基于自组织神经网络的发动机在线品质检测方法研究

在分析自组织神经网络的拓扑结构和学习算法的基础上,提出了将SOM自组织神经网络应用于发动机装配在线品质检测的方法,建立了输入层为6个神经元、输出层为36个神经元的发动机装配品质在线检测SOM模型,确立了用典型的品质样本进行训练并根据输出神经元在输出层的位置对发动机的装配品质进行判断的策略.实例分析证明,该方法可以有效地对发动机的装配品质进行检测.     

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.     

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...     

SOM神经网络在旋转机械故障诊断中的应用

研究和分析了自组织映射(SOM)神经网络的结构和算法,把SOM网络应用在旋转机械故障诊断中,利用振动传感器拾取振动信号,通过对时域、频域的分析来提取特征.通过对输入样本的"聚类",实现对故障的自动分类.这种故障的分类通过MATLAB更容易实现可视化的界面.仿真结果表明该方法可以对故障进行有效、准确地诊断,从而为旋转机械的故障诊断提供了一种新的途径.     

制造装备智能优选及快速的设计方法

针对企业在制造装备选择效率低、现有数据利用不足的问题.本文提出了一种改进的自组织特征映射(SOM)神经网络联合模糊近似优先比的方法.基于数据挖掘技术,对制造装备优选数据预处理方法开展了研究,改进了SOM神经网络中欧氏距离计算方法,引入贡献率对历史方案数据进行加权处理,构建了多特征数据的融合模型,联合了模糊近似优先比方法对多方案进行相似性度量,获得了最优设备参数信息,通过二次开发技术实现了产品的快速设计.以制麦生产线输送设备为例,验证了该方法的可行性和有效性.     

三相SPWM逆变器的智能故障诊断研究

针对三相SPWM逆变器的故障,提出一种基于SOM神经网络的诊断模型。SOM神经网络具有无监督自学习,诊断结果简单、直观的特点。采用小波变换的多分辨率方法来提取和分析故障信号,提取需要的故障向量,将故障向量作为SOM神经网络的输入,来进行训练和检测。通过仿真结果对比,验证所提出的这种方法是可行的且具有较好的诊断能力。     

基于自组织神经网络的滚动轴承状态评估方法

针对单一特征在进行故障诊断时准确率不高的问题,提出了一种基于自组织神经网络（SOM）的滚动轴承状态评估方法。该方法首先从原始振动信号中提取出多特征数据,运用主成分分析（PCA）方法对多特征数据进行预处理,采用SOM进行网络训练,构建多特征数据的融合模型,输出竞争神经元层的权值矢量;然后,计算每一个样本到竞争神经元层权值矢量的最小欧氏距离,输出最终的融合指标;最后,通过比较待检测样本与正常样本的最小欧氏距离的差异来判断轴承的状态。将该方法应用于滚动轴承状态评估,试验结果表明：融合指标比单一指标对早期故障更加敏感、更加稳健;同时,融合指标能够定量地描述轴承状态的劣化过程。     

钢铁企业客户评价指标体系与分类方法研究

为了对客户资源进行评价、分类和有效管理,建立了面向钢铁企业直接客户的客户价值评价指标体系.针对自组织映射神经网络聚类算法在权值初始化方面的不足,提出了一种基于K-means改进的自组织映射的聚类算法.运用层次分析法和基于K-means改进的自组织映射聚类算法,设计了一套客户分类方法.通过对可能出现的客户类型进行分析,提出了相应的客户关系发展建议.最后通过应用实例,验证了该评价指标体系和分类方法的可行性和有效性.     

人工嗅觉系统设计初步

采用纳米薄膜气体传感器构成传感器阵列，采用分压式取样电路测量传感器在气氛中电阻的响应曲线。提出“气味谱”的概念，用误差反传神经网络和自组织特征映射神经网络(SOM)进行学习训练和识别，结果表明SOM网络更接近于人类对气味的认知过程，是人工嗅觉系统较为理想的算法。玻璃基片等离子溅射镀膜方法是制造人工嗅觉所需的大规模气体传感器阵列的有效方法。     

基于改进PCA-SOM的电静压伺服作动器油滤堵塞故障诊断

针对电静压伺服作动器（EHA）的油滤堵塞故障，提出利用可调式球头油堵预置不同程度的油滤堵塞工况进行数据采集，并在传统自组织映射神经网络(SOM）的基础上，引入主成分分析（PCA）法，利用各元主成分贡献率对神经元竞争域值各维系数进行修订，提出了改进PCA-SOM神经网络对系统堵塞状态进行判识。研究结果表明，与传统SOM神经网络和PCA-SOM神经网络相比，改进PCA-SOM神经网络在提高聚类效果的同时，提高了模型的准确率和训练速度，在EHA的油滤堵塞故障诊断中有更好的适用性。     

基于GA-BP的汽车风振噪声声品质预测模型

目前对于汽车风振噪声的优化研究主要以声压级（Sound pressure level，SPL）作为单一评价指标，既不能全面反映噪声的物理属性，也无法考虑人耳对噪声的主观认知过程。为准确评价风振噪声，引入声品质，运用大涡模拟（Large eddy simulation，LES）对风振噪声进行数值仿真，根据实车道路试验判断仿真的准确性；对仿真结果进行声品质客观评价与主观评价，综合声品质客观评价参数与声品质主观评价试验结果建立BP神经网络预测模型；利用遗传算法（Genetic algorithm，GA），进一步对BP神经网络的结构参数进行优化，建立GA-BP声品质预测模型。研究结果表明，GA-BP声品质预测模型在训练速度和预测精度上都优于BP神经网络预测模型。预测模型基于声品质主客观评价结果，其预测值可以代替传统的声压级评价指标，为风振噪声提供更为准确合理的评价。     

基于改进的可拓神经网络的人防工程空气质量评估方法的研究

使用可拓神经网络构建人防工程空气质量评估模型,在考虑空气污染因素较多时,训练可拓神经网络的过程运算量大、收敛困难。针对这种情况,引入灰色关联聚类理论,综合考虑空气污染物之间的内在联系,提出了基于灰色关联聚类性能优化的可拓神经网络空气质量评估方法。首先,使用灰色关联聚类方法计算空气污染物之间的相关度,并进行聚类分析。然后,针对空气污染物聚类后的结果再利用可拓神经网络空气质量评估模型对人防工程空气质量进行评估。最后,对优化后的模型进行验证分析,结果表明使用灰色关联聚类对空气污染物进行聚类分析,再利用可拓神经网络对人防工程空气质量进行评估,能够保证在运算结果不失真的同时提升可拓神经网络的运算效率,为人防工程空气质量评估提供了一种新的思路。     

神经网络在非石棉垫片分类中的研究

提出运用神经网络的分类方法来对已知的15种非石棉垫片的配方数据进行分类。分别运用神经网络中的PNN,LVQ和SOM神经网络对其进行分类。结果表明,PNN神经网络和LVQ神经网络在所提供的数据中均能进行有效的分类,而SOM的分类结果则不太理想。     

Quantitative identification of illicit drugs by using SOM neural networks

Qualitative identification of THz spectra of illicit drugs using self-organization feature map (SOM) artificial neural network has been demonstrated. In this paper, investigation results show that SOM has quantitatively identified drug mixtures successfully. Based on Beer’s law THz spectra data of various drug proportions were made for training dates. After analyzing the clustering algorithm of SOM, we introduced a parameter named shortest distance as a quantitative criterion for identification result. By this parameter, an automatic recognition algorithm has been developed and successfully applied to the content identification of experimental samples. Combined with our previous work, the SOM neural network can be an integrated and effective method in the identification the THz spectra of illicit drugs.     

Gear fault identification based on Hilbert–Huang transform and SOM neural network

Gear vibration signals always display non-stationary behavior. HHT (Hilbert–Huang transform) is a method for adaptive analysis of non-linear and non-stationary signals, but it can only distinguish conspicuous faults. SOM (self-organizing feature map) neural network is a network learning with no instructors which has self-adaptive and self-learning features and can compensate for the disadvantage of HHT. This paper proposed a new gear fault identification method based on HHT and SOM neural network. Firstly, the frequency families of gear vibration signals were separated effectively by EMD (empirical mode decomposition). Then Hilbert spectrum and Hilbert marginal spectrum were obtained by Hilbert transform of IMFs (intrinsic mode functions). The amplitude changes of gear vibration signals along with time and frequency had been displayed respectively. After HHT, the energy percentage of the first six IMFs were chosen as input vectors of SOM neural network for fault classification. The analysis results showed that the fault features of these signals can be accurately extracted and distinguished with the proposed approach.     

基于KPCA-SOM网络的列控RBC系统故障诊断方法

无线闭塞中心(RBC)系统是CTCS-3级列控系统的核心设备,在现场其故障分析主要依靠人工完成,诊断结果不精确、效率低。因此,提出了基于one-hot模型、核主元分析(KPCA)和自组织映射(SOM)网络的RBC系统智能故障诊断方法。首先,通过人工选取的故障特征词库和故障追踪记录表构建基于“one-hot”模型的故障文档矩阵;其次,利用核主元分析方法对故障文档矩阵进行降维降噪处理,避免信息冗余;最后将处理后的数据输入至SOM网络,训练生成KPCA-SOM故障分类模型。通过与BP神经网络算法、SOM网络算法比对分析,KPCA-SOM智能诊断方法可有效地对列控RBC系统常见故障类型进行区分,并且在准确率和处理效率上进一步优化提升。     

In-situ neural network process controller for copper chemical mechanical polishing

Process control is one of the key methods to improve manufacturing quality. This research proposes a neural network based run-to-run process control scheme that is adaptive to the time-varying environment. Two multilayer feedforward neural networks are implemented to conduct the process control and system identification duties. The controller neural network equips the control system with more capability in handling complicated nonlinear processes. With the system information provided by this neural network, batch polishing time (T) an additional control variable, can be implemented along with the commonly used down force (p) and relative speed between the plashing pad and the plashed wafer (v). Computer simulations and experiments on copper chemical mechanical polishing processes illustrate that in drafting suppression and environmental changing adaptation that the proposed neural network based run-to-run controller (NNRTRC) performs better than the double exponentially weighted moving average (d-EWMA) approach. It is also suggested that the proposed approach can be further implemented as both an end-point detector and a pad-conditioning sensor.     

基于SOM神经网络的风机故障诊断研究

应用自组织特征映射（SOM）神经网络实现风机的故障诊断。介绍了SOM网络的结构和学习算法;总结了风机的故障集、征兆集和故障特征数据。在MATLAB环境下给出了风机故障诊断的具体实例,表明该方法是一种可行有效的风机故障诊断方法。     

基于HHT与GA-BP网络的离心通风机故障诊断

结合HHT同GA-BP神经网络的优点,提出了将二者结合用于风机故障诊断的新方法,并且应用最新提出的方法改进HHT(希尔伯特-黄变换),使其应用更为有效。利用HHT构造出代表振动信号特征的"能-频分布";根据GA-BP网络模型能够逼近任意非线性函数和具有高效寻找全局最优的特点作为特征分类器,进行故障诊断。风机故障诊断结果表明,该方法是可行有效的。