池工作原理及其等效电路进行了分析。然后采用BP神经网络和模糊控制相结合对来实现光伏MPPT控制。此外,采用自适应参数对模糊控制器进行了改进。最后,基于BOOST转换电路建构建了光伏电池的matlab/simulink仿真模型。实验结果显示:提出的最大功率点跟踪控制器具有较高的准确性和反应速度,且稳定性较好。     

基于BP神经网络的清扫机器人的环境建模

针对未知环境清扫机器人的环境识别和建模,提出了一种基于BP神经网络的环境建模算法.首先提出了一种利于计算机识别和处理的室内环境拓扑结构,再利用3个超声波传感器获得周围物体的距离信息,对这些距离数据进行归一化处理之后利用BP神经网络来识别出物体的形状,完成环境的建模.给出了系统的组成结构、室内环境拓扑结构、BP神经网络原理及学习步骤.并对实验获得的一组数据进行了仿真,结果表明这种算法对于环境识别和建模是一种有效的方法.     

基于神经网络的压铸镁合金选材专家系统

采用神经网络方法建立快捷的压铸镁合金材料选择系统 ;提出了 1种通过分段函数将模糊性能要求模糊量化到各分段区间 ,增加训练样本集的方法     

改进的神经网络技术在声发射定位中的应用

针对时差定位法受很多因素影响的弊端，将神经网络技术应用到声发射源定位中。提取最能揭示声发射源的特征参数和运用主元分析技术来降低输入样本的数量；采用增加隐含层神经元个数探讨它们的误差变化来确定隐含层；运用附加动量法和优化选取初始阈值等措施进行网络设计。将设计好的网络运用到实例中，通过与实际缺陷位置的比较，结果表明，选择合理的网络结构和输入参数可准确定出结构损伤位置，且精度有较大的提高，计算更简单有效。     

基于智能控制技术的电动折弯机研究与开发

折弯机是钣金加工行业中的一种重要机械设备.针对数控折弯机多轴同步进行冲压加工与通过控制上模行程进行折弯的特点,结合智能控制技术,提出基于前馈PID与模糊控制结合的新型同步算法,以及使用L-M型BP神经网络自主计算折弯行程的方法.上述两种算法执行效率高,可移植性好;在实际运行中Y轴同步精度达到±0.01 mm,折弯精度达到±0.2°,能够很好地满足实际生产需要.     

基于多阈值与神经网络的旋转电弧图像飞溅分析

为探究旋转电弧飞溅产生原因及规律,针对高速相机采集的旋转电弧平堆焊的焊接图像,提出了一种基于掩膜的多阈值与BP(back propagation)神经网络组合方法识别焊接飞溅．多阈值法获取飞溅位置及其轮廓,再通过建立5特征值的BP神经网络模型识别飞溅．结果表明,对于具有灰度分布范围大、背景复杂的旋转电弧飞溅图像,该组合方法的识别准确率可达95.76%．同时,通过飞溅与焊丝位置的相位分析,飞溅最大数量相位均值为241.4°,即焊丝末端进入熔池后约0.14周期位置,主要是由焊丝末端熔滴与熔池接触导致电流激增,电流抑制不充分造成,该研究结果为旋转电弧焊接飞溅控制提供了依据．