基于粒子群极限学习机的排气温度裕度预测

排气温度是表征发动机工作状态的主要参数之一,通过对多个飞行架次的排气温度裕度(Exhaust Gas Temperature Margin,EGTM)进行预测分析,能够在一定程度上反映发动机工作性能,为后续故障检测工作提供理论依据。针对EGTM数据的非线性、非平稳特征,提出了基于粒子群优化算法(Particle Swarm Optimization,PSO)的极限学习机(Extreme Learning Machine,ELM)预测方法。通过ELM构建EGTM的预测模型,并利用PSO算法对其参数进行优化以保证模型的精确性;以某航空发动机EGTM数据作为验证,结果表明,相比于传统的预测方法,RMSE与MAE分别降低至1.889 8、1.0,有效提高了预测精度。     

基于实验数据的航空发动机稳态模型建模

针对基于部件级航空发动机稳态建模过程中完整、准确的航空发动机部件特性数据往往难以获取,建模时间长等现象,提出使用实验数据进行辨识建模的方法;为了建立航空发动机的稳态模型,通过对某轻型飞机实验台的飞行实验数据进行分析整理,提出使用BP神经网络对发动机重要参数进行建模,同时使用粒子群优化算法(Particle swarm optimization,PSO)对BP神经网络的权值和阈值进行优化。最后,使用改进粒子群优化算法(Improved particle swarm optimization algorithm,IPSO)对传统粒子群优化算法进行改进,仿真结果表明IPSO-BP网络建立的发动机模型精度更高,稳定性更好。     

基于Tent映射的混沌粒子群优化算法及其应用

针对基本粒子群优化算法在迭代后期易陷入局部最优而出现早熟收敛的现象,基于混沌搜索的全局遍历性、随机性和规律性的特点,以粒子群群体适应度方差作为粒子群优化算法早熟收敛的判据,将Tent映射作为混沌搜索引入到基本粒子群算法中,对以一定概率随机选择的粒子群中的部分粒子实施混沌搜索,利用混沌特性提高种群的多样性和粒子搜索的遍历性,从而使粒子获得持续搜索的能力,提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能.几个典型测试函数的仿真实验和应用实例均证明了该算法的可行性.     

基于混沌粒子群优化的神经网络在旋转机械故障诊断中的应用

基于混沌粒子群优化算法提出一种根据群体早熟收敛程度和个体适应值来调整惯性权重的自适应混沌粒子群优化算法,算法兼顾全局寻优和局部寻优,能够有效地避免早熟收敛.使用自适应混沌粒子群优化算法训练神经网络并建立旋转机械故障诊断模型,实验结果表明,与粒子群优化算法、遗传算法训练神经网络相比,基于自适应混沌粒子群优化算法的神经网络能够有效改善神经网络的训练效率,提高故障模式识别的准确率.     

改进混沌粒子群优化的灰色系统模型在机床热误差建模中的应用

为减少热误差对数控机床加工精度的影响,提高灰色系统模型(Grey system Model,GM)的预测精度,尝试将改进混沌粒子群优化(Improvemen Chaotic Particle Swarm Optimization,ICPSO)算法引入到灰色系统模型中,提出一种基于改进混沌粒子群优化算法的灰色系统模型数控机床热误差建模方法。首先,建立粒子群优化(Particle Swarm Optimization,PSO)粒子与GM(1,N)系数的映射关系;其次,ICPSO中混沌理论的Logistic映射对粒子群的位置和速度进行初始化,通过优化搜索得到最优GM(1,N)系数和输入子集;最后,建立改进混沌粒子群优化的灰色系统模型(ICPSO-GM),对数控机床热误差进行预测。仿真实验表明,ICPSO-GM预测精度高于GM和人工神经网络(ANN)模型,证明了ICPSO-GM能有效地解决数控机床热误差预测问题。     

基于改进粒子群优化-反向传播神经网络的制造业产能预测

为了精准预测制造业产能,对粒子群优化算法和反向传播神经网络进行研究,进而提出基于改进粒子群优化-反向传播神经网络的制造业产能预测方法。在这一预测方法中,通过粒子群优化算法对反向传播神经网络的权值和阈值进行优化搜索,同时引入自适应变异算子,避免粒子群优化算法陷入局部极值,并通过MATLAB软件对制造业产能进行预测。研究结果表明,改进粒子群优化-反向传播神经网络的预测效果优于粒子群优化-反向传播神经网络和反向传播神经网络。     

航空发动机油样光谱分析的PSO-LSSVM组合预测方法

油样光谱分析是航空发动机磨损状态监测与故障诊断的重要技术,基于光谱数据的航空发动机状态预测有利于发现航空发动机的早期磨损故障。根据光谱数据特征,选取AR模型、BP神经网络模型以及GM(1,1)预测模型作为基础模型,建立了基于最小二乘支持向量机的组合预测模型,同时,用粒子群算法对LSSVM的正则化参数以及核函数参数进行了优化。最后利用两组实际的航空发动机光谱分析数据对模型进行了验证,与基础模型的对比结果充分表明,提出的带粒子群优化的最小二乘支持向量机(the Least Squares Support Vector Machines with Particle SwarmOptimization-PSO-LSSVM)的非线性变权重组合预测模型具有更好的预测精度。     

基于IPSO-SVR的航空发动机磨损预测研究

为提高支持向量回归(Support Vector Regression,SVR)预测模型对航空发动机磨损预测的准确性,提出利用改进的自适应粒子群优化(Improved Particle Swarm Optimization,IPSO)算法对SVR的结构参数和训练样本向量维数进行优化。IPSO算法采用非线性惯性权重和自适应探测响应机制,克服传统粒子群随机初始位置影响寻优结果的不足,提高预测结果的准确性和一致性。利用某型发动机光谱分析数据进行磨损预测研究。结果表明:与传统PSO-SVR和常用BP神经网络预测模型相比,IPSO-SVR预测结果具有更高的准确性,且预测结果保持良好的一致性。     

基于粒子群优化SOM神经网络的轴系多振动故障诊断

针对自组织特征映射神经网络(SOM)在多振动故障诊断中出现的不能对所有可能故障完整分类和明显区分的缺点,提出基于粒子群算法优化的SOM神经网络.利用粒子群优化算法易实现、收敛快等优点,对SOM神经网络的参数进行优化,并用优化后的SOM神经网络对轴系故障进行仿真诊断.仿真诊断结果表明,粒子群算法优化的SOM神经网络比SO...     

基于混沌序列的起重机箱形主梁粒子群优化

为了解决起重机箱形主梁优化设计中的多变量、多约束问题,提出了一种新的基于混沌序列的粒子群优化算法。利用混沌变量的遍历性和随机性,通过Logistic映射生成初始粒子群位置。根据平均粒距描述种群的多样性,通过混沌扰动对早熟个体进行局部搜索,从而跳出局部极小点。起重机箱形主梁优化试验结果表明,新混沌粒子群算法具有收敛速度快,优化精度高的优点。     

基于Kohonen网络的柴油机噪声故障分析系统

介绍了利用 Ａｄａｌｉｎｅ 自适应单元进行去除噪声干扰来达到对柴油机工作时的异常声响分析的方法。通过自组织人工映照神经网络模型对其故障诊断给出了一种分析模型,并与常规的 Ｂ Ｐ网络相比较,得出其具有自学习功能,运算速度快,类型识别能力强的优点。     

仿真优化加速求解器的研究与开发

仿真优化已成为复杂系统优化设计的重要手段,但在实际应用中,基于复杂系统的仿真过程通常存在花费时间过长,不具有逆向求解功能等缺陷.本文提出一种基于神经网络的仿真优化加速求解模块,该模块以BP神经网络作为核心引擎,通过训练和学习过程替代仿真模型进行结果评估,从而大大提高了仿真优化的速度.     

挖掘机节能用变量泵BP神经网络控制系统研究

从节能角度出发，提出了一种新的液压挖掘机节能用变量泵控制方法——BP神经网络控制方法，在油门一定的条件下，根据发动机转速(外部负载)的变化，控制系统实时调整变量泵的排量，从而实现发动机与变量泵的合理匹配。基于此方法进行了台架试验，结果证明新型控制系统优于传统的PJD控制方法。     

基于RBF神经网络的电喷发动机故障诊断研究

研究了RBF神经网络用于电喷发动机故障诊断的方法,并建立了神经网络故障诊断模型.最后,以桑塔纳2000型(GSI)轿车AJR型发动机怠速不稳故障为例,通过V.A.G1552汽车故障诊断仪测量出所需的数据流,在Matlab环境下,对电喷发动机怠速不稳的2种故障原因进行故障模式识别和诊断.     

采用“GA+LM”优化BP神经网络的电液伺服阀故障诊断

针对标准BP神经网络用于故障诊断时学习效率低、收敛速度慢、易陷入局部极小点及对初始参数较为敏感等不足,提出了一种组合优化的方法,即采用遗传算法（GA）确定BP神经网络的最佳初始权值矩阵,以规避BP神经网络对初始参数较为敏感的不足;应用LM（Levenberg-Marquardt）算法在局部解空间里对BP神经网络进行精确训练,搜索全局最优解。该方法在保留BP神经网络的广泛映射能力的前提下,提升了网络的学习速度和精确搜索能力,进而大幅提高了基于BP神经网络的电液伺服阀故障诊断的效率和精度。通过对MOOG D761-2716A机械反馈伺服阀进行故障诊断,进一步说明了该方法的实用性和高效性。     

一种残差注意力迁移学习方法及其在滚动轴承故障诊断中的应用

提出了一种基于残差注意力卷积神经网络(CSRA-CNN)的迁移学习算法,用于提高滚动轴承的故障诊断精度。在卷积神经网络模型中加入残差注意力机制,使模型在训练过程中更加注重故障特征的提取,从而有效提高迁移准确率。为了测评基于残差注意力卷积神经网络的性能,将其与传统卷积神经网络在不同迁移学习策略下的结果进行对比。用动力传动故障诊断综合实验台和高速列车综合实验台对所提算法进行了验证,该方法可以完成变转速以及变转速变载荷下轴承不同健康状态的迁移学习,且迁移效果均优于传统的卷积神经网络。     

STUDY ON INJECTION AND IGNITION CONTROL OF GASOLINE ENGINE BASED ON BP NEURAL NETWORK

According to advantages of neural network and characteristics of operating procedures ofengine, a new strategy is rapresented on the control of fuel injection and ignition timing of gasolineengine based on improved BP network algorithm. The optimum ignition advance angle and fuelinjection pulse band of engine under different speed and load are tested for the samples trainingnetwork, focusing on the study of the design method and procedure of BP neural network in engine     

A methodology for cracks identification in large crankshafts

Diesel engines used in power plants and marine propulsion are especially sensitive to outage events. Any advance in the early detection of failure will increase the reliability of the electricity supply and improve its productivity by reducing costly power outages. Fault detection and diagnosis is important technology in condition-based maintenance for diesel engines. This article presents a classifier based on neural networks for identifying failure risk level in crankshafts, the engine component of greatest cost concern. The authors have developed a finite element model for crack growth that fits well with fracture appearance and produces the evolution of crankshaft stiffness with crack depth. A lumped system model of the engine uses this evolution as input, giving the instantaneous speed at the engine flywheel as a function of crack depth. All the results shown in the paper come from outputs of the simulation models which have been built from real engine data. Measurements of the instantaneous flywheel speed were not available due to the crankshaft failure. All data are extracted from this speed and are then classified using a Radial Basis Function neural network.     

基于进化神经网络的刀具寿命预测

为预测道具寿命,引入人工神经网络技术,建立了刀具寿命预测神经网络模型,同时对切削参数进行优化选择.在刀具寿命预测中,针对反向传播算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用遗传算法训练反向传播神经网络,设计了进化神经网络的学习算法.实验和仿真结果表明:基于进化计算的反向传播神经网络可以克服单纯使用反向传播网络易陷入局部极小值等难题,刀具寿命的预测精度较高,从而为刀具需求计划制定、刀具成本核算,以及切削参数制定提供理论依据,节约了制造执行系统中的生产成本.     

基于遗传神经网络算法的发动机性能预测

设计了遗传神经网络预测系统,通过融合分析废气成分的含量、发动机转速、氧传感器等信息预测发动机的工作性能。应用遗传算法的复制、交换、变异过程代替原BP网络的反向传播过程,并针对遗传算法的缺点进行了改进研究。实践证明这种遗传神经网络预测系统收敛速度快、推广性强,具有较高的实际应用价值。