一种基于粒子群神经网络的容差模拟电路故障诊断方法

为了诊断模拟电路中的故障,在粒子群算法和BP神经网络的基础上,本文提出了一种动态加速常数协同惯性权重的粒子群算法和动量及自适应学习率的BP算法的混合算法训练神经网络权值,使得动态加速常数协同惯性权重的粒子群算法与动量及自适应学习率的BP算法相互补充,提高网络性能,克服了传统BP算法收敛速度不快的缺点。通过对容差模拟电路硬故障的诊断,表明该算法提高了网络的学习速度,能够实现对容差模拟电路硬故障的诊断。     

基于退火BP神经网络的模拟电路故障诊断方法

针对BP神经网络在模拟电路故障诊断中存在的固有缺陷,提出模拟退火(simulated annealing,SA)算法与BP算法相结合的神经网络故障诊断方法,发挥SA算法全局寻优的特点来优化BP神经网络的学习过程,避免网络训练收敛速度慢和陷入局部极小;应用MATLAB编写程序对一典型模拟电路的仿真故障样本进行训练,在其它初始条件都相同的情况下,基于提出的算法神经网络比传统BP算法神经网络训练收敛速度快且诊断精度高,是一种新的有效的模拟电路故障诊断方法。     

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。     

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.     

BP神经网络和Elman神经网络在模拟电路故障诊断中的应用

通过分析BP神经网络和Elman神经网络的基本结构和算法,研究了基于神经网络的模拟电路故障诊断方法,并通过仿真实验对比分析了BP神经网络和Elman神经网络的诊断能力。结果表明,BP神经网络的收敛速度相对较慢、训练时间长;Elman神经网络的结构参数调整简单、训练时间短、性能稳定,更适合存在容差、非线性等问题的模拟电路故障诊断。     

基于小波-神经网络的电路故障诊断方法的研究

介绍了一种模拟电路的智能故障诊断方法,通过研究小波算法进行故障特征提取,将其输入到BP神经网络中进行学习和训练,训练后的神经网络能有效的识别电路故障。     

基于多级BP神经网络的无线电罗盘多故障诊断研究

为了快速准确诊断出无线电罗盘多故障模块,针对诊断过程中的过拟合现象提出了基于提前停止法的学习率可变BP算法,并运用多级BP神经网络诊断思想,得出基于多级BP神经网络的多故障诊断方法;文中根据多级BP神经网络的多故障诊断方法,对具体的机载无线电罗盘测向电路建模仿真,将复杂的无线电罗盘电路分解为3个子网络,并对每个子网络建立合适的故障集,按顺序依次诊断得出无线电罗盘电路中的故障模块;此方法可快速准确定位电路中的多处故障模块,准确率较高且缩短了诊断时间.     

基于深度学习的模拟电路故障诊断算法

针对模拟电路易发生故障且不易诊断的问题,提出了一种基于深度学习的模拟电路故障诊断算法。该算法首先将采样的原始数据制作成语音形式,然后通过时频域变化转化为语谱图,最后再将其送入VGG16模型中进行训练与测试。实验结果表明,该算法用于模拟电路故障诊断时能够识别的故障种类达到9种,同时准确度达到了100%,具有很强的电路故障诊断能力。     

基于概率神经网络的容差电路故障诊断

容差模拟电路故障的多样性使得神经网络训练样本数量增加,BP网络结构趋于复杂,训练速度降低.针对反向传播神经网络(BPNN)学习收敛速度慢、易陷入局部极小值等问题,提出了基于概率神经网络(PNN)的容差模拟电路故障诊断方法,与传统的BP网络模型相比,该方法具有训练时间短且不易收敛到局部最小的优点.仿真实验表明:诊断过程快速,结果准确而且对软故障也有较高的识别能力.     

BP神经网络在雷达故障诊断中的应用研究

对雷达混合电路故障诊断问题进行了研究,针对传统雷达故障诊断中的“自适应差”,“过分依赖故障数学模型”的缺陷。采用了一种故障诊断表示模型,提出将专家系统与神经网络相结合的诊断方法,避免了在实际中雷达电路难以建立精确的数学模型的问题。利用人工神经网络理论为其建立了BP神经故障诊断网络,增加了雷达电路故障诊断系统的“自适应性”。进而给出了网络训练算法和诊断步骤,最后给出了在某型雷达设备上仿真调试诊断的实例。     

多层前向神经网络在柴油机故障诊断系统中的应用研究

故障诊断是计算机模式识别领域的一个活跃课题。文中提出了基于ANN的柴油机故障诊断方法,设计了适合该诊断系统的BP网络结构,并给出了一种改进的BP算法(IBP),该算法基于黄金分割法自适应调整网络学习速率。仿真结果表明:该算法比标准BP算法具有更快的学习速度和更高的学习精度,完全适用于柴油机故障诊断系统。     

基于支持向量机的机械故障智能分类研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一，支持向量机（SVM)是一种基于统计学习理论(SLT)的机器学习算法，它能在训练样本很少的情况下达到很好的分类效果，从而为故障诊断技术向智能化发展提供了新的途径．本文介绍了支持向量机分类算法，以滚动轴承的故障分类为例，探讨了该算法在故障诊断领域中的应用，并与BP神经网络分类方法进行了对比研究，结果表明，SVM方法在少样本情况下的分类效果优于BP神经网络分类方法．     

基于T-S模糊神经网络的抽油机井故障诊断

针对油田抽油机井故障的特点,提出了基于T-S模糊神经网络的抽油机井故障诊断方法。即将神经网络的学习能力引入到模糊系统中,将模糊系统的模糊化处理、模糊推理、精确化计算通过分布式的神经网络来表示,从而提高系统的学习能力和表达能力。提出了基于LM优化的BP算法以提高网络收敛速度,利用MATLAB神经网络工具箱建立模糊神经网络诊断模型,经仿真测试表明,所提出的故障诊断方法能有效地对抽油机故障识别,正确率较高、效果较稳定,可提高网络训练及诊断速度。     

一种遗传BP网络及其在故障诊断中的应用

针对旋转机械故障自动诊断问题及传统BP网络和遗传算法在进行故障诊断时所存在的缺点,提出了一种改进的遗传BP网络方法,该方法首先利用改进的遗传算法进行粗精度的学习以达到选取初值的效果,然后采用改进的BP算法完成对给定精度的网络学习,建立的网络学习收敛速度快且易于实现。仿真实验证明了该方法对旋转机械故障诊断问题具有良好的适应性。     

改进的遗传BP网络在旋转机械故障诊断中的应用

针对旋转机械故障的复杂性和相关性,本文采取改进的遗传BP网络算法进行诊断.首先利用遗传算法对BP网络的初始权值和偏置值进行优化,然后采取改变学习速度的方法对BP算法进行了改进,很好地解决了传统BP算法的学习收敛速度慢和产生局部极小的问题.通过样本训练和故障诊断分析,该算法在速度和精度上都有很大的提高.     

基于BP神经网络和支持向量机的电机故障诊断系统

故障诊断是计算机模式识别领域的一个活跃课题。文中提出一种基于BP神经网络和支持向量机（SVM）的电机故障诊断方法，设计了适合该诊断系统的网络结构。仿真结果表明：该网络结构比BP算法具有更快的学习速度和更高的学习精度，完全适用于电机故障诊断系统。     

故障诊断专家系统的知识网络设计

该文针对识别与分类两种故障诊断模型，提出了一种知识网络的结构设计方法，并给出了详细的推理算法与故障判决算法.此种知识网络通过消息传递来实现不精确推理，具有分布式特性.该文还提出了网络结点判决函数的机器学习算法，采用卷包裹算法来实现判决函数边界点集的选取，减少了曲线拟合的计算量.     

基于神经网络的柴油机故障诊断方法

提出了一种基于三层BP网络的柴油机故障诊断模型，给出了一种基于黄金分割法的变步长学习算法。仿真结果表明，该算法比标准BP算法具有更快的学习速度，完全适用于柴油机故障诊断系统。     

信息融合技术在变压器油气识别故障诊断中的研究

变压器故障分为放电性故障和过热性故障两大类别,它们均会在变压器油中有所反映。本文通过对变压器油中主要气体的分析,判断变压器的故障类型。具体方法是:利用改进算法的BP网络和信息融合技术,以变压器油中五种主要特征气体作为神经网络的输入,以六种变压器状态作为相应的输出,通过加入动量因子,可以提高学习率系数,充分发挥改进算法的BP网络具有自适应学习能力的优势。仿真测试结果表明,本方法能够在较大范围内准确有效地进行变压器的故障诊断。