过程神经网络的训练及其应用

研究过程神经网络的学习算法及其在过程模式识别中的应用。针对权值基展开的过程神经网络讨论了权值基的选取规则和对采样曲线的标准化处理问题，给出了含一个隐层的过程神经网络的误差反传播学习算法。以聚合化学反应和渗流实验两个具体实例验证了算法的有效性，也说明了过程神经网络的广泛应用前景。  

基于EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode function，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析，由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。  

基于神经网络的结构动力模型修改和破损诊断研究

提出了一种基于神经网络的结构动力模型修改和破损诊断方法，讨论并解决了该法实施中的若干技术问题，如神经网络的拓扑结构的快速算法，结构模态特性的量化比较，结构破损特征信息的提取和处理，计算结果精度的提高等等。  

基于神经网络的智能诊断

人工智能与诊断理论的结合形成了智能诊断，早期发展的模拟人脑思维推理的、基于知识的专家系统以串行运行的格式进入设备诊断领域，形成了基于知识的诊断推理专家系统，国内外已有许多成熟的商品化软件系统。近几年新发展起来的人工智能的一个分支－－人工神经网络模仿人脑物理结构以其强大的并行运算和联想能力非常适合于设备诊断中状态识别，本单位研制的通用型神经网络智能诊断系统，已达到商品化水平，并已在生产线上运行。  

利用模态试验参数识别结构损伤的神经网络法

利用结构位移模态试验和应变模态试验参数和神经网络方法对结构损伤定位和定量辨识问题进行了研究。为获得对结构损伤更加敏感的结构损伤识别指标，在分析现有识别指标的基础上，提出了用于神经网络方法的六种基于结构模态试验参数的损伤识别指标，并对它们进行了实例识别和比较研究。它们均能对结构的损伤进行预报，其中应变类型的损伤识别指标对结构损伤的敏感度比位移类型的损伤识别指标高。  

人工神经网络和机械故障诊断

智能化诊断是现代故障诊断技术发展的主要趋势,人工神经网络技术的出现为这种智能化提供了一个全新的途径。本文首先简单介绍了人工神经网络的基本性能及几个重要模型,着重探讨了人工神经网络技术在机械故障诊断领域中预测与控制、工况监测与故障分类诊断、模糊诊断和基于专家系统的故障诊断等几个主要方面的应用,指出人工神经网络技术与现有的信号处理、模式识别、模糊逻辑、专家系统等技术相结合,以解决故障信号分析与处理、故障模式识别以及故障论域专家知识的组织和推理等问题,必将加快智能化诊断发展的进程。可以预料:基于人工神经网络的故障诊断技术将具有广阔的发展与应用前景,并且随着VLsI 技术的发展,这一新技术必将广泛地应用于各种诊断实例。最后讨论了进一步值得研究的方向。  

基于双谱的齿轮故障特征提取与识别

在引入双谱、双相干谱和人工神经网络的基本理论之后，深入研究了汽车变速箱齿轮振动信号的双谱和双相干谱特征以及频率间的耦合情况，形成故障特征向量，并利用BP人工神经网络，成功地将齿轮正常信号、磨损信号和断齿信号进行了分类。研究表明，对于齿轮振动信号，双谱比双相干谱更利于故障特征提取，不同状态下的齿轮振动信号中均存在二次相位耦合现象，但是耦合的形式不同，同时也表明，基于双谱和人工神经网络的故障诊断方法是有效的。  

工程结构裂纹损伤振动诊断的发展现状和展望

本文综述了基于工程结构裂纹的振动诊断方法，介绍了国内外一些工程结构损伤诊断的研究成果，依据不同的损伤识别参数对裂纹损伤方法进行了介绍，并将船舶与海洋工程结构中的裂纹振动诊断进行了展望。  

旋转机械振动故障诊断理论与技术进展综述

非线性理论、信号处理、知识工程和计算智能等学科的发展，丰富了故障诊断的内容。总结了旋转机械故障机理、征兆提取和诊断推理等方面的一些进展情况。  

提高传感器精度的神经网络方法

为使较低精度传感器获得较高精度 ,以提高传感器的性能价格比。本文提出人工神经网络提高传感器精度的新方法。该神经网络可以看成是一个可以滤去传感器信号噪声的非线性滤波器。实际使用证明 ,该方法不仅提高了传感器的精度 ,而且 ,由于可以对神经网络进行在线修正 ,所以极大地提高了传感器的环境适应性。