基于CS理论的24脉波整流器开路故障诊断方法

针对24脉波整流器晶闸管开路故障待处理数据量大、诊断精度不高和诊断速度慢的缺点,提出一种基于压缩感知（CS）理论对开路故障电压信号的稀疏向量进行特征提取的分类识别方法。利用冗余字典和高斯测量矩阵对原始信号进行稀疏表示和测量,接着用正则化自适应匹配追踪算法对测量信号进行重构,得到稀疏向量;对稀疏向量进行6种特征参数的提取,将其作为BP神经网络的输入,实现对开路故障的诊断识别;选取典型的开路故障类型,进行仿真实验验证。仿真结果表明,传统方法要处理的数据长度为1000,而所提方法要处理的数据长度只有50,以很少的数据量保存了原有信号的特征信息,使得开路故障识别准确率显著提高,诊断速度加快。     

基于神经网络的数据压缩研究

数据压缩=建立模型＋编码，是传统数据压缩的最基本思想。传统的设计思路主要基于减少信息中的冗余着力于编码设计，其压缩比一直在百分之几十左右徘徊，经过传统编码压缩的信息，很难再经类似的方法进一步压缩。为了解决上述的问题可用占用信号空间较少的信息表示占用信号空间较多的信息以实现数据压缩。这就是数据压缩新的设计思路，这样，就突破了传统的只依靠编码减少数据冗余的局限，实现了更高的压缩比。同时，经过这样压缩后的信息可再重复压缩，并有很好的性能。这就是文中所介绍的神经网络与数据压缩结合的基本思想。     

一种神经信号压缩感知检测方法

针对无线传感器在神经信号检测领域需要低功耗设计的需求,设计了一种利用压缩感知方法对含动作电位的神经信号进行分段压缩的方法。首先,通过构造冗余字典,实现了对原始神经信号的稀疏化表征;然后构建了测量矩阵,实现了对原始神经信号的压缩;最后,利用稀疏分解算法,实现了对原始神经信号的重构。利用测量到的大鼠脑部神经信号对设计的方法进行实验测试,结果表明,在压缩比为10：1及以下的情况下,可以实现对含动作电位的神经信号的分段压缩和可靠重构。     

基于神经网络的数据压缩研究

数据压缩=建立模型 编码,是传统数据压缩的最基本思想。传统的设计思路主要基于减少信息中的冗余着力于编码设计,其压缩比一直在百分之几十左右徘徊,经过传统编码压缩的信息,很难再经类似的方法进一步压缩。为了解决上述的问题可用占用信号空间较少的信息表示占用信号空间较多的信息以实现数据压缩。这就是数据压缩新的设计思路,这样,就突破了传统的只依靠编码减少数据冗余的局限,实现了更高的压缩比。同时,经过这样压缩后的信息可再重复压缩,并有很好的性能。这就是文中所介绍的神经网络与数据压缩结合的基本思想。     

小波神经网络在缺陷数据压缩和信号重构中的应用

首先介绍了小波神经网络理论．并在BP算法的神经网络学习方法的基础上二．将小波神经网络应用到基于频率扫描技术的交变磁场测量无损检测系统中．通过神经网络提取相应的权重因子、以及构成小波基的尺度参数和与之对应的平移参数．实现缺陷有用数据的压缩；在缺陷数据重构中．利用上述特性参数并结合信号的特征值．对信号进行拟合，解决了缺陷场大量数据的保存问题以及缺陷识别模型神经网络学习样本资源不足的问题。     

线控转向汽车传感器的智能容错设计

在汽车线控转向优化控制的研究中,汽车传感器容错技术模型精确度低和易受扰动影响等问题,造成汽车的安全性能受到影响。针对传统解析关系模型精度低,采用了邻域粗糙集模型对传感器信息进行预处理,用以精确找出与容错对象存在解析关系的相关联传感器信息;为了消除观测器的扰动影响,利用了神经网络组建容错对象的冗余信息,将关联传感器信号作为径向基神经网络的输入,容错对象的信号用作进行监督训练。利用神经网络的估计输出和容错对象的输出差值,即残差是否超出门限来实现故障判别,在残差超过门限后进行输出控制,屏蔽故障传感器输出,可用神经网络的估计输出来完成信号补偿。通过仿真表明,改进设计具有较好的抗噪性和逼近能力,能很好的完成故障检测和信号补偿,达到容错控制的目的。     

自适应压缩感知的语音压缩重构算法研究

根据传统语音信号的处理过程和语音信号的特征,提出了利用自适应冗余字典KSVD算法、自适应观测矩阵和SAMP重构算法的压缩重构方法,通过仿真分析,并与普通压缩感知对比平均帧重构信噪比、相对误差,验证了压缩感知自适应算法的优越性。     

基于小波-神经网络技术的电机故障模式识别与诊断

针对电机震动信号的频谱特点,提出基于小波-神经网络技术的电机故障模式识别与诊断的新方法.利用小波包可进行多维多分辨率的特性,对电机振动信号进行分解与重构,获得震动信号的突变信息,实现电机状态的特征提取.对提取出的特征,用ART2神经网络进行状态分类,进而诊断故障类型,并利用这种方法进行仿真试验,通过对仿真结果的分析证实这种诊断的可行性.     

模拟神经网络VLSI脉冲流技术在故障诊断中的应用分析

介绍了模拟神经网络VLSI脉冲流技术实现神经网络模式识别硬件电路的方法，并且直接将故障分类。提出利用包含有故障信息的原始模拟噪声信号，经过前置信号处理和神经网络运算，得出VLSI电路输出端电容的电压值－代表待识别信号与模板故障信号的“欧氏距离”，以实现噪声故障信号的实时硬件在线识别。     

基于神经网络VLSI与噪声信号的故障诊断

为了改变传统的基于软件的机械故障诊断模式，以及发挥神经网络超大规模集成电路(vLSI)的优势，提出了一种用于故障诊断识别的脉冲频率调制(PFM)模拟神经网络脉冲流vLSI电路。实现了一种脉冲流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．设计了进行主轴承磨损故障诊断的神经网络故障识别系统。利用含有故障信息的噪声信号代替传感器安装困难的基于振动信号的特征值提取，最后．根据代表待识别信号与标准故障模板之间欧氏距离的电路输出端电容电压值可以判断出故障类别。该电路具有较高的识别精度．可以实现噪声故障信号的实时在线识别。     

增强前馈神经网络对多点断路故障的容错能力

神经网络在发生多点断路故障时,网络中的多个隐层神经元及其相关的连接权同时失效。该文针对陷层神经元可以动态增加的一类前馈神经网络,提出了一种三阶段方法T3。T3先对网络进行一次训练,然后用验证集进行测试以确定网络的故障曲线拐点,在此基础上通过第二次训练自适应地增加冗余隐层神经元。实验表明,T3使用较小的冗余量就可以显著改善网络对多点断路故障的容错性,在网络的容错能力和结构复杂度之间较好地达成了折衷。     

信息融合在模拟电路故障诊断系统中的应用

设计一种基于信息融合和神经网络理论的模拟电路故障诊断系统。采用基于单片机的信号采集系统,对电路可及点电压和不同激励频率下的电路输出电压峰值进行采样,得出电压和电路放大倍数2类故障特征参数,利用其进行基于BP神经网络的初步诊断,运用模糊变换方法进行融合诊断及故障定位。实例诊断结果表明,与基于单一信息的诊断系统相比,该系统能定位不同类型的元件故障,诊断准确率较高。     

两种典型神经网络容错方法的比较

Behnam提出的SC算法和文中提出的rehidden算法是两种典型的前向神经网络容错 算法,前者改进BP算法进行学习,后者对已学习的网络进行隐层节点冗余.这两种算法各有优 缺点.文中对这两种算法进行了仿真实验分析,最终得到了每种算法适用的网络规模和硬件条 件,在不同环境下应采用不同的方法才能得到可行的容错网络.最后还对SC算法的一些改进进 行了讨论.     

基于集成多神经网络在模拟电路故障诊断中的研究

以进行模拟电路故障诊断为主要目的,针对单神经网络故障字典法在进行复杂电路系统故障诊断时,对多故障和多任务诊断的不足之处,讨论了基于多故障的神经网络集成技术,采用集成多神经网络来提高诊断速度和精度,提出了集成多神经网络故障字典法来解决多故障任务,对基于层次分类模型的多重结构神经网络进行了研究,给出了两种对故障定位的统一融合算法,克服了采用单神经网络多故障时学习速度慢,出现新故障的网络要重新进行学习等缺点.并给出了应用实例.     

基于神经网络的非线性系统故障检测及容错控制方法

利用神经网络的非线性建模能力，提出了一种非线性系统的故障检测及容错控制方法。在本方法中，首先应用神经网络设计故障估计器，在线估计系统故障向量，实现故障检测；在此基础上，引入补偿控制器，消除故障对系统运行的影响，从而实现容错控制。同时基于Ｌｙａｐｕｎｏｖ方法进行了稳定性分析。     

一种无线传感器网络节点的故障检测算法

在无线传感器网络(WSN)中,容易因为故障节点存在冗余的故障属性、噪声数据以及数据可靠性等问题,从而产生传输错误数据,这将极大地消耗WSN节点中能量和带宽,向用户形成错误的决策。为此,提出了基于蚁群算法和BP神经网络模型的WSN节点故障检测方法。通过使用蚁群算法,使用户通过寻找优化路径来定位WSN节点的位置,通过这种随机搜索算法以及蚁群算法的搜索策略使用户对WSN故障节点的位置进行总体把握。然后又基于BP神经网络模型对获取的WSN故障节点信息进一步学习,在数据训练过程中,依据WSN故障节点预测误差,并进一步调整网络的权值和阈值,增加了故障诊断的精度。采用的算法对检测WSN故障节点具有较好的性能,使无线传感器网络的服务质量大大提高,增强了系统的稳定性,实验结果验证了算法的可行性和有效性。     

前向神经网络的容错性问题

在讨论神经网络的容错性的文献中,主要涉及的一直是关于输入噪音的容错问题.在这些文献中通常把该问题转换为某种优化问题,并用现成的优化方法进行求解,但很少涉及由网络故障所引起的容错问题,即结构容错问题.利用覆盖算法分析结构容错问题,给出一个神经网络容纳所有单节点故障的充要条件和构造这种网络的算法.这些结果揭示了神经网络结构容错能力的本质,并提供了一种分析神经网络容错的新方法.     

极值域均值模式分解在轴承故障诊断中的应用

为了研究滚动轴承信号的非平稳特征,提出了将局域波方法和Parzen窗概率神经网络相结合的故障诊断方法.分析了局域波时频分析中极值域均值模式分解方法的改进方法,并提出了一种筛选停止准则.对分解所得分量,提取平均瞬时频率和能量比作为故障特征向量构造神经网络,进行状态判断.通过对现场采集的滚动轴承信号进行分析,说明了该方法的...     

An expert system for fault diagnosis in internal combustion engines using probability neural network

An expert system for fault diagnosis in internal combustion engines using adaptive order tracking technique and artificial neural networks is presented in this paper. The proposed system can be divided into two parts. In the first stage, the engine sound emission signals are recorded and treated as the tracking of frequency-varying bandpass signals. Ordered amplitudes can be calculated with a high-resolution adaptive filter algorithm. The vital features of signals with various fault conditions are obtained and displayed clearly by order figures. Then the sound energy diagram is utilized to normalize the features and reduce computation quantity. In the second stage, the artificial neural network is used to train the signal features and engine fault conditions. In order to verify the effect of the proposed probability neural network (PNN) in fault diagnosis, two conventional neural networks that included the back-propagation (BP) network and radial-basic function (RBF) network are compared with the proposed PNN network. The experimental results indicated that the proposed PNN network achieved the best performance in the present fault diagnosis system.     

机器学习在故障检测与诊断领域应用综述

机器学习已经成为当前技术发展热点,由于机器学习具有快速处理大量数据、分析提取有效信息等优点,因此在故障检测与诊断技术中受到了越来越多的关注;文章系统介绍了机器学习和故障检测与诊断的概念、分类,深入了解了基于PCA和随机森林的故障检测方法和国内研究现状,以及基于决策树、支持向量机以及神经网络的故障诊断方法和国内外研究现状,其中重点介绍了卷积神经网络和递归神经网络的应用,并对机器学习算法在故障检测与诊断应用前景进行了展望,大数据时代下,机器学习在故障检测和诊断领域有着绝对优势。