贝叶斯正则化的LMBP神经网络在电气检测系统中的应用

针对现役某型火箭布雷车上装电气系统存在较多的故障,提出了基于贝叶斯正则化的LMBP(levenberg marquardt back propagation)神经网络故障诊断算法。用基于贝叶斯正则化的LM算法来优化BP神经网络,分别结合小数据和大数据对该神经网络进行分析验证。实验结果表明,该方法收敛速度快,且预测精度高,可以用于电气系统的故障诊断和识别。     

柴油发动机燃油系统故障诊断研究

探索了基于抽取泛化应用相类似的样本和避免对矩阵求逆的改进LMBP算法,取得了良好的学习训练效果,将改进的LMBP算法应用于柴油发动机燃油系统的故障诊断,在LabVIEW平台通过调用Matlab算法节点,高效直观地实现了燃油系统典型故障诊断。     

一种改进的PSO-BP算法在液压系统故障诊断中的应用

液压系统故障诊断中采用BP神经网络进行故障的模式识别,存在着收敛率较低的问题。结合粒子群算法和BP算法各自的优势,提出了一种基于改进的PSO-BP液压系统故障诊断方法。对标准粒子群算法的惯性权重和学习因子进行改进,再对BP神经网络的权值和阈值进行优化,达到改善BP网络性能的目标。仿真结果表明该方法提高了BP网络的收敛率,减小了诊断误差。     

动量因子BP神经网络算法在设备故障预测中的应用

设备故障预测是设备预防性维护的重要组成部分。本文针对传统方法处理设备故障预测的不足,采用动量因子BP神经网络算法来预测设备状态。通过网络学习和诊断实验表明:动量因子BP神经网络算法不仅能解决设备故障预测的非线性问题,而且预测结果非常准确、误差精度较高、收敛速度较快。     

基于改进BP神经网络的连铸漏钢预报

针对传统BP神经网络在训练过程中存在收敛速度慢的缺陷,将LM(levenberg marquardt)算法引入到BP神经网络的训练过程,建立了LM-BP神经网络模型,并将其应用于连铸过程中的漏钢预报系统。结合某钢厂连铸现场历史数据对系统进行了测试,测试结果以96.15%的预报率及100%的报出率,验证了基于LM算法的BP神经网络连铸漏钢预报方案的可行性和有效性。     

基于小波网络的时间序列预报及其应用

对关键特征参数的准确预报是实现故障预报的重要环节 。本文提出了基于小波网络的非线性时间序列预报模型，探讨了非线性序列预报在故障预报中的应用。从函数逼近角度给出了这种模型的理论基础，给出了小波网络的学习算法，最后给出在空间推进系统上的应用实例。     

改进的BP神经网络在故障诊断中的应用

介绍了BP神经网络的结构和学习方法,针对BP网络存在局部极小值和收敛速度慢等问题．提出采用一种基于Levenbe rg-Marquardt算法(LM算法)的改进BP网络,最后通过汽轮机故障诊断实例的仿真研究,结果表明改进算法的性能明显优于常规BP算法,经改进算法训练的网络能大大提高故障的在线诊断能力．具有广泛的应用前景和应用价值。     

基于改进神经网络的多重化可控整流电路的故障诊断

提出了一种改进神经网络的多重化可控整流电路故障诊断方法。针对BP算法收敛速度慢、容易陷入局部极小的缺点,采用了改进的BP算法,利用附加动量学习速率可变梯度法改进神经网络学习速率,从而达到了加快网络的收敛速度与提高网络的诊断精度。文中给出了基于改进BP网络的模型训练和测试数据的诊断。测试结果表明所提出的方法正确可行,该诊断方法对多重化可控整流电路故障的识别可达到较高的精度。     

运用遗传算法优化神经网络的发动机故障诊断

为了对发动机故障进行正确诊断,可采用BP神经网络方法建立发动机故障诊断模型,但由于BP神经网络存在收敛速度慢及网络泛化能力差的缺点,易影响发动机故障诊断正确率。为了提高网络正确识别能力和泛化能力,采用遗传算法对神经网络的权值和阈值进行优化,网络误差满足要求后,用BP神经网络方法进行修正,从而使网络误差达到最小。将该算法应用于发动机故障诊断中,结果表明,该方法诊断故障误差更小且收敛更快。     

基于多变量气象因子的LMBP电力日负荷预测

提出基于主成分分析处理多天气因素的LMBP电力负荷预测模型。采用主成分分析技术对多气象因素进行降维处理,提取多天气因素特征量,既全面表征天气因素对电力负荷的影响,又简化预测模型。将得到的新气象特征量与历史负荷数据共同作为建模对象。采用基于L-M优化算法的BP神经网络(LMBP)进行预测分析,通过最速梯度下降法和牛顿法之间的自适应调整优化网络权值,有效提高网络的收敛速度和泛化能力。通过对美国南部某地区实际电力负荷系统进行预测分析表明该方法可以有效提高预测精度和预测效率。     

基于LMBP算法的柴油机喷油器故障诊断

为了实现柴油机燃油供给系统的故障诊断,采用了一种新的快速收敛学习算法--Levenberg-marquardtBP(简称LMBP算法),建立了面向LMBP神经网络柴油机喷油器故障诊断模型.通过对柴油机喷油器典型故障的试验研究,结果表明该方法是可行的,辨识效果好.     

一种高速数控机床电主轴表面温度智能预测方法

电主轴是高速数控机床核心功能部件,电主轴损坏基本是电主轴发热引起的.电主轴温度场具有复杂的非线性特征,神经网络在处理非线性系统温度预测方面得到了广泛的研究,神经网络与传统模型相比具有更好的适时预报性和持久性.论文利用遗传算法优化BP神经网络建立电主轴表面温度预测模型.预测结果表明,未优化的BP神经网络与遗传神经网络预测误差相对比,遗传神经网络对电主轴表面温度预测具有更高的预测精度和稳定性.     

基于LM神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力，可以很好地描述频率特征和诊断结果之间的关系。针对BP神经网络存在局部极小值和收敛速度慢等问题，提出了一种基于Levenberg-Marquardt（LM）的改进的BP网络。经改进算法训练的网络能大大提高诊断的能力，具有广泛的应用前景和应用价值。     

基于模糊神经网络的故障预测方法研究

在对模糊神经网络技术进行研究的基础上,介绍了故障预测原理,建立了预测分析的模糊神经网络模型,提出了改进的预测算法,并举例对算法进行了仿真验证。预测结果表明该方法能够取得比传统的BP更好的效果,是可行而有效的。为仪器设备的尽快维修提供了可靠的依据,具有良好的应用前景。     

BP神经网络在某型飞机发动机故障预测中的应用

飞机发动机是飞机的“心脏”,为了确保飞机的飞行安全,就必须能够对飞机发动机的故障进行有效的预测,并及时予以排除。本文介绍了神经网络故障预测原理,给出了神经网络模型在故障预测过程中的学习算法。并将该算法应用于某型飞机发动机的故障预测中。实验结果表明：用BP神经网络进行故障预测,不仅准确度高、效率高,而且可变被动维修为视情维修,具有良好的应用前景。     

齿轮箱复合故障信号的非线性盲源分离算法研究

针对齿轮箱复合故障分析问题,文中提出一种新型非线性盲源分离（Nonlinear Blind Source Separation, NBSS）算法。该算法先利用反向传播（Back Propagation, BP）神经网络逼近非线性混合模型的逆,并对经过BP 神经网络处理后的信号进行独立成分分析（Independent Component Analysis, ICA）;然后以独立成分分析后的信号的负熵作为适应度函数,采用遗传算法对BP神经网络的参数进行寻优;最后利用优化的BP神经网络参数,对观测到的混合信号进行分解,分离出纯净的振源信号。与采用粒子群优化（Particle Swarm Optimization, PSO）算法的核独立成分分析（Kernel ICA, KICA）相比,该方法提取的分离信号具有更高的精度,为齿轮箱复合故障诊断提供了关键技术与有效方法。     

设备故障趋势预测的分析与应用

研究了设备故障趋势的预测方法，介绍了非线性自回归模型，提出将BP神经网络与非线性自回归模型相结合，针对实验室JZQ250型齿轮箱的测试系统建立了基于振动信号的神经网络预测模型。采用MATLAB软件中自带的神经网络工具箱，利用模块化的编程思想，编程实现了神经网络预测模型．并利用实验室数据的峭度指标进行了实验。首先给出网络的输入及对应的目标输出，然后经过训练获得网络的权值和阈值，最终构建齿轮箱故障趋势的预测神经网络，用来预测齿轮箱的故障趋势。结果表明，该模型能够有效地短期预测齿轮箱的典型故障，可以用于齿轮箱的故障诊断。     

应用递推神经网络的传感器动态建模研究

根据动态校准实验结果建立传感器的动态数学模型 ,以研究传感器的动态性能 ,是动态测试的一个重要内容。研究了递归神经网络模型在传感器动态建模中的应用。递归神经网络模型采用具有输入层、中间层、输出层的三层网络结构 ,整个网络的特性决定于相邻层间的连接权。采用递推预报误差算法训练神经网络 ,具有收敛速度快、收敛精度高的特点。由于其反馈特征 ,使得递归神经网络模型能获取系统的动态响应特性。该方法特别适用于传感器非线性动态建模 ,而且避免了传感器模型阶次的选择的困难。试验结果表明 ,应用递归神经网络对传感器进行动态建模是一种行之有效的方法     

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.