提升小波包和改进BP神经网络相融合的新故障诊断算法

针对传统的小波变换和BP神经网络应用于故障诊断中存在自适应性差、效率低等问题,提出一种提升小波包和改进BP神经网络相融合的新故障诊断算法;利用插值细分思想,设计了提升小波包的预测算子和更新算子,结合传统小波包算法和提升模式的原理,完成了提升小波包算法的设计,并将该算法应用于故障信号的消噪和能量特征量的提取;利用遗传算法优化标准BP神经网络的初始权值和阈值,采用L-M算法优化标准BP神经网络的搜索方式;以美国凯斯西储大学提供的滚动轴承实验数据,将新算法应用于实验中,分析结果表明:新故障诊断算法比传统的BP神经网络算法具有收敛速度快、诊断精度高等实效性。     

基于神经网络技术的汽车故障诊断算法及其优化

该文论述了一种基于汽车OBD-Ⅱ故障代码到具体故障的汽车故障诊断算法,实现了利用BP神经网络算法由OBD-Ⅱ故障代码向具体故障的映射,并且利用遗传算法将神经网络加以优化,以提高识别率。     

遗传神经网络在模拟电路故障诊断中的应用

针对传统BP神经网络在模拟电路故障诊断中存在的不足,提出遗传算法和BP神经网络相结合的遗传神经网络模拟电路故障诊断方法;充分利用遗传算法全局、并行寻优的能力对BP神经网络的学习过程进行优化,防止神经网络训练时出现收敛速度慢和陷入局部极小等缺陷;在MATLAB平台上编程实现模拟电路故障诊断的仿真实验;仿真结果表明,相对于传统的BP神经网络算法,遗传神经网络算法不仅提高了网络训练收敛速度,而且提高了模拟电路故障诊断平均正确率,为模拟电路智能化诊断提供一种新的思路。     

基于Elman神经网络的齿轮箱故障诊断

针对基于传统BP神经网络的齿轮箱故障诊断方法存在的收敛速度慢、精度不高等问题,提出了一种基于Elman神经网络的齿轮箱故障诊断模型。该模型以齿轮箱特征向量为输入、故障类型为输出,通过改进遗传算法对Elman神经网络的权值和阈值进行优化,将优化后的Elman神经网络用于齿轮箱故障诊断。仿真结果表明,该故障诊断模型加快了网络训练速度,提高了齿轮箱故障诊断的准确度和精度。     

基于优化神经网络的电梯故障诊断系统研究

针对电梯系统数学模型难以获取,运行故障动态诊断难的问题,引入遗传算法,提出一种优化的神经网络电梯故障诊断系统。首先介绍了BP神经网络在电梯故障诊断中的基本原理,随后建立电梯故障诊断神经网络模型,并在Matlab环境下,对故障诊断系统进行仿真实现。实验结果表明,遗传算法优化后的神经网络减少了运算量,提高了网络稳定性,具有更高的故障诊断精度。     

遗传BP网络在雷达装备BIT虚警抑制中的应用研究

针对现有故障诊断方法不能有效抑制雷达装备BIT虚警的现象,提出一种遗传算法优化后的BP神经网络技术抑制雷达装备BIT虚警的方法;首先介绍经遗传算法优化后BP神经网络的基本结构和学习算法,再结合雷达装备BIT的特点,以某火控系统雷达发射机作为被故障诊断对象,采用9个具有代表性的雷达发射机故障特征和8个典型故障,以Matlab作为开发工具进行仿真实验;实验结果表明该方法能准确对故障进行定位,有效抑制BIT虚警,提高雷达系统故障诊断能力。     

改进神经网络在模拟电路故障诊断中的应用

研究模拟电路故障诊断准确性问题.电路故障与引起故障因素之间呈高度非线性,传统故障识别方法无法识别其非线性特点,导致传统故障方法的诊断精度低.为了提高电路故障诊断的精度,提出一种遗传算法优化BP神经算法的模拟电路故障诊断方法.首先对故障电路样本进行特征提取和归-化处理,然后采用遗传算法对BP神经网络参数进行优化,最后利用最优参数BP神经网络对电路故障样本进行训练和建模,获得电路故障诊断结果.在MATLAB平台上对模拟电路故障进行仿真测试,仿真结果表明,与传统模拟电路故障诊断方法相比,提高了模拟电路故障诊断精度,缩短了故障诊断时间,在模拟电路故障中有着广泛的应用前景.     

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.     

基于神经网络的钢琴击弦机故障排除方法研究

针对传统钢琴击弦机故障诊断方法准确率低,导致机械故障排除效果不佳的问题,提出基于改进果蝇算法优化BP神经网络的故障诊断方法。基于果蝇算法FOA加入混沌映射、动态搜索半径策略和优化气味浓度判定公式,得到改进的UFOA算法;然后利用UFOA算法优化BP神经网络,并构建基于UFOA-BP的击弦机故障诊断模型;最后获取钢琴击弦机械故障数据,并通过小波包分解法进行故障数据特征提取。将本模型应用到数据集中进行实验发现,相较于未优化的BP神经网络,提出的UFOA-BP模型的故障预测误差绝对值仅为1.01和0.61,通过UFOA算法提升了BP神经网络的预测精度。且在单弦和多弦故障诊断中,对比于其他诊断模型,本模型的故障诊断准确率分别提升了7.75%、10.08%和7.19%、9.05%。由此说明,通过本模型可提升钢琴击弦机故障诊断率和排除效果。     

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。