基于自联想神经网络的数据滤波与应用

石油化工过程系统及其现场数据复杂,基于数据驱动的任何研究、设计、运行工作首先都需要进行数据滤波.本文研究了用自联想神经网络对化工过程数据进行滤波的方法.自联想神经网络通过使输入节点的信息压缩在隐层节点上,从网络输入的高维参数空间中提取反映系统结构的最具代表性的低维子空间,同时有效地滤去了测量数据中的噪声和测量误差,再通过输出层实现数据的解压缩,将前面压缩的信息还原到各个参数值,从而实现各测量数据的重构.通过对测试函数的应用和误差比较验证了该方法可以达到比较理想的滤波效果,并采用该方法对某企业精对苯二甲酸(PTA)工业数据进行滤波后BP建模,该模型的预测效果要大大好于没有进行数据滤波建立的模型,从而进一步说明了用自联想神经网络对工业数据滤波不但是可行且有效的,同时也提高了模型预测的准确性.     

基于AANN特征缩放的虚拟样本生成方法及其过程建模应用

工业大数据时代的到来推动着智能数据挖掘领域的发展。然而,大数据中的小样本问题严重影响了数据驱动建模的精度。为了解决这一问题,本文提出一种基于自联想神经网络特征缩放的虚拟样本生成方法(FSAANN-VSG)。首先,从自联想神经网络(AANN)的特征层出发,扩缩变换小样本自联想网络模型的特征层信息,从而产生新的特征信息,随后经前向计算得到虚拟样本;所提方法采用AANN模型,一方面能够生成符合原始小样本知识的虚拟样本,另一方面能够去除样本间的噪声信息;最终实现样本量增加,同时有助提高模型的精度。为验证本文方法的有效性,首先采用UCI数据库中的Concrete Slump Test (CST)数据集,随后将所提的方法应用于乙烯生产过程建模,仿真结果验证了本文所提方法的有效性,加入虚拟样本后,模型的精度更高、鲁棒性更好。     

基于自联想小波网络的汽轮发电机组故障诊断

针对电厂汽轮发电机组故障诊断问题,将小波变换和自联想神经网络结合构造了一个多层的自联想小波网络故障诊断系统。在输入层对振动信号进行二进离散小波变换,提取其在多尺度下的细节系数作为故障特征向量,根据这些特征向量进行自联想网络的学习,用学习过的自联想网络诊断故障。将该方法成功地应用于汽轮发电机组故障诊断,实验仿真结果表明,该方法优于常规的BP网络方法：某些单一故障的识别率提高了31.2%,综合故障的识别率提高了26.6%。     

神经网络在汽车传动系统故障诊断中的应用

本文研究基于神经网络的故障诊断系统，利用其自学习、联想记忆和客俗等良好的性能，使所建系统具有较高的推理速度和容错性，试验证明能够较好地应用于故障的在线诊断当中。     

基于神经网络信息融合的智能故障诊断方法

飞行状态时的飞机舵面故障诊断系统,含有系统和测量噪声及其时变、非线性等特点,采用常规的故障诊断方法很难实现对飞机舵面故障的准确诊断和告警,为了更好的实现对飞机舵面系统的故障诊断,将神经网络信息融合的智能故障诊断方法首次运用到舵面系统故障诊断中.该智能诊断方法应用神经网络的非线性拟合能力扩展舵面相关线位移传感器测量信息,同时采用D-S算法将相关传感器的输出信息进行融合,最后信息融合诊断策略根据这些信息确定出舵面相应的故障类型,从而可以对舵面故障信号进行有效识别和诊断.建立了某机舵面系统故障诊断的数学模型,并利用该模型对提出的智能故障诊断方法进行仿真验证,最后的仿真实验结果表明:该故障诊断结构形式对于舵面常见的故障能够进行识别和告警,诊断效果令人满意.     

基于信息融合技术的某新型自行火炮发动机电控系统故障诊断

多传感器故障诊断过程中,由于多方面的原因,如测量噪声的存在、诊断知识的不完全等等,使得故障诊断存在着不确定性,影响到诊断结果的可靠性和准确度;通过分析某新型自行火炮发动机电控系统的故障特点,研究了一种基于BP神经网络及信息融合技术的多传感器故障诊断方法,将该自行火炮发动机电控系统的故障诊断过程分为子系统和系统级两级诊断,子系统采用BP神经网络实现故障模式分类,系统级运用D-S证据理论对整个系统故障进行综合决策评判;应用表明,在某个子神经网络识别存在差异的情况下,采用D-S证据理论进行融合可以有效地提高识别的准确性。     

基于多级模糊神经网络的故障诊断在化工生产过程中的应用

化工生产过程一般都非常复杂，如柠檬酸蒸发。由于控制回路与测控参数很多，生产过程的故障检测与诊断问题非常困难，难以做到实时检查，得到其故障信息。所以本文提出一种基于神经网络的多级故障诊断系统。采用三级递阶模糊神经网络，降解整个系统故障诊断问题的复杂性，同时采用所有子神经网络全局并行的推理方式，具有快速处理能力，适合系统实时在线故障诊断。     

人工神经网络在汽轮发电机组故障诊断中的应用

基于ＢＰ神经网络，结合船舶汽轮发电机组故障诊断问题，提出了一个适合于复杂、非线性系统的块层化神经网络诊断模型，并开发了一个诊断系统。通过实验优化了网络参数，经在某船舶汽轮发电机组进行的运行实验，验证了诊断模型高效的自组织、自学习能力。初步试验结果表明诊断系统是有效和可行的。     

基于GA-BP神经网络的装甲车辆电路板故障诊断

针对典型BP神经网络在装甲车辆电气系统电路板故障诊断中容易出现自适应效果差、局部极小值等问题,通过引入遗传算法（genetic algorithm,GA）,对典型BP神经网络的各层参数进行优化,从而对典型BP神经网络故障诊断模型进行改进。为了验证模型的可靠性,以装甲车辆电气系统中80式灭火系统控制盒电路板故障诊断数据为例,对参数优化后的模型进行分析验证,结果表明,改进后的模型能够有效克服BP神经网络模型自适应不够的问题,并避免网络陷入局部极小值,从而有效提升装甲车辆电气系统电路板故障诊断效率和质量。     

基于变精度粗糙集的故障诊断应用研究

标准的粗糙集理论不能很好地处理带有噪声的数据,而故障诊断信息中难以避免地存在噪声数据,对此,提出了一种基于变精度粗糙集理论的故障诊断模型.先用自组织特征映射神经网络对连续属性进行离散化,然后利用变精度粗糙集的近似依赖性进行属性约简,据此得到决策规则,并给出了一个实例来说明如何应用这种故障诊断模型.     

神经网络和模糊系统在故障诊断中的应用

本文提出了一种神经网络和模糊系统相结合的分级式故障诊断方法。神经网络通过对部分测量数据的处理，实现系统的回路级故障诊断，输出各回路故障出现的可信度。模糊系统通过对神经网络得到的初步诊断结果和其他测量值的处理，实现系统的元件级故障诊断，并对最终诊断结果作出解释。该方法融合了神经网络自适应学习能力强和模糊系统知识表达明确的优点，简化了神经网络学习数据获取及模糊推理规则建立的过程。通过对热硝酸冷却系统故障诊断的仿真，证明了该故障诊断方法的有效性。     

基于D-S证据理论的电机声频故障诊断

采用小波分析技术对电机噪声进行能量分布特征提取,将信息融合技术与神经网络相结合,建立电机故障诊断系统。采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,运用Dempster-Shafer证据理论合成算法对各证据理论进行决策级融合。实验表明,此系统诊断结果与实际相符,提高了故障诊断的精度,并满足了诊断的在线实时性要求。     

基于模糊量化和神经网络对过程控制系统的故障诊断

基地模糊信息处理和多层前馈感知器，提出了过程控制系统的故障诊断方案，详细介绍了模糊量化过程，并对神经网络的知识获取，知识表示，训练，泛化等过程作了详细描述，最后结合某电玫过热汽温控制系统，应用该方案进行了系统监测及故障诊断仿真研究，结果表明该方案行之有效。     

基于自联想神经网络的传感器故障诊断

提出一种基于自联想神经网络(AANN)的新算法用于系统中传感器故障诊断。阐述了AANN的结构和算法。具体说明了搜寻2个故障传感器和恢复信号的方法。用改进的AANN诊断有噪声情况下传感器跳变故障并恢复信号。本方法有易实现、结构简单的优点,仿真结果表明:本方法是可行的。     

自联想记忆神经网络研究

自联想记忆神经网络能模拟人脑思维和机器智能,具有信息分布式存储和内容可寻址访问的重要特征,是人工神经网络研究的一个重要分支.介绍了开创自联想记忆神经网络研究先河的Hopfield联想记忆神经网络模型,分析了该模型的优缺点;然后在系统分析现有自联想记忆神经网络相关研究文献的基础上,从学习算法、体系结构和应用领域三个方面对自联想记忆神经网络的研究进展进行了归纳阐述;总结了自联想记忆神经网络目前存在的主要问题,并且预测了其未来的发展趋势.     

基于统计分析的卷积神经网络模型压缩方法

针对卷积神经网络中卷积层参数冗余,运算效率低的问题,从卷积神经网络训练过程中参数的统计特性出发,提出了一种基于统计分析裁剪卷积核的卷积神经网络模型压缩方法,在保证卷积神经网络处理信息能力的前提下,通过裁剪卷积层中对整个模型影响较小的卷积核对已训练好的卷积神经网络模型进行压缩,在尽可能不损失模型准确率的情况下减少卷积神经网络的参数,降低运算量.通过实验,证明了本文提出的方法能够有效地对卷积神经网络模型进行压缩.     

脉频调制神经网络VLSI的设计及应用

本文提出了一种用于故障诊断识别的改进脉冲频率调制(PFM)VLSI神经网络电路,改进了传统的基于软件的机械故障诊断模式,发挥了神经网络超大规模集成电路(VLSI)的优势.利用单层感知器网络、场效应管电路实现了一种新的数字模拟混合突触乘法/加法器电路,而且该神经网络电路的突触权值不需要学习调整,降低了电路的复杂性.以此电路为基础,设计了进行主轴承噪声故障诊断的神经网络故障识别系统.将含有故障信息的原始噪声信号,经过前置信号处理分析、故障特征值提取和神经网络运算,得出VLSI电路输出端电容的电压——代表待识别信号与模板故障信号的“欧氏距离”,进而判断出故障的类别.经过仿真测试,基于硬件的诊断系统的识别性能接近于基于软件的系统.     

基于模糊神经网络和证据理论的列车智能控制系统多信息融合故障诊断研究

针对列车智能控制系统故障诊断中的多故障特征信息输入时的时变、冗余、不确定性和空间分布性,给出了一种列车智能控制系统多信息融合故障诊断的系统结构。讨论了采用模糊神经网络进行特征层融合和证据理论进行决策层融合相结合的列车智能控制系统多信息融合故障诊断方法。故障诊断实例的结果表明:该方法能够有效地提高诊断的可信度,减小诊断的不确定性。     

基于离散Hopfield神经网络的噪声数字识别

在Hebb学习规则的基础上,运用离散Hopficld神经网络的联想记忆能力,对含有噪声而产生畸变的0~9数字进行了识别。通过改进神经网络的记忆样本,即先对记忆样本做正交化处理,再对改进后的记忆样本进行学习,得到相应的权值矩阵,然后利用改进后的离散Hopfield神经网络根据待识别噪声数字的信息联想已记忆的数字。实验结果表明,改进后的神经网络对噪声数字有较好的识别效果,提高了记忆能力和识别的正确率。     

基于集成神经网络的多故障诊断方法

铝电解过程是一个非线性、多耦合、时变和大时滞过程,受强电场、强磁场、强热场交互干扰,形成了复杂多变的槽况特征,故障种类繁多,发生频繁,有效地故障预报和诊断,对电解系列平稳供电,节约电能、提高铝的产量和质量有重要意义。根据铝电解过程故障特点,提出了基于主成分分析的集成神经网络铝电解多故障诊断方法,建立分层故障诊断模型结构,包括子神经网络层和决策融合神经网络层,子神经网络模块采用了改进型的Elman神经网络,强化信息的记忆功能,并通过主成分分析优化了神经网络结构;决策融合神经网络通过各子网络传递的相关信息,进一步验证对子神经网络诊断结果和复合故障进行综合决策。仿真结果表明,具有良好的诊断效果,验证了该故障诊断方法的可行性和有效性。