基于SOM算法和免疫神经网络的飞机燃油系统故障诊断

针对传统的飞机燃油系统故障诊断方法如硬件冗余方法和系统模型检测方法存在的飞机重量限制和难以建立精确数学模型的问题,设计了一种基于SOM算法和BP神经网络的故障诊断模型;首先,建立了系统故障诊断模型并对诊断原理进行了描述,然后,对故障征兆数据进行预处理,即先采用SOM算法进行连续属性离散化处理,再通过粗糙集互信息方法进行属性降维,以减少数据量和提高诊断效率;最后,建立了基于BP神经网络的故障诊断模型,为了进一步提高故障诊断精度,在采用免疫优化算法对BP神经网络故障诊断模型中的各参数即权值和阈值等进行优化的基础上,进一步采用BP反向传播算法进行参数调整,从而得到最终的故障诊断模型。通过飞机燃油系统故障诊断实例仿真实验证明了文中方法能较为精确地实现故障诊断,且与其它方法相比,具有较高的诊断精度和诊断效率,具有较大的优越性。     

基于粗糙集和神经网络的柱塞泵故障诊断

针对轴向柱塞泵故障机理的复杂性和故障信息的不确定性,提出了基于粗糙集与神经网络相结合的故障诊断方法,并详细阐述了基于粗糙集与神经网络的轴向柱塞泵故障诊断系统的设计步骤和实现技术。实验结果表明,该方法不仅能优化神经网络的拓扑结构,同时能有效提高轴向柱塞泵故障诊断的精度和效率。     

基于并行禁忌神经网络和DS证据的飞机燃油系统故障诊断

飞机燃油系统是一个由许多相互联系的子系统构成的复杂总体,因而易于发生各类故障,当故障发生时会造成严重影响,为此,设计了一种基于禁忌神经网络和DS证据的飞机燃油系统故障诊断方法;首先,建立了飞机燃油系统的故障诊断模型,然后,建立了3层的BP神经网络故障诊断模型,并采用禁忌优化算法对BP神经网络进行参数优化,得到多个并行诊断的禁忌神经网络,输入样本数据对其训练并利用BP反向传播算法再次调优;最后将测试样本数据输入各禁忌神经网络,并将诊断结果作为证据采用DS证据理论进行融合,得到最终的故障诊断结果;实验结果表明:引入DS证据理论的故障诊断方法能有效克服单一故障诊断方法无法精确诊断故障的不足,诊断精度高,具有较大的优越性。     

基于PSO优化BP神经网络的液压钻机故障诊断

液压钻机故障特征参数与故障状态之间呈现较强的非线性,依赖线性数学模型的故障诊断方法诊断正确率不高。针对上述问题,提出了一种基于粒子群算法(PSO)优化BP神经网络的液压钻机故障诊断方法。该方法利用BP神经网络提取特征参数之间的非线性关系,实现典型故障的分类识别;利用PSO优化BP神经网络的权值和阈值,提高网络训练的收敛速度。仿真结果表明,PSO优化的BP神经网络迭代次数少,收敛速度快。该方法能够对测试样本进行有效分类,故障诊断正确率高。     

基于改进型小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出了基于改进型小波神经网络的往复泵故障诊断方法。以往复泵单个泵缸内的压力信号作为系统特征信号通过小波包分解来提取故障特征向量,同时将此特征向量作为改进型神经网络的输入,利用改进型神经网络对故障做进一步的精确实时诊断。文中对小波神经网络采用的优化算法是：动量因子和学习率自适应调整相结合的梯度下降法,该方法可以提高学习速度并增加算法的可靠性。通过对往复泵液力端多故障诊断实例的检验表明,该系统故障诊断正确率达到了93％以上。     

基于集成信息融合的智能故障诊断系统设计

提出了基于集成信息融合技术的实时智能故障诊断系统结构.在对传统BP神经网络分析的基础上引入了聚类分析方法与遗传优化算法,有效降低了BP神经网络的训练难度并提高其训练精度.将遗传神经网络与自适应神经-模糊推理系统相集成用于特征级信息融合,既提高了诊断可靠性又充分利用了诊断知识;引入D-S证据理论进行决策级融合,有效地利用了各诊断单元的诊断结果.仿真测试结果表明,该故障诊断系统能迅速、准确、可靠的诊断出各种故障.     

神经网络在控制系统故障诊断中的应用研究

飞行控制系统的故障诊断是保证飞行安全的重要手段.研究飞控系统的安全问题,针对飞控系统的非线性和复杂性,采用传统解析方法不能识别飞控系统故障的非线性特征,导致故障诊断准确率低的难题.为了提高故障诊断准确率,提出一种RBF神经网络观测器的故障检测与诊断方法.利用神经网络的非线性建模能力,把飞控系统中输入和输出信号作为神经网络输入与输出,通过神经网络的在线学习,得到需要的参数估计,根据网络预测值和实际输出之差与设定故障阈值的大小比较来判断故障.最后针对实际飞机的作动器三种典型故障建立仿真模型,给出了仿真实现结果,并加以分析.仿真结果表明,方法的故障诊断能力及泛化性均强于传统的解析方法,在故障诊断中很有实用价值.     

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.     

神经网络和模糊系统在故障诊断中的应用

本文提出了一种神经网络和模糊系统相结合的分级式故障诊断方法。神经网络通过对部分测量数据的处理，实现系统的回路级故障诊断，输出各回路故障出现的可信度。模糊系统通过对神经网络得到的初步诊断结果和其他测量值的处理，实现系统的元件级故障诊断，并对最终诊断结果作出解释。该方法融合了神经网络自适应学习能力强和模糊系统知识表达明确的优点，简化了神经网络学习数据获取及模糊推理规则建立的过程。通过对热硝酸冷却系统故障诊断的仿真，证明了该故障诊断方法的有效性。     

人工鱼群算法的汽轮发电机故障诊断仿真研究

研究汽轮发电机故障准确诊断问题,由于汽轮发电机组故障特征与故障状态间呈现较强的非线性关系,传统的数学模型很难正确识别汽轮发电机的各种故障状态,诊断精度不高。RBF神经网络具有自学习、非线性处理等优,为了提高汽轮发电机故障诊断正确率,建立了一种人工鱼群优化RBF神经网络的汽轮发电机故障模型,充分利用人工鱼的聚群、追尾和觅食行为,对RBF神经网络的参数进行了优化,然后采用优化RBF神经网络对故障进行诊断。仿真结果表明,RBF神经网络可提高汽轮发电机故障诊断准确率。     

故障树模块化在装甲车辆灭火系统故障诊断中的应用

为了实现装甲装备灭火系统故障的快速诊断,提出了一种故障树模块化分析方法;对灭火系统故障树进行深度优先最左遍历,并记录遍历过程,按照遍历顺序对故障树中的每个事件进行标定,并将灭火系统故障树划分为相互独立的模块,依据划分的模块可以通过故障现象对模块内的故障进行排查及修复;实验结果分析表明,该方法可以快速修复模块故障,恢复系统功能,简化了以往对灭火系统所有子事件遍历查错的繁琐过程。该方法同样可以计算故障模块的失效概率,并可以实现故障模块的整体更换,恢复系统性能;证明了故障树模块化方法在灭火系统故障诊断中具有较高的效率,简化了灭火系统诊断流程,在装甲车辆其他系统故障诊断中具有借鉴作用,符合现代作战对于装备保障的需求。     

智能火灾两级报警与联动控制系统的设计

设计了一种基于AT89C55单片机的智能火灾两级报警与联动控制系统。此系统结合多种火灾因素探测器和运用模糊神经网络算法来提高报警的可靠性,采用两级报警和主控中心联动灭火的设计提高报警和自动灭火的及时性。分别说明了系统的硬件电路设计、系统的通讯方式和软件设计思想。这一设计可提高火灾报警系统的可靠性与及时性,减少误报率,提高系统的智能化程度。     

基于半动态拓扑优化算法的地铁车辆高压供电电路过流故障同步诊断方法

地铁车辆处于复杂的运行环境中,高压供电电路很容易发生过流故障,为迅速辨识过流故障类型,设计了一种基于半动态拓扑优化算法的地铁车辆高压供电电路过流故障同步诊断方法。应用半动态拓扑优化算法,构建模态坐标空间内高压供电电路的电流微分运动模型。结合粒子群算法与优化VDM分解方法,提取模型的过流故障特征。基于BP神经网络与遗传算法构建过流故障同步诊断模型,实现高压供电电路过流故障的同步诊断。案例测试结果表明,该方法对于变压器过流故障、变流器过流故障以及弓网接触不良故障的诊断都比较准确,特别是对于变压器与变流器的过流故障诊断十分准确。     

基于改进LLE的Elman神经网络电路故障诊断

如今的电路越来越复杂,随之而来的就是电路系统的高故障性,所以如何定位故障发生成为一大难题。文中基于提高故障诊断性能的目的,先采用一种改进的局部线性分析算法作为初始数据处理器对输出响应序列进行降维,提取故障特征向量,然后再通过OIF-Elman神经网络搭建故障分类器,对电路进行故障检测。仿真结果表明,将改进过的局部线性分析算法和OIF-Elman神经网络应用到故障诊断中,不仅具有比传统BP神经网络更精确的故障诊断正确率,且整个网络的收敛速度也会有明显提升。     

基于进化神经网络的模拟电路故障诊断

基于人工神经网络的智能故障诊断系统作为人工智能技术在模拟电路故障诊断领域的应用,在实践中取得了一定的成效.但由于容差和非线性特性使得模拟电路的故障诊断趋于复杂化,以及诊断系统中神经网络的拓扑结构难以确定,因此,针对上述局限,提出了模拟电路故障诊断的进化神经网络方法;文中详细的阐述了进化神经网络的构成方式,提出了把网络的结构和权值分级进化的方法,并在两级进化的过程中使用不同的适应度函数及改进的遗传算法.举例说明诊断系统的具体实现方法,仿真结果表明,在相同的精度要求下,该算法的训练时间远小于普通的进化神经网络,对模拟电路的故障诊断有一定的实际意义.     

自适应GA优化WNN的模拟电路软故障诊断方法*

在小波神经网络(WNN)的模拟电路故障诊断系统中,普遍采用的梯度下降算法在训练时易使网络陷入局部最优,而网络结构的冗余也会造成训练收敛方向偏离全局最优点,降低推广能力和增加误诊率。用自适应遗传算法优化WNN,以克服上述缺陷。采用该方法可简化小波神经网络的结构和优化参数,在滤波器电路的软故障识别中获得满意的效果。与常规的WNN故障诊断方法相比,有效地提高了故障诊断的效率和正确率。     

基于小波神经网络的模拟电路故障诊断

模拟电路故障诊断具有诊断特性复杂,故障字典建立耗时长等特性,用传统的方法很难得到最佳的诊断效果。本文采用小波神经网络对故障电路建模,基于该网络学习收敛快,对网络输入不太敏感的特点,实现故障诊断。     

基于小波神经网络的模拟电路故障诊断

模拟电路故障诊断具有诊断特性复杂，故障字典建立耗时长等特性，用传统的方法很难得到最佳的诊断效果。本文采用小波神经网络对故障电路建模，基于该网络学习收敛快，对网络输入不太敏感的特点，实现故障诊断。     

基于覆盖算法的模拟电路故障诊断方法

模拟电路故障诊断理论与方法的研究是目前热门的研究课题。针对传统神经网络内部结构难以确定、可理解性差、难以用硬件实现的问题,本文构建一种基于领域覆盖算法的模拟电路故障诊断方法,并针对领域覆盖算法构造的神经网络内部神经元个数过多,初始点选择随机的情况,提出领域搜索覆盖算法。最后通过对某一个带通滤波电路进行故障诊断,降低神经网络中神经元的个数,提高了该神经网络的泛化能力,故障诊断率也提高了9个百分点。验证了该方法的可行性。     

基于遗传优化的RBF-BP网络的实时故障检测

针对单一神经网络对复杂模型难以实时做出准确预测和BP神经网络自身的缺陷,结合RBF神经网络可以逼近任意函数的特性,提出了基于遗传优化的混合神经网络模型(RBF-BP)。由RBF网络和BP网络并联作为一个神经网络(简称为RBF-BP)的隐层,利用该网络对被控对象进行逼近训练、实时故障检测,该算法同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测。