几种改进BP算法在电机故障诊断中的分析比较

近年来,人工神经网络以其独特的容错、联想、推测、记忆、自适应和处理复杂的多模式等优点,在许多学科中掀起了研究热潮,同样在故障诊断领域,其发展前景也十分乐观,它作为一种自适应的模式识别技术,并不需要预先给出有关模式的经验知识和判断函数,对于特定问题建立的神经网络故障诊断系统,可以从输入数据（故障症状）直接推出输出数据（故障原因）,从而实现故障的检测与诊断。但是传统的BP算法存在一些缺陷。所以采用一些改进的BP算法,把它们用于电机的故障诊断,通过实验对这些改进算法的分析比较,得出其中较合适的算法。这样不仅能发挥神经网络的泛化映射能力而且诊断速度也有提高,有较强的学习能力。     

基于BP网络的雷达故障诊断

针对传统故障诊断技术的局限性,探讨了基于BP神经网络的故障诊断方法,并结合雷达系统故障诊断的特点,建立了基于神经网络的雷达故障诊断系统。系统在Windows环境下,使用面向对象程序设计,使故障诊断智能化、简单化。实验表明,该系统提高了故障诊断的效率。     

基于改进BP神经网络的模拟电路故障诊断

针对BP神经网络存在的固有缺陷:收敛速度慢,容易陷入局部极小,文中对所建BP网络的学习算法进行了改进,采用附加动量项和自适应调整学习率的BP算法对网络进行训练,替代标准BP算法中的梯度下降法寻找最优网络连接权值.仿真实验证明,这种学习算法提高了BP网络的学习效率及稳定性,大大提高了网络的收敛速度,更好地实现了对模拟电路...     

基于BP网络的数字电路多故障诊断研究

为了更有效地对数字电路进行多故障诊断,提出了一种利用电路的故障真值表来表征电路在有故障和无故障状态下的特征信息来对电路进行故障诊断的新方法。该方法使用BP型神经网络,运用误差反向传播算法,把从电路中提取的有效特征信息作为样本对网络反复训练,从而实现用单故障对多故障进行诊断的目的。实验表明该方法可以有效、方便地实现电路的故障检测和定位,为多故障诊断的研究提供了一种新思路。     

BP网络改进及在电路故障诊断中的应用

本文根据ＢＰ神经网络的特点和性能以及电路故障诊断的要求，提出了一种利用ＢＰ神经网络对电路进行故障诊断的方法。该方法应用自行改进的ＢＰ抑经网络，建立了故障识别系统，并对模拟电路故障诊断进行了实例实现，计算机仿真结果良好。     

基于BP网络和D-S证据理论的齿轮箱故障诊断

为避免故障诊断中单一信息的固有缺陷,提高诊断精度,将改进的BP神经网络和D-S证据理论相结合,针对齿轮箱的3个测点,采用改进BP神经网络进行独立的局部故障诊断,以及采用D-S证据理论规则,将3个测点的神经网络输出结果进行融合,得到整个齿轮箱的故障诊断结果。通过分析可以看出,融合后的诊断结果更加精确,信任度更高。     

BP神经网络在无人机飞控系统故障诊断中的应用

某型无人机飞控系统结构的复杂性使得它的故障形式与故障特征的关系呈非线性的映射关系,用传统的信号处理方法不易提取故障特征,给故障诊断带来很大困难。在分析BP神经网络的结构及其算法的基础上,构建了基于BP神经网络的故障诊断系统,用于某型无人机飞控系统的故障诊断,仿真结果表明优化后的BP算法能够用于故障诊断。     

BP网络训练法在传感器数据融合方面的应用

通常传感器都存在交叉灵敏度,运用BP网络对数据进行融合,可以有效降低非目标参量对输出特性的影响.MATLAB中提供了多种针对BP网络的训练方法.运用其中的变梯度法、拟牛顿法和LM法分别对压力传感器进行数据融合.比较其结果可知,相对于另外两种方法,LM算法可有效地克服局部收敛,更好地提高压力传感器的稳定性和可靠性.     

基于KNN改进的BP神经网络的油浸式配电变压器故障诊断

电力变压器一直是高压变电站系统和中小型发电厂使用的一项重要辅助电力设备,假如其工作一旦设备发生故障,系统将不能稳定的正常工作。同时,伴随着变压器电气等级的上升,变压器的价格就越贵重,如果因为故障受到损坏,对我国的经济社会的发展造成不可挽回的后果。由于科技的进步,传统的检测方法精度已经无法满足判别油浸式变压器故障的安全要求,因此需要一个安全性和可靠性高的便携的检测变压器故障的保护方法。从BP神经网络出发,构造了BP模型并对之训练仿真,得到识别率为60%。为了进一步提高故障识别率和精度,引入深度学习的概念,阐述了KNN网络的基本原理,以及其网络的结构和工作机制,据此又设计了一个KNN网络的模型,并使用DGA数据做好网络训练和结果剖析,识别率可达到90%。接着对两个模型做了对比,发现KNN优于BP神经网络。     

基于改进BP算法的网络态势预测模型

准确的网络态势预测可以有效的减小网络拥塞程度.本文对网络拓扑和流量数据进行分析,提取了节点数、OD流数、大象流数、总流量等反应网络态势的参数,建立了基于BP神经网络算法的预测模型进行模拟,能够有效的预测上述参数的发展趋势,在网络管理中有较好的应用前景.     

BP神经网络在设备故障诊断方面的应用

电子设备逐渐成为越来越复杂的大系统,因此如何对其进行高效快速的故障诊断,使其保持良好的工作状态,具有重要的意义。针对传统故障诊断技术的局限性,探讨了基于BP神经网络的故障诊断方法;并基于该诊断方法利用VC＋＋和Matlab混合编程开发了故障诊断软件。同时以雷达系统上的某些部件为例,对该软件在故障诊断方面的正确性及可靠性进行验证：将代表故障的信息输入训练好的神经网络后,由输出结果便可以判断发生故障的类型,从而实现对故障模块的精确定位。实验结果表明,该诊断软件提高了电子设备故障诊断的效率,具有一定的应用价值。     

基于LabVIEW与BP神经网络测距终端故障诊断系统研究

结合LabVIEW图形化编程特点和Matlab强大的矩阵运算能力,利用二者混合编程实现BP网络算法改进,设计了基于LabVIEW与BP神经网络的测距终端故障诊断系统,且通过对测距中参考信号发生器单元电路产生的硬故障进行识别诊断,以检验其可靠性。应用结果表明,该系统不仅能对多种未知故障进行准确分类识别,并可将结果通过简单直观的界面显示出来,从而降低故障诊断人员的工作难度,具有较强的实用价值。     

基于模糊神经网络的执行器故障诊断

针对神经网络在故障诊断中的局限性,提出了一种将模糊理论与BP神经网络结合的故障诊断方法,使其应用到执行器故障诊断中.通过和BP神经网络学习算法对执行器故障诊断的结果比较来证明模糊神经网络算法的优越性.首先介绍执行器常见故障;其次对故障征兆进行模糊化预处理,获得了神经网络训练样本,最后应用Matlab软件进行了系统仿真.仿真结果表明:该方法收敛速度快、诊断精度高、自适应性强,能够有效地诊断执行器故障.     

基于萤火虫BP神经网络的轴承故障诊断研究

针对BP神经网络训练过程易陷入局部极值导致训练误差收敛速度慢的问题,提出将具有全局寻优的萤火虫算法,结合BP算法共同训练神经网络。在本质上,萤火虫BP神经网络利用萤火虫算法对神经网络进行早期训练,避开局部极值点,得到优化后的神经网络初始权值后,利用BP算法的局部寻优特性对网络做进一步精细训练。轴承故障实验表明,萤火虫BP神经网络的训练误差收敛速度相比BP神经网络、萤火虫神经网络显著提升,故障识别率最高达到99.47%。     

基亏改进神经网络的柴油机系统故障诊断

BP神经网络可以利用其高度的非线性映射和自组织能力有效解决柴油机系统的故障诊断定位问题。但是标准的BP网络有自身无法克服的一系列问题,因此对标准BP网络的学习方法做出改进．并以此理论建立柴油机系统故障诊断的整体模型。为了检验改进理论的准确性,根据柴油机燃油系统的故障建立网络模型并诊断进行检验．MATLAB仿真结果表明,改进算法有效地提高了学习的效率与稳定性,加快了收敛速度,能有效解决故障的诊断与定位．并且具有良好的稳定性。     

改进的BP神经网络在模拟电路故障诊断中的应用研究

介绍了应用小波变换法与BP神经网络相结合实现模拟电路故障诊断的方法。应用小波变换法作为故障信号的预处理器,提取故障特征量,减小了BP神经网络的规模。该方法提高了神经网络收敛的速度以及故障类别识别的准确度,具有一定的应用价值。     

PSO算法优化BP神经网络的金融风险预警研究

金融危机是一个非线性的复杂过程,BP神经网络对非线性系统具有很强的模拟能力。针对BP神经网络有收敛速度慢、易陷入局部极小值和振荡等缺点,利用改进的PSO算法优化BP神经网络的权值和阈值,能有效地改善BP神经网络的缺点。对金融风险实例分析的结果表明,综合改进的BP算法相对于BP神经网络算法能明显加快网络的收敛时间,具有较快的收敛速度和较高的诊断准确度,用于金融风险预警是可行的,证实了该方法具有一定的实际应用价值。     

基于BP神经网络的某型飞机火控系统故障诊断

根据某型飞机火控系统的特点,给出了BP神经网络数学模型及其学习算法,在此基础上以某型飞机火控系统作为为被诊断对象,运用BP神经网络数学模型及其学习算法对其进行故障诊断。诊断结果表明BP神经网络不仅能识别出样本自身的故障,而且能准确诊断出样本以外数据故障,提高某型飞机火控系统一线维修保障效率。     

混沌神经网络在发电机故障诊断中的应用

采用耦合的混沌振荡子作为单个混沌神经元构造混沌神经网络模型,采用改进Hebb算法设计网络的连接权值。在此基础上,实现了混沌神经网络的动态联想记忆,并应用该混沌神经网络模型对发电机定子绕组匝间短路故障进行诊断。结果表明,该种方法有助于故障模式的记忆和重现。