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。     

基于结构最优化RBF神经网络的润滑油金属含量预测

航空发动机的磨损机制十分复杂且受诸多不确定因素影响,传统预测方法难以对其磨损趋势进行有效预测.提出一种结构最优化RBF(径向基函数)网络预测模型,采用改进的粒子群算法同时优化模型嵌入维数、核函数宽度及训练误差目标值,实现了RBF网络预测模型最优结构的自动获取.将该方法用于某型航空发动机润滑油金属含量预测,并与传统自回归模型对比,结果证明了该方法的有效性及优越性.     

基于双隐层L-M算法的BP神经网络机械加工误差预测控制模型

分析了误差的来源和传递方式,针对机械加工过程高度非线性、多输入和多输出的特点,构造了双隐层L-M算法BP神经网络误差预测控制模型.根据工艺系统刚度、工件硬度、加工前、后径向误差来预测控制刀具径向总进刀量、第一、第二次刀具径向进刀量,实验和仿真结果表明该模型能指导生产、优化加工工艺和提高产品质量.最后,采用LAB-VIEW软件和MATLAB软件编制了误差预测控制系统,实现了预测控制的可视化.     

基于径向基函数神经网络的铣刀磨损监控技术的研究

提出一种基于径向基函数神经网络的铣刀磨损监控方法,径向基函数神经网络的输出是刀具磨损的具体值,这样有利于对刀具磨损进行各种实时补偿。实验表明,利用径向基函数神经网络进行状态识别可对小型立铣刀的磨损进行监控,能够取得良好的效果,同时证明RBF网络的训练速度优于BP网络。     

基于径向基函数神经网络的发动机磨损预测分析

针对BP神经网络算法的不足,利用径向基函数(RBF)神经网络建立设备的磨损预测模型,对光谱分析数据进行实例仿真,并与BP网络模型进行对比研究.仿真结果表明,该模型预测精度高,训练时间短,大大优于BP神经网络模型.     

基于模糊径向基函数神经网络的航空煤油干点估计

研究以模糊聚类和径向基函数网络结合的模糊径向基函数网络ＦＲＢＦＮ,并用主元分析对高维输入变量进行预处理,降低了模型的输入变量维数,进而构造基于ＰＣＡ－ＦＲＢＦＮ的估计模型,这一方法通过对加氢裂化装置分馏塔航空煤油干占估计得到验证。     

航空发动机滑油金属含量预测及其控制研究

针对航空发动机滑油金属含量受许多复杂因素影响,难以预测其变化趋势,提出了一种基于E lman过程神经网络的航空发动机滑油金属含量预测方法,给出了相应的学习算法,并取得了满意的结果。根据预测结果,分析滑油金属含量超标的原因,并给出相应的控制措施以保证飞行安全和降低维修成本。     

基于KPCA与径向基神经网络的滚动轴承故障诊断

为了解决滚动轴承故障诊断中数据量大以及分类结果不准确的问题,本文提出一种核主成分分析法(Kernel-PCA)结合径向基神经网络(Radial Basis Function, RBF)的诊断方法。通过KPCA算法对1000组样本数据进行降维处理,最大程度保留了原始数据的特征信息。利用K-Means聚类算法确定RBF神经网络的高斯函数的数据中心以及扩展常数,通过线性最小二乘法得到隐层与输出层的连接权值以及阈值,最终测试样本数据的均方误差为0.0694。     

基于径向基函数神经网络的发动机智能故障诊断

本文提出了一种新的汽车发动机故障诊断方法。首先利用小波包对故障信号进行处理,将能量信息作为识别故障的特征向量,并采用了隐含层节点的动态删除策略对径向基函数神经网络结构进行精简。利用训练样本数据,得到最优预测模型,并用检验样本数据对所得的预测模型进行检验。试验表明该诊断方法对发动机故障诊断有良好的诊断效果,能够对故障进行准确分类。     

基于径向基函数神经网络的电机轴承智能故障诊断

本文提出了一种新的电机轴承故障诊断方法.首先把滚动轴承振动信号作为识别故障的特征向量,然后送入径向基函数神经网络中,进行故障类别的自动识别.试验结果表明,该诊断模型对电机轴承故障诊断具有良好的诊断效果,系统不仅能够检测到轴承故障的存在,而且能够比较准确地识别轴承的故障模式.     

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。     

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RBF神经网络的锅炉管壁温度预测研究

电厂锅炉的壁温超温直接影响到机组的安全及稳定运行。本文基于RBF神经网络的方法,在对锅炉壁温的各种计算方法分析研究基础之上,建立RBF神经网络,对锅炉壁温进行预测,从而降低了锅炉管壁超温情况的发生,延长锅炉的使用寿命。     

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.     

基于结构自适应径向基神经网络的油样光谱数据建模

基于光谱分析数据的机械磨损状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测，与传统预测模型相比具有明显的优势，将神经网络预测方法运用于光谱分析，提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了在函数逼近、分类能力和学习速度均优于BP网络的径向基函数（RBF）神经网络模型，针对RBF网络的结构对于信号预测或模型辨识的精度具有影响很大的问题，提出了结构自适应RBF网络预测模型。利用遗传算法，对神经网络输入节点数、径向基函数分布系数及网络训练误差进行了优化，得到了最优的RBF网络预测模型。最后，对某航空发动机实际的光谱分析数据进行了预测和分析，并与ARMA模型进行了比较，结果充分表明了文中方法的有效性和优越性。     

基于模糊神经网络发动机状态监测警报系统的建立

针对传统的依靠单一参数对发动机进行状态监测的不足,利用模糊神经网络处理不确定性复杂问题的能力,融合多种监测参数的信息,建立了基于趋势分析的5级状态监测警报系统.首先从铁谱、振动和性能参数三方面优选监测参数,通过对大量历史数据的统计分析得到各监测参数的界限值,建立了发动机失效程度逐级递进的5级状态监测标准.然后建立隶属函数,通过计算隶属度实现了输入样本的模糊化.最后设计神经网络的结构,利用历史数据训练网络.通过对实例结果的分析证明了该模型的实效性.     

基于粗糙集和神经网络的润滑油中磨损磨粒的识别

为了更有效地对润滑油中的磨损磨粒进行识别,探讨了基于粗糙集和神经网络的磨粒识别。它首先利用粗糙集理论对磨粒特征参数进行约简,这样能够大大减少了神经网络的输入维数。然后介绍了一种径向基神经网络,并利用它对磨粒进行分类。对20个磨粒进行识别,磨粒分类分对14个,分错6个,识别率达到70.0%。     

信息扩散和径向基神经网络的注塑模型建立

在使用径向基神经网络建立注塑工艺模型时,虽然能够得到较好的模型,但是建模时训练样本数量将会对模型的质量产生较大的影响。本研究对建模所需的原始样本数据首先进行信息扩散处理,然后再使用径向基神经网络建立注塑工艺参数与塑件沉降斑指数之间的模型。从结果上看,在注塑训练样本数量相同的情况下,运用该方法均可以得到优于仅使用普通径向基网络构建的模型。