用集成过程神经网络预测民航发动机振动趋势

提出了一种集成过程神经网络预测模型用于民航发动机振动信号趋势预测。首先,对AdaBoost.RT算法的误差函数进行了改进,并采用自适应调整策略在训练过程中自动调节算法的分类阈值;然后,以改进的AdaBoost.RT算法为集成学习框架构建集成过程神经网络(process neural network,简称PNN)预测模型。通过对两组实际民航发动机振动信号序列的预测对集成模型的预测效果进行了评估。结果表明,在具有更加简单网络结构的情况下,集成PNN模型的预测效果好于单一PNN模型。此外,提出的改进AdaBoost.RT算法的效果优于原始AdaBoost.RT以及仅改进了阈值调整方法的AdaBoost.RT算法。对比结果表明,提出的集成PNN模型适用于民航发动机振动信号变化趋势预测。     

航空发动机振动趋势预测的过程神经网络法

提出一种基于过程神经网络思想的航空发动机振动趋势预测方法.利用过程神经网络具有输出函数对输入函数在时间上的聚合效应和非线性映射能力,预测方法的网络结构选择为9个输入节点,第2层和第3层各有9个隐层节点,1个输出节点,参数外推预测,将选取的振动历史数据分为学习样本和检测样本两组,学习样本用于网络训练,检测样本用于检验预测模型的精度.在相同条件下,与传统人工神经网络进行趋势预测比较,提高了网络训练速度,降低了预测误差.将所提出的预测方法应用到某型航空发动机的振动趋势预测中,预测结果与实际值的误差符合要求.     

基于过程神经网络的航空发动机性能参数预测

针对传统方法难以对性能参数进行有效预测的问题,提出一种基于过程神经网络的性能参数预测方法。为解决反向传播学习算法收敛速度慢、易陷于局部极小点等问题,开发了一种基于正交基函数展开的Leven-berg-Marquardt学习算法。为提高过程神经网络的泛化能力,从提高训练样本的质量和规模入手,研究了实际测量数据的预处理方法,并提出一种基于样条函数拟合和相空间重构理论的训练样本集构造方法。最后,将该方法用于某型航空发动机性能参数的预测,获得了满意的结果。     

发动机振动趋势预测模型研究

以航空发动机健康管理为切入点,研究了发动机整机振动响应预测方法。首先,通过讨论基于模型的振动预测思路,明确了趋势项、随机波动项和噪声干扰项的影响与物理意义;其次,建立了趋势项的周期摆动模型、线性发展模型和振幅突变模型,用于描述典型故障振动,研究了模型的选择方法,讨论了模型的检验准则,实现了模型的参数估计算法;最后,以3组发动机实测趋势数据作为实例,验证了基于模型的振动趋势预测方法的正确性和工程实用性。     

基于神经网络的振动响应趋势预测研究

将Levenberg-M arquardt BP人工神经网络应用于复杂的非线性振动响应的趋势预测,避免了时序分析复杂的数据预处理、模型识别、参数估计和模型适用性检验过程。通过对样本预测效果的比较,全面考虑了网络的输入层、隐层和输出层的神经元节点数和各层之间的传递函数对预测精度的影响,引入Box-Cox变换改善了网络的收敛性并加快了网络的收敛速度,同时采用重复训练法来提高网络的稳定性和预测精度。预测实例表明,相比于传统的时间序列分析方法,这种预测方法能对振动响应的趋势进行更准确的预测。     

基于改进BP神经网络的数控机床振动趋势预测

为准确预测数控车削时机床的振动情况,搭建了一个能用于测量机床振动信号的实验平台.并运用Levenberg-Marquardt算法改进BP神经元网络,建立了改进BP神经网络的非线性系统预测模型,实现了对机床刀架的振动趋势进行多步预测,为提高工件加工质量、加工精度和进行故障诊断提供了依据.结果表明L-M算法的收敛速度和预测精度均明显优于标准的BP算法.     

基于粗糙集－集成神经网络的航空发动机磨损故障诊断方法

将粗糙集理论和神经网络相结合并应用到航空发动机磨损故障诊断中,依据属性的重要性和决策表的相容性,用自组织神经网络完成连续数据离散处理这一关键环节,采用粗糙集理论对征兆信息进行属性约简,获取征兆的主要特征,为神经网络结构简化和子神经网络的构成等奠定了基础,通过基于D-S证据理论的方法得到最终的融合结果。将该方法用于某型航空发动机的磨损故障诊断专家系统中,实验证明了该方法的有效性。     

基于分式聚合过程神经网络的发动机气路参数偏差值预测

为解决航空发动机气路参数偏差值时间序列中突变值难以预测的问题,基于有理式函数具有更好的非线性逼近能力的理论,提出一种分式非线性聚合过程神经网络模型.该网络结构在隐层中存在一个过程神经元对偶层,通过分式非线性空间聚合的方式,分别实现信号对神经元的激励和抑制作用.根据采样点离散化的特点,采用离散Walsh变换对的内积运算替代积分算子,在简化计算过程的同时消除了数据拟合中的精度损失.采用基于离散Walsh变换LM算法进行网络训练,将训练好的模型应用在气路参数偏差值时间序列预测中.从预测结果可以看出,该模型对存在突变值的时间序列预测具有更高的效率和灵敏性.     

基于递归过程神经网络的航空发动机滑油系统状态监测

针对航空发动机滑油系统状态监测问题,提出了递归过程神经网络模型。其隐层和输出层为过程神经元,该网络的输入信号为时变函数或过程,并且含有一个特别的关联层,在建模过程中能储存系统过去更多时刻的状态信息,使得网络结构适于预测时间序列问题。文中给出了相应的学习算法,并且分别利用人工神经网络和递归过程神经网络对航空发动机滑油系统状态进行预测。结果表明,递归过程神经网络预测精度高,优于传统人工神经网络的预测能力。为航空发动机滑油系统状态监测问题提供了一种有效的方法。     

基于小波包神经网络的发动机振动信号分析

为了有效地对发动机运行状态进行监测,提出了一种基于小波包和神经网络相结合的发动机故障诊断方法。以某微型车用汽油发动机为研究对象,建立基于振动信号分析的测试试验系统,采集发动机正常工况和故障工况的振动特征参数。通过小波包对其进行分解和重构,提取出表征发动机工作状况的特征向量,作为训练样本数据和检验样本数据,输入BP神经网络并对其进行训练, 实现了对所设发动机故障类型进行良好识别的预期效果。     

基于神经网络的滚动轴承振动预测

以神经网络与MATLAB实现理论为依据,提出了一种新的滚动轴承振动预测方法。这种方法根据轴承的加工质量试验数据,建立轴承振动预测的BP网络试验模型,在MATLAB开发环境下输入训练样本数据矩阵和目标矩阵。经过训练后,网络误差达到要求,预报结果的最大相对误差小于10％。     

基于集成卷积神经网络的行星齿轮智能诊断方法

针对行星齿轮箱故障振动特征需要预处理、识别困难以及诊断模型收敛速度较慢的问题,提出基于集成卷积神经网络的行星齿轮箱智能故障诊断方法。首先,采用一维卷积对齿轮的原始时域振动信号提取特征,之后通过采用两个弱分类器,根据弱分类学习错误率的性能更新样本权重,调整权重后根据训练集训练弱分类器。重复此过程,最后通过设置策略整合弱分类器,形成集成卷积神经网络;建立一个稳定用于行星齿轮箱的智能故障诊断的模型。实验结果表明：集成卷积神经网络能很好地对行星齿轮原始振动信号进行快速诊断。相对于传统卷积神经网络对齿轮原始时域振动故障信号的诊断具有更强的辨识能力和更快的收敛速度;所建立的智能诊断模型可以有效地诊断齿轮不同的故障状态。     

基于双并联过程神经网络的润滑油金属含量预测

润滑油金属含量是航空发动机关键部件出现磨损及裂纹等情况的表征。通过对其进行预测可提前发现相应部件的机械故障,能保证飞行安全并降低航空发动机维护费用。润滑油金属含量受许多复杂因素影响,传统方法难以预测其变化趋势。为此,提出丁一种基于双并联过程神经网络的润滑油金属含量预测方法,并给出了基于正交基函数展开的学习算法。将该方法用于某型航空发动机润滑油中铁含量预测,结果表明其预测精度满足工程需要。     

基于组合遗传神经网络的磨损趋势预测

针对神经网络易陷入局部极值的问题，用遗传算法来改进神经网络时间序列预测模型，并设计了一个组合网络，考虑了单一遗传BP神经网络预测的误差，以误差样本训练了一个校正的遗传BP神经网络，并将该组合网络时间序列预测模型应用于柴油机系统磨损趋势的预测，取得了较好的预测效果。     

基于支持向量机的航空发动机磨损趋势预测

基于支持向量机开发的航空发动机磨损趋势预测技术运用结构风险最小化准则,可通过内积函数将低维空间的非线性问题转化为高维空间的线性问题,在发动机滑油光谱监控中十分有用.阐述了支持向量机的原理和数学模型,建立了适用于航空发动机磨损趋势预测的支持向量机回归模型和自回归模型,并对支持向量的核函数模型参数进行了讨论.对实际发动机的润滑油光谱监控数据趋势预测结果表明,基于支持向量机回归模型的趋势预测技术具有很高的预测精度和很强的实用性,可有效提高通过润滑油光谱监控技术预报航空发动机磨损类故障的预测能力.     

BP神经网络用于风机振动报警时间预测

提取D350风机转子在一段时间内的水平、垂直和轴向振动值,以此为样本值,应用BP神经网络算法训练,然后预测D350风机的振动报警时间。预测结果表明与实际报警的发生时间非常接近。     

机械设备趋势预测与神经网络预测方法的研究

阐述了机械设备状态趋势预测的基本概念,讨论了机械设备状态预测的主要方法。研究了三种预测机械设备状态发展趋势的神经网络方法,对采用不同的神经网络预测方法的预测结果进行了分析比较。     

压电振动系统的神经网络建模和预测研究

本文应用MATALB／XPC实时仿真工具测量了贴有压电元件的复合材料薄壁结构的振动响应。并对其进行神经网络的离线建模和预测。比较了几种网络的优缺点。选择了引进外部反馈的前向BP网络作为非线性系统建模的方法，有望推广用于智能结构的健康监测和振动主动控制。     

基于组合神经网络的柴油机振动信号预测

根据柴油机振动信号的特性，使其在相空间里重构，再应用组合神经网络，对柴油机振动信号进行拟合和预测。该组合神经网络是一个两级系统，第一级有两个神经网络的预报——一个多目标前馈网络和一个函数耦合神经网络，用模糊反向传播算法进行训练；第二级是由第一级产生的两个预测结果混合得到的组合模型，采用Karmarkar的线性规划算法进行训练。实际应用证明了该方法的有效性。