基于粗糙神经网络的航空电子设备故障预测研究

为降低装备全寿命周期费用、提高经济可承受性、预防灾难性事故的发生,开展了航空电子设备故障预测技术研究;采用粗糙集理论改进神经元结构,以粗糙变量为神经元的输入,每个神经元的上近似元和下近似元分别代表粗糙集的上下近似,以交叉连接方式构造粗糙神经网络,用以实际设备特征参数的跟踪预测;研究结果表明,粗糙神经网络可以较准确地预测故障发生的时间,且较BP神经网络预测性能有较大改善;该方法对于航空电子设备的维护保障具有一定的理论价值和现实意义。     

基于BP神经网络模型的故障预测分析

本文以数据采集与监控(SCADA)系统提供数据和设备故障的历史数据作为故障预测的数据来源,对动态数据和静态数据采用BP神经网络建模,测试结果说明了模型的有效性。     

基于免疫神经网络的航空设备故障预测研究

为解决武器装备全寿命周期费用高、经济可承受性差的难题,开展航空装备的故障预测技术研究。采用免疫算法改进隐含层激励函数得到免疫神经网络,用以进行装备特征参数的跟踪预测,结果表明免疫算法改进的神经网络可在故障前3小时实现预测,较BP网络性能有较大改善。     

基于灰色Verhulst-小波神经网络的装备故障预测研究

针对现代武器装备故障预测样本少、故障预测精度低、维修保障困难等问题,提出一种基于灰色Verhulst-小波神经网络组合模型的装备故障预测方法。该方法综合了灰色Verhulst模型所需样本少的优点和小波神经网络良好的时频局域化性质和学习能力,克服了小样本故障数据在BP神经网络训练中的缺陷。实验结果表明,与相关研究方法比较,所提出方法具有较高的预测精度,对于武器装备故障预测与维修保障具有一定的理论价值和现实意义。     

基于神经网络集成的软件故障预测及实验分析

软件系统故障预测是软件测试过程中软件可靠性研究的重点之一。利用软件系统测试过程中前期的故障相关信息进行建模,预测后期的软件故障信息,以便于后期测试和验证资源的合理分配。根据软件测试过程中已知的软件故障时间序列,利用非齐次泊松分布过程、神经网络、神经网络集成等方法对其进行建模。通过对三个实例分别建模,其预测平均相对误差G-O模型依次为3.02%、5.88%和6.58%,而神经网络集成模型为0.19%、1.88%和1.455%,实验结果表明神经网络集成模型具有更精确的预测能力。     

基于小波优化神经网络的离心压缩机故障预测

为了更准确的预测离心压缩机故障,提前发现问题的隐犯,把小波理论和神经网络相结合,建立了小波神经网络在离心压缩机故障预测模型。仿真实验表明,该预测模型具有算法简单、计算收敛速度快、预测精度达95%。     

基于ARIMA和神经网络的单脉冲雷达设备故障预测研究

单脉冲雷达设备目前采用的计划式维护模式过于依靠人力资源,也不能完全避免设备故障造成的巨大损失,已经越来越难以满足航天测控领域的实际应用需求;基于单脉冲雷达设备使用维护现状,文章研究了故障预测技术在单脉冲雷达设备维护的应用可行性,总结出了单脉冲雷达设备故障预测的基本流程与方法,并结合工程实际分别使用ARIMA时间序列分析和神经网络验证了单个参数劣化过程的预测与系统级劣化过程的预测,预测结果满足设备使用维护需求.     

基于改进灰色神经网络的故障预测方法研究

故障预测技术是电子装备预测与健康管理（PHM）领域的核心内容, 对电子装备关键部件实施有效的预测是保证系统正常运行的关键。首先将灰色理论和人工神经网络算法相结合, 构建灰色神经网络模型并对其进行分析; 然后在此基础上通过附加动量变学习速率法对灰色神经网络的权值更新策略进行改进, 提出一种基于改进灰色神经网络的故障预测模型; 最后以某型脉冲测量雷达中频接收组合中的压控振荡器为例, 以采集的原始频率数据为基础进行仿真验证。预测结果表明, 将该预测方法应用于电子装备PHM是行之有效的, 可有效提高故障预测精度。     

基于灰色新陈代谢和神经网络的故障预测方法研究

针对工业装备故障预测中存在信息不完备等问题,提出将灰色理论与神经网络算法相结合的组合预测方法。首先,通过数据变换技术和重新构造背景值求值方法优化新陈代谢GM(1,1)模型的初始值以及背景值,然后将优化后的新陈代谢模型的输出数据集作为神经网络的输入,原始数据作为神经网络的期望输出。运用附加动量项和变化的自适应学习速率对神经网络的权值更新方法进行改进。其后将得到的最佳神经网络的输出值作为最新信息运用到新陈代谢模型中得到预测值。齿轮运行状态实例预测结果表明,该预测方法可有效提高故障预测精度。     

基于WMFO-BP神经网络的重载AGV故障预测

为了提升重载型AGV故障预测能力,通过研究AGV航迹推算系统,提取与建模编码器、陀螺仪故障信息,提出了基于WMFO-BP神经网络的重载AGV定位传感器故障预测算法。WMFO算法是在飞蛾扑火算法（MFO）的基础上进行改进,增加了动态调整权重;对比改进后的WMFO算法与MFO、PSO、SCA算法,结果表明,WMFO的收敛精度更高、稳定性更好。通过AGV的实测结果表明,基于WMFO-BP神经网络的重载AGV定位传感器故障预测误报率为0.17%,漏报率为0.13%,故障预测准确度有显著提升,且抗干扰能力强,具有较高的工程应用价值。     

基于神经网络的内燃机车燃烧系统故障诊断

提出一种内燃机车燃烧系统故障诊断的新方法.燃烧系统的工作状态由柴油机功率、燃油消耗率、燃油压力、增压压力和排气温度等热工参数决定,介绍了有关参数的测量与计算,利用附加动量及自调整学习速率的BP神经网络对内燃机燃烧系统进行故障诊断.通过实例证明该方法是一种行之有效的方法.     

基于神经网络的柴油机故障诊断方法

提出了一种基于三层BP网络的柴油机故障诊断模型，给出了一种基于黄金分割法的变步长学习算法。仿真结果表明，该算法比标准BP算法具有更快的学习速度，完全适用于柴油机故障诊断系统。     

基于神经网络的异步电动机故障诊断专家系统的研究

针对传统的专家系统在对异步电动机进行故障诊断时知识获取困难且无法解决新故障的问题,提出了一种基于神经网络的异步电动机故障诊断专家系统的设计方案,给出了系统结构及神经网络模型设计。仿真结果表明,该系统能够很好地结合专家系统与神经网络的优势,达到了异步电动机故障诊断的预期目标。     

基于RBF神经网络和小波包的电动机故障诊断研究

针对传统的电动机故障诊断存在很难准确提取故障时的特征信号及对故障作出准确预测的问题,提出了一种基于RBF神经网络和小波包的电动机故障诊断的方法。该方法采用小波包分析技术提取电动机典型轴承故障、转子故障和绝缘故障振动信号的特征频段能量并组成向量作为RBF神经网络的输入,用于诊断电动机的故障。实验和仿真结果表明,使用RBF神经网络对电动机故障诊断是非常有效的,对电动机早期故障的发现及维修有积极意义。     

基于神经网络专家系统的大型异步电动机故障诊断

针对大型异步电动机发生故障时 ,故障征兆与故障原因之间复杂的对应关系 ,提出了一种利用神经网络专家系统对电动机进行故障诊断的新方法 ,专家系统作为神经网络的外壳 ,充分发挥了专家系统和神经网络各自的特点。文章介绍了系统的构成、功能、算法及实现。该算法利用MATLAB的神经网络工具箱进行了仿真。结果表明 ,该算法可行 ,可大大提高故障诊断的准确性     

基于BP神经网络的故障诊断技术研究

分析了传统的故障诊断方法的特点和缺点,在此基础上选择BP神经网络应用于故障诊断,详细探讨了BP神经网络的建模方法,根据设备的层次结构和特点,将集成神经网络应用于故障诊断,有效地克服了单一神经网络故障诊断的一些缺点,大大提高了故障诊断的效率和准确率.     

基于粒子群神经网络的气阀机构故障诊断

提出应用粒子群神经网络和小波包能量特征的柴油机气阀机构故障诊断方法.为了克服BP算法的缺陷,将粒子群优化(PSO)算法应用于神经网络的学习算法中;为了避免PSO算法在全局最优值附近搜索变慢,采用了一种从PSO搜索到BP搜索的启发式算法;然后,通过模拟柴油机气阀机构的两种常见的主要故障:气阀漏气和气门间隙异常,采集气缸盖...     

基于IMF复杂度和RBF网络的配气机构故障诊断

针对柴油机振动信号的非平稳特性,提出一种经验模态分解(Empirical Mode Decomposition,EMD)、复杂度和RBF(radical basis function)神经网络相结合的故障诊断方法;运用经验模态分解方法对特定时段的振动信号进行分析,计算前5个固有模式分量(Intrinsic Mode Functions,IMF)的Lempel-Ziv相对复杂度作为故障特征向量,并利用RBF神经网络可以快速逼近任意非线性函数及良好分类能力的特点,来实现对柴油机工作状态和故障类型的判别;最后,利用实际柴油机试验数据的诊断和对比试验验证了该方法的有效性。     

基于神经网络的多电梯运行系统故障预测

利用RBF神经网络可以快速逼近任意非线性函数及良好分类能力的特点,进行多电梯运行系统故障的预测,提出了故障预测方法。仿真结果表明该方法是可行的,可以广泛应用于多电梯故障预测。     

基于SVM的柴油机故障诊断方法研究

介绍了基于支持向量机(SVM)的故障诊断方法的原理和算法。利用小波包分解提取信号的特征参数,将特征送入故障分类器中训练。实验结果表明,当数据样本较少时,相比神经网络而言,基于SVM的故障分类器仍能正确分类多种故障。这种诊断方法具有算法简单、故障分类能力强的优点。