层次模块化模糊神经网络在铝电解故障诊断中的应用

目的针对铝电解故障发生机理及特点，提出采用层次模块化模糊神经网络实现对铝电解故障快速、有效检测的新方法．方法利用数据处理子模块，诊断子模块，决策子模块，从而对铝电解生产过程中的故障进行诊断．结果数据处理子网络实现了对数据的特征提取，优化了数据结构，将大结构的神经网络分解成多个小网络，并用决策神经网络对故障进行模式分类．结论该方法优化了大结构神经网络的学习性能，提高了故障检测的准确率，具有良好的实用价值．     

基于双谱识别和人工免疫网络的智能故障检测

针对故障诊断中人为评估振动谱图而导致诊断结果不稳定的情况,提出基于振动谱图模式识别的故障诊断方法,利用Hilbert包络分析和双谱分析的组合方法来提取振动信号的故障频率特征,进而采用双谱图的灰度共生矩阵（GLCM）及其特征统计量来表征故障特征.改进了人工免疫网络（AIN）分类算法,将特征统计量作为抗原,通过对抗原的学习训练,形成记忆抗体集;通过判断待检验抗原与记忆抗体的匹配程度,实现故障分类识别.滚动轴承故障诊断实践证明,人工免疫网络分类方法具有良好的适应性,取得了较BP神经网络更好的检测准确率.     

神经网络法在地下洞室围岩分类中的应用

提出了以神经网络进行围岩稳定性分类的方法，根据收集到的围岩分类资料来训练和检验神经网络模型。并将评判结果与其他方法进行了比较，结果表明，网络经训练后具有较高的识别能力，可用于解决工程中的非线性问题。     

一种新型网络计费系统的研究

在讨论了网络计费的各项关键技术后，包括网络参数、Linux内核模块、Linux核心过滤模块，提出了1个IP网络宽带计费系统解决方案，并突出介绍了其核心部分IP宽带计费网关的设计与实现．分析了此计费系统的应用前景．     

基于人工神经网络集成的微阵列数据分类

基因数量远多于样本数量是基因表达微阵列数据进行疾病诊断所面临的主要挑战，为此提出了采用人工神经网络集成的组织分类方法．该方法使用Wilcoxon测试选择用于与分类相关性较高的重要基因，通过凸伪数据法产生神经网络集成中各个体的训练集，用简单平均法集成网络个体的测试结果．采用实际的微阵列实验数据集分别进行独立测试和交叉验证测试，结果表明，该方法性能优于单个神经网络、最近邻法和决策树．受试者特征曲线测试表明，神经网络集成性能优于单个神经网络．     

结合全局与局部池化的深度哈希人脸识别算法

针对采用大型卷积神经网络提取高维特征进行人脸识别时占用内存空间较大以及消耗大量计算资源的问题,提出一种结合全局与局部池化的深度哈希全卷积神经网络．第一,提出一种基于全局平均池化层的全卷积网络,用以减少网络参数以及压缩模型尺寸;第二,提出一种学习不同特征的融合损失方法,将哈希量化误差损失与分类损失进行加权融合,用以学习具有多分类性质的近似哈希编码．实验表明,该方法能够在Visual Geometry Group(VGG)框架下将识别效率提高68%,且准确率略有提升;融合损失方法扩展到Face Residual Network (Face-ResNet)框架时,在保持准确率的情况下将识别效率提高了23.7%。结果表明,该方法可在保证准确率的前提下有效地从特征提取和特征降维两方面提高识别效率,同时该方法还可扩展用于其他网络．     

大型回转机械故障的神经网络分类器

建立故障类型的自动识别系统是机械设备诊断学的发展方向。神经网络理论的兴起和发展为故障类型的自动识别开辟了一条崭新的道路。神经网络通过对故障样本的学习后，对未知故障的样本具有较高的正确识别率。从神经网络对故障的识别检验结果中发现，神经网络对单一故障的分类与对组合故障的分类效果相差较大。本文分析了产生这一现象的原因，并利用组合网络来克服单一网络对组合故障分类精度不够高的缺陷，取得了令人满意的结果。     

进化谱分算法检测动态网络社团结构

为有效地检测动态复杂网络中的社团结构,在进化时间平滑框架下对模块函数及模块密度函数进行了优化．通过两种函数的优化进程,论证了模块函数及模块密度函数可在进化框架下作为进化谱分聚类方法检测动态网络中社团结构的理论基础,在此理论基础上提出了检测动态网络社团结构的进化谱分算法．在计算机合成的动态网络及真实世界动态网络中,检验了该算法的合理性及准确性并与其他方法进行了比较．实验结果显示,这种新的算法仍有很高的准确性．     

智能故障诊断技术在核动力装置中的应用研究

核动力装置对系统的安全性能要求较高．为了让操作员在发生故障时，避免产生错误的判断及操作，一种较好的方法是将智能故障诊断技术应用到核动力装置故障诊断系统中．利用粗糙集的数据约简技术提取精简的规则，基于这些规则建立的模糊神经网络具有更好的拓扑结构，学习速度大大提高，容错能力强；RBF神经网络有着良好的局部性能，诊断单个故障的能力要优于模糊神经网络，且网络不用训练，诊断实时性好．将粗糙集理论所构建的模糊神经网络与RBF神经网络相结合，能充分发挥各自的优点．为了验证该方法的有效性，以核动力装置蒸汽发生器U形管破裂等故障为例，进行了仿真实验研究．研究结果表明该邦联网络具有良好的诊断准确性、实时性和可扩充性，得到了预期的效果．     

基于模块相似性的超分网络剪枝

该文针对单图像超分辨率网络(SISR)提出了一种简单的网络剪枝方法。该方法通过评估超分网络中各模块的相似性，用一种简单办法将相似度转换为各模块对网络的贡献程度，从而找到对超分网络相对不重要的模块进行网络剪枝，达到超分辨率网络压缩的目的。通过基于模块相似性的超分网络剪枝，原本参数量庞大的超分网络得到了压缩，参数量和运算量都大幅下降。实验表明，通过剪枝后的超分网络其参数量可以下降60%以上，同时精度下降不超过0.1%，对超分网络部署到低性能平台有着实际意义。     

基于层次分析的变压器故障诊断决策支持系统

阐述了一套基于层次分析方法的变压器油色谱故障诊断决策支持系统,故障诊断模块使用改良电协研法、灰色关联熵、模糊聚类、人工神经网络等单项分析,弥补了现有诊断方法中的不足.针对每种诊断方法可能出现结论不一致的情况,系统综合分析方法采用层次分析的方法来实现,能对变压器色谱数据进行故障诊断,给出综合分析结论及建议.通过对平顶山电网中的色谱数据进行诊断及其他应用实例,验证了系统的有效性.     

基于模态频率和神经网络的结构损伤检测

把结构损伤识别问题分为损伤辨识、损伤定位、损伤程度标定三个子模块，对每个子模块用模态参数构造对损伤敏感的标识量，并作为特征参数输入到神经网络中实现损伤识别。将优化的BP网络和频率相结合成功地实现了矩形梁的损伤检测，为结构健康监测研究提出一条新的技术途径。     

Fault location for parallel transmission lines using one-terminal current traveling waves

With proper phase module transformation,parallel lines can be decomposed to the same directional net and the reverse directional net. The propagation characteristics of traveling waves in the reverse directional net were analyzed,and the refraction coefficient at the fault point for a single phase fault was derived. In addition,the module selection was discussed. Simulation results show that satisfying accuracy can be achieved with the proposed method. Moreover,it is immune to fault types,fault resistances,and outside system parameters.     

模糊神经专家系统在风机实时状态监测与故障诊断中的应用

实时性和准确性在风机实时状态监测与故障诊断中起着决定性的作用．综合运用模糊处理、小波分析、神经网络和专家系统等先进的诊断方法及信号处理技术，提出了一种新型的模糊神经专家状态监测与故障诊断方法，并采用先进的VisualC＋＋语言及模块式设计。为提高故障诊断准确性和实时性提供了可靠保证．     

基于Petri网的综合教学实验平台研究

设计了一种综合教学实验平台。该综合实验平台将现有的课程实验设备集成到平台中并根据电力系统中发电到输配电环节的结构设计七大功能模块模拟电力系统运行,其中故障诊断模块利用 Petri 网建立故障诊断模型对实验平台进行监控并保证其稳定运行。算例分析证明该实验平台具有良好的故障自诊断能力,满足了实验教学的需求。     

基于神经网络的空气源热泵机组的故障诊断

针对传统诊断技术的局限性，研究了基于BP模型神经网络的故障诊断方法，建立了基于BP神经网络的空气源热泵机组的故障诊断模型，并用来自模拟实验的征兆实例和领域专家的知识对神经网络进行了训练。诊断结果表明，对于已学习过的样本知识，网络的输出与希望结果充分相符，基于人工神经网络的空气源热泵冷热水机组的故障诊断是行之有效的。     

基于卷积神经网络的抽油机故障诊断

为提高抽油机的故障诊断性能、减少诊断模型的硬件存储,设计了基于轻量注意力卷积神经网络和示功图的故障诊断方法。首先,将示功图的位移?载荷数据转换为图像,诊断模型的基础结构采用深度分离卷积,提出一种可嵌入连续卷积层的正则化注意力模块,对每个卷积层的通道进行压缩、注意力计算,并根据注意力建立通道失活机制,输出具有特征抑制或加强的注意力特征图。其次,在模型学习算法上,提出注意力损失函数抑制易分样本对模型训练损失的贡献,使模型训练关注难分样本。最后通过仿真实验验证有效性,结果表明该模型硬件存储仅为5.4 MB,故障诊断精度达95.1%,满足抽油机工况检测的诊断精度要求。     

基于粗糙核聚类的模块化产品方案求解

利用核函数将产品的零部件样本映射至希尔伯特空间内,使零部件样本的差异性"放大",从而提高产品模块划分过程的鲁棒性.利用粗糙集对希尔伯特空间内的零部件样本进行初步分类,获得产品的模块数量和每个模块内零部件组成的上近似集合与下近似集合.构建模块间耦合度、加工装配复杂度和变型设计复杂度3个目标函数,利用改进的非支配排序遗传算法(NSGA)进行求解进而获得最优的模块划分方案.以大型空分设备的模块划分作为实例,对该方法进行检验.数值仿真结果表明了该方法的有效性和可行性.     

基于神经网络和证据理论的滚动轴承故障预测方法

传统的故障预测方法难以对不同工况下的滚动轴承故障进行有效预测,为此,提出了一种基于BP神经网络和DS证据理论的滚动轴承故障预测方法。首先采用擅长于处理非平稳信号的小波包分解对多个传感器采集的原始振动数据进行特征分析,然后对BP神经网络的结构和参数进行优化设置并使用多个BP神经网络分别进行故障预测模型训练,最后利用DS证据理论将多个神经网络得到的预测结果进行融合并输出最终预测结果。实验结果表明,该方法能对不同工况下的滚动轴承故障进行有效预测,故障预测平均准确率达96.37%;且与相关文献提出的方法相比,所提出的方法得到的滚动轴承故障预测准确率有所提升。