基于神经网络预测器的传感器故障诊断

本文提出了一种基于神经网络时间序列预测器的传感器故障诊断方.法.通过神经网络对传感器输出时间序列建立神经网络预测模型,然后利用神经网络预测模型对传感器的预测输出和实际传感器输出之差,判断传感器是否发生故障.并利用神经网络动态跟踪特性进行在线故障诊断,辨识出了故障的大小特征.     

基于神经网络的汽车故障诊断分析

文章研究了一种基于BP神经网络的汽车故障诊断方法。通过分析BP神经网络模型,以汽车电气系统故障诊断为例,将故障作为神经网络的输出,利用BP神经网络预测模型对故障诊断进行模拟学习,最终确定故障具体原因。研究表明,该方法用于汽车故障诊断具有较高的可行性,可广泛推广。     

模糊神经网络在多传感器故障检测与诊断中的应用

构建一种前馈型模糊神经网络,并对网络结构作了进一步的改进,形成多输出模糊神经网络,减少了网络学习参量数目,压缩了规模,提高了训练效率,将其作为故障分类器,离线地从学习样本数据中提取各个用以描述传感器故障状态的模糊参考模型。通过模糊神经网络的不同输出值完成多传感器的故障诊断,通过对某燃汽轮机系统多传感器故障诊断的仿真,表明该方法的有效性。     

基于神经网络预测器的静压式油罐计量系统压力传感器的故障诊断

为使静压式油罐计量系统（ＨＴＧ）对压力传感器具有容错能力，提高系统可靠性，本文提出了一种基于神经网络预测器的ＨＴＧ系统压力传感器故障诊断方法。方法不但能判断出传感器是否发生故障，而且能判定出故障类型，从而重构数学模型 过程的连续进行。仿真结果了该方法的有效保性。     

基于改进蚁群神经网络的牵引逆变器故障诊断

牵引逆变器是各类地铁列车牵引传动系统的关键部件之一,在实际运行中其功率管极易发生各类故障。针对传统故障诊断方法无法准确识别相应的故障类型和故障部位的问题,基于改进蚁群神经网络对牵引逆变器功率管故障诊断方法进行了研究。通过提取牵引逆变器输出三相电压的频域故障特征作为神经网络的输入,以功率管的开路故障类型作为输出,采用改进蚁群算法训练神经网络的权值和阈值,对牵引逆变器的功率管开路故障进行了有效诊断。仿真和测试结果表明,改进蚁群算法神经网络具有较高的故障诊断准确性,收敛性好,可以快速有效地实现故障定位。     

基于小波变换的磁悬浮轴承冗余位移传感器故障诊断方法

对位移传感器进行故障诊断,采用冗余位移传感器技术,可有效的提升磁悬浮轴承系统的可靠性。针对磁悬浮轴承系统中交叉冗余方式的位移传感器,提出了一种结合硬件冗余和小波分析的磁悬浮轴承传感器故障诊断方法。通过冗余传感器输出值间的数值关系来初步判断系统中是否存在故障传感器,结合传感器输出值经小波变换后的信号中的局部极大值来进一步识别已故障了的传感器,并判断故障类型。基于MATLAB的仿真模型进行了仿真分析。仿真结果表明,提出的方法不仅能有效地识别故障传感器,判断传感器的故障类型,还能为磁悬浮轴承传感器容错控制提供基础。     

基于神经网络的汽车防抱死系统故障模式识别

汽车故障诊断需要采集汽车各系统动态信号,对采集信息进行分析处理,确认其是否属异常表现,预测故障发展趋势。提出了一种采用BP神经网络获得对ABS故障模式识别预测的方法,采用BP算法对故障样本进行分类,通过对故障实例的训练和学习,提高了ABS执行器与传感器发生故障时的行为模式识别与诊断的能力。仿真结果表明了该方法的有效性。     

基于SOM神经网络的柴油机故障诊断

利用神经网络的非线性映射及其高度的自组织和自学习能力,将SOM网络应用于柴油机的故障诊断.利用夹持式传感器获得柴油机喷射系统的燃油压力波形,对波形进行时域分析和特征提取.根据所取得故障信息及其对应的故障类型来构造网络结构,用单一故障样本对网络进行训练,根据输出神经元在输出层的位置对故障进行判断.通过仿真实验验证SOM神经网络在柴油机故障诊断的正确性.经实例分析证明,该方法可对故障进行有效诊断.     

热力参数的KPCA-RBF网络建模及传感器故障诊断方法

针对复杂恶劣环境下机组热力参数的数据监测及传感器故障诊断问题,建立了融合机理分析、核主元分析(kernel principle component analysis,简称KPCA)与径向基神经网络(radial basis function,简称RBF)的发电机组热力参数预测及传感器故障检测模型。首先,根据机理分析得到完备的辅助变量集,并利用核主元分析提取辅助变量的特征信息以有效处理发电机组中高维、强耦合的非线性数据;其次,将主元变量集输入径向基神经网络进行学习,实现热力参数的重构;最后,基于预测模型与窗口移动法实现传感器的故障诊断,并对故障数据进行及时修复和准确替换。以燃气轮机排气温度为例进行验证的结果表明,该预测模型具有更高的精度和泛化能力,能在传感器故障发生初期及时发现并识别故障类型,检测效果优良。     

基于HPSO-RBF神经网络的瓦斯传感器故障诊断

针对瓦斯传感器常见故障,提出一种混合粒子群优化(HPSO)算法与径向基函数(RBF)神经网络相结合的传感器故障诊断新方法。文中首先采用HPSO算法对RBF神经网络模型参数进行了优化,在详细分析瓦斯浓度影响因素的基础上,建立了瓦斯浓度非线性预测模型。然后将瓦斯浓度预测结果与实际测量值相比较得到残差,并分析残差的变化趋势,从而实现对瓦斯传感器的故障诊断。实验结果表明,HPSO-RBF模型具有较高的预测精度,能够有效地诊断瓦斯传感器的故障状态。     

传感器数据证实技术应用研究

传感器技术是现代测试和控制技术的灵魂 ,传感器输出信号的质量关系到整个系统性能的好坏程度。传感器数据证实技术是测控领域中的关键技术之一 ,文中提出了基于神经网络预测器的传感器数据证实技术。首先利用神经网络对传感器输出的时间序列建立预测模型 ,然后利用该模型预测出传感器输出值 ,并用该值与传感器实际输出值之差判断传感器实际输出的可靠性和有效性 ,进而减小不同环境噪声对传感器输出数据的影响。同时 ,为了实现在线应用 ,采用了遗传算法对神经网络的优化技术。实践表明 :文中提出的基于神经网络的传感器数据证实技术对缓变信号和快变信号都有很好的效果     

基于神经网络预测器和MATLAB的传感器数据验证方法的研究

介绍一种基于神经网络时间序列预测器的传感器数据验证方法。通过神经网络时间序列预测器获得传感器输出的预测值,并与传感器的实际输出数据进行比较,然后依据一定的判定规则,确定传感器数据的有效性和可靠性。最后,在MATLAB软件平台上,利用某热电厂的温度数据对该算法进行了仿真。仿真结果表明,这种数据验证方法的最大预测误差为5.5352℃,未超过设定的阈值,因此该方法是切实可行的。     

基于最小二乘支持向量机预测器的传感器故障检测与数据恢复

本文介绍了最小二乘支持向量机（LS-SVM）回归的基本原理，提出了一种基于LS-SVM回归的时间序列预测器，并将其用于传感器的故障检测和数据恢复。论述了LS-SVM预测器的实现方法和步骤，并且将其应用于压力传感器的故障检测和数据恢复，同线性神经网络预测器、RBF神经网络预测器和BP神经网络预测器的比较结果表明，LS-SVM预测器具有更高的预测精度，更好的外推能力，计算效率最高，因此，LS-SVM预测器是传感器故障检测和短期数据恢复的一种有效方法。     

基于催化传感器可燃混合气体智能分析系统

可燃性气体分析对于工矿安全的监测具有重要的意义。文中介绍了一种基于催化传感器和人工神经网络分析的、以Atmege8单片机为核心的混合可燃性气体智能分析系统。它根据催化传感器在不同温度对不同气体具有不同灵敏度的特点，通过自动调整传感器的工作温度，输出不同的信号，再通过神经网络的训练和信号处理，对多种可燃气体进行分析。实验表明，该系统能够较准确地实现多种混合可燃气体的检测。     

Winner take all experts network for sensor validation

The validation of sensor measurements has become an integral part of the operation and control of modern industrial equipment. The sensor under harsh environment must be shown to consistently provide the correct measurements. Analysis of the validation hardware or software should trigger an alarm when the sensor signals deviate appreciably from the correct values. Neural network based models can be used to on-line estimate critical sensor values when neighboring sensor measurements are used as inputs. The underlying assumption is that the neighboring sensors share an analytical relationship. The discrepancy between the measured and predicted sensor values may then be used as an indicator for sensor health. The proposed Winner Take All Experts (WTAE) network based on a 'divide and conquer' strategy significantly reduces the computational time required to train the neural network. It employs a growing fuzzy clustering algorithm to divide a complicated problem into a series of simpler sub-problems and assigns an expert to each of them locally. After the sensor approximation, the outputs from the estimator and the real sensor readings are compared both in the time domain and the frequency domain. Three fault indicators are used to provide analytical redundancy to detect the sensor failure. In the decision stage, the intersection of three fuzzy sets accomplishes a decision level fusion, which indicates the confidence level of the sensor health. Two data sets, the Spectra Quest Machinery Fault Simulator data set and the Westland vibration data set, were used in simulations to demonstrate the performance of the proposed WTAE network. The simulation results show the proposed WTAE is competitive with or even superior to the existing approaches.     

基于分布式多子网神经网络的多组分混合气体识别

目前采用神经网络技术进行多组分混合气体浓度识别时通常存在着识别精度差、识别范围小等问题。为此本文首次提出一种新的神经网络结构：分布式多子网络神经网络。该网络包含多个子网和一个总网。工作时通过总网的分解处理将一复杂任务自动分解成多个子任务,并交由相应的子网处理。这种多子网、分而治之的特点大大提高了网络的学习速度和泛化能力。特征其用于多组分混合气体的识别中,大大提高了混合气体的识别效果和可积识别范围。文章最后给出了模拟实验结果。     

纸浆浓度传感器非线性估计和动态标定的一种新方法

本文提出了一种基于人工神经网络的纸浆浓度传感器非线性估计和动态标定新方法。该方法用４次幂级数多项式拟合浓度传感器的非线性模型，多项式的系数可由神经网络学习算法得到。当环境条件发生变化时，只要给出几组测量数据对，该方法可自动重新训练网络，获得新的多项式系数，实现传感器的在线动态标定     

二维位置敏感器件背景光消除的神经网络方法

位置敏感器件 (position sensitive detectors,简称 PSD)是一种可直接对其光敏面上光斑位置进行检测的光电器件 ,常用于非接触高精度动态位移监测。 PSD器件使用中的一个关键问题是如何克服背景光的干扰 ,以提高检测的精度和可靠性。根据 PSD的原理及特征方程 ,分析了存在背景光时 PSD输出信号是非线性的。提出一种基于神经网络的 PSD背景光非线性修正方法。利用神经网络具有逼近任意非线性函数的特点 ,通过训练使神经网络建立在不同背景光下 PSD输出与其标准值之间的非线性映射关系 ,实现 PSD全程跟踪补偿。计算机仿真表明 ,该方法能有效地消除背景光的影响     

基于小波--神经网络模拟电路故障诊断方法的研究

对模拟电路提出了一种基于小波神经网络的故障诊断方法 ,该法用小波变换作为故障信号的预处理器 ,大大地减少了神经网络的输入数目 ,从而简化了神经网络的结构和减少了它的训练时间 ,并提高了辨识故障类别的能力。在简介该法故障诊断的基本原理后对实例电路进行了故障划类 ,小波函数及故障特征选择 ,给出了计算故障类别特征的仿真编程及故障类别的识别方法