基于神经网络的故障诊断

本文以神经网络为理论基础介绍了神经网络在故障诊断中的应用方法,并以风机以某钢铁公司烧结厂烧结风机,不同测点现场采集的待诊数据为神经网络训练样本和测试样本,通过MATLAB软件得出识别结果,结果表明该方法的正确性和有效性。     

基于神经网络的挤压机故障诊断研究

文章采用先进的神经网络技术,结合挤压机故障的特点,对挤压机故障诊断进行深入的剖析和研究,设计出一种安装使用方便、可靠性高的挤压机故障诊断系统。对保证生产安全、高效和经济运行具有重要意义。     

基于DSP的液压变量泵数据采集系统设计

液压泵瞬态特性的测量控制直接关系到液压传动系统的控制性能,基于DSP芯片嵌入式系统能够满足对液压泵工作特性参量的实时采集和信号处理的需求。论文分析设计了基于DSP芯片的液压泵(压力、扭矩、转速)的采集硬件模块和外围电路,编制系统各功能模块的测试软件。经实际运行,证明该系统能够对液压试验台的各个参数进行准确的采集。     

运用模糊神经网络诊断锭子轴承故障

提出了一种模糊神经网络的锭子轴承故障诊断方法。以锭子轴承振动信号中相应频率的振幅为特征参数,诊断锭子轴承常见的几种故障。采用混合算法对网络进行训练,发挥模糊神经网络强大的自学习能力和知识表达能力的优点。试验结果显示能够提高故障诊断的精度和效率。     

基于全卷积神经网络的变压器故障诊断

油中溶解气体分析(DGA)是诊断变压器故障的常用方法,能及时发现变压器内部的潜伏性故障。为了减少卷积神经网络的训练参数,提出了一种基于全卷积神经网络的变压器故障诊断方法。将传统卷积神经网络中的全连接层用卷积层替代,实现了端对端的变压器故障输出。相较传统卷积神经网络提升了故障诊断准确率,有较强的实际意义。     

基于小波结合模糊聚类和神经网络的机械故障诊断法

分析了小波分析、模糊聚类以及神经网络各自在信号处理方面的优势。以小波变换（或小波包变换）提取故障特征,对神经网络的输入和输出进行模糊化处理,最后用神经网络进行诊断。从而提出了一种有别于传统的、高效的机械故障诊断方法。     

两种神经网络方法在电力变压器故障诊断中的性能分析

电力变压器是电力系统中最重要的设备之一,它的安全稳定运行关系到整个电力系统的安全性和稳定性。文章首先分析了电力变压器油中溶解气体的特征,然后以三比值法作为主要实验依据,设计了BP神经网络和模糊神经网络两种模型,在此基础上对变压器故障诊断进行了实验,最后对比分析实验结果。     

基于BP神经网络的电控发动机故障诊断应用研究

以桑塔纳2000(GSI)电控发动机为例,在怠速工况下,模拟发动机可能出现的故障,利用金德K81电脑检测仪和NHA—501型尾气分析仪采集数据样本.调用Matlab神经网络工具箱中的BP神经网络,对所采集的其中4组数据样本进行训练、仿真.结果表明,BP神经网络对发动机故障的诊断是迅速、准确的.     

基于自我联想神经网络的谷氨酸发酵在线故障诊断

探讨了利用自我联想神经网络(AANN)对谷氨酸发酵进行在线故障诊断的有效性和实用性.自我联想神经网络是一种带瓶颈层的、5层结构的特殊神经网络.通过对发酵过程的表观变量进行适当筛选,将某些变量输入到AANN网络中进行训练,发酵过程的关键特征特性可以在瓶颈层得到提取,不同性能的发酵过程可以得到聚类.优化得到的AANN网络可以对谷氨酸发酵进行及时、准确的故障预判,从而为排除故障、尽可能快地恢复发酵性能提供信息.     

基于BI-TCP卷积神经网络的纸机轴承故障诊断方法研究

针对传统纸机轴承故障诊断模型无法有效提取轴承振动信号深层特征而导致诊断精度难以提高,基于深度学习网络模型参数量过大的问题,提出了一种基于双模态输入和双通道并行卷积神经网络（BI-TCP-CNN）的纸机轴承故障诊断方法。该方法首先在输入数据方面进行创新,将轴承振动信号分别转化为对应的格拉姆角场（GAF）矩阵与欧式距离矩阵,并将二者成对组成的二维矩阵作为网络的输入;其次,利用双通道并行的浅层卷积神经网络提取信号中的不同特征并进行融合,在提高特征完备表达的同时大幅降低了模型的参数量。在凯斯西储大学（CWRU）数据集与实验室搭建的故障诊断实物平台上进行的实物验证结果表明,该方法在CWRU数据集以及实物平台上的故障识别精度均在99.2%以上,可很好地实现对纸机轴承的故障诊断。     

滚动轴承振动诊断的BP神经网络方法

归纳和总结了BP神经网络多参数诊断法的实施步骤,阐述了故障轴承振动与信号的关系以及BP神经网络的工作原理和实现过程,并以滚动轴承故障诊断为例,提取了反映滚动轴承故障类型的振动信号特征参数,用这些特征参数训练神经网络,利用MATLAB6.5神经网络工具箱模拟和仿真BP神经网络,然后用训练后的BP神经网络对故障模式进行识别。结果表明,如果神经网络设计合理,训练适当,并且在MATLAB仿真的过程中合理的选择训练函数和各种参数,则具有很强的故障识别能力。说明了利用MATLAB仿真BP神经网络进行滚动轴承振动诊断是可行而且有效的。     

基于神经网络的模糊温度控制系统

针对反应槽容量大,滞后量大、变化因素多及温度控制要求比较高的特点,结合模糊控制和神经网络的优点,把模糊控制的控制规则转化为神经网络的一组输入、输出样本,这样,把这些规则隐含分布在整个网络之中。在控制应用时,不必进行复杂的规则搜索和推理,只需通过高速并行的分布计算就可产生输出结果。实际运行结果表明,该系统温度控制精度高,运行稳定,取得了令人满意的控制效果。     

模糊神经网络张力控制系统

张力控制过程是一个具有随机性、时变性和耦合性的复杂过程。本文采用了一个具有五层的模糊神经网络控制系统,通过利用神经网络的学习能力来优化模糊逻辑的规则以及比例因子的调整,以实现期望的恒张力最优控制,仿真结果表明该控制方法的良好效果。     

卷接机组故障诊断的模糊行为Petri网研究

根据卷接机组故障诊断推理中知识的模糊性,给出模糊行为Ｐｅｔｒｉ网（ＦＢＰＮ）的定义,研究用模糊行为Ｐｅｔｒｉ网表示模糊产生式规则的方法,提出一种模糊反向推理机制,给出算法的实现。最后以ＭＫ９—５卷接机组烟支空松故障为例,证明该方法的可行性和有效性。     

基于人工神经网络优化抄纸浆料配比

提出了应用人工神经网络技术进行抄纸浆料配比优化的方法,介绍了优化原理和过程.以卷烟纸为例,建立了多种浆料的配比与纸张主要物理性能指标之间的人工神经网络模型.该模型比传统回归模型有着更高的预测精度.以此模型为基础,通过扫描仿真,获得了针叶木浆、麻浆及填料配抄生产卷烟纸的各组分的配比范围,并从中优选出最佳配比.     

小波分析在纸机压榨部轴承故障诊断中的应用

针对纸机压榨部滚动轴承尺寸大响应弱、运转速度低、低频信号容易淹没、调制源多、振动信号非平稳性等特点而导致常规的傅立叶分析诊断故障效果不佳的情况，提出了一种应用小波变换的时频分析方法，对振动信号进行分解和重构处理，获得了振动信号在不同的频段的分量，提取相应特征频段重构分量的功率谱的频域统计值作为特征参数。从而实现对轴承故障诊断。试验结果显示该方法对纸机压榨部故障诊断有很好的效果。     

包装机械故障诊断中模糊专家系统的应用研究

阐述模糊专家系统在包装机械故障诊断中应用的必要性,介绍模糊专家系统的基本结构、知识表示和推理机制。通过实例介绍如何在包装机械故障诊断中应用模糊专家系统。     

基于支持向量机的造纸废水处理过程故障诊断

故障检测和故障诊断是工业过程监控的主要内容。针对造纸废水处理过程的多变量、非线性、大时变等特点,本课题首先采用主成分分析（PCA）对故障进行检测,然后分别采用马氏距离判别分析和支持向量机(SVM)对偏移、漂移和精度下降3种故障类型进行故障诊断。计算结果表明,基于主成分分析的故障检测率达97.50%;基于支持向量机故障诊断方法的故障分离能力为90.00%,而基于马氏距离判别分析方法的故障分离能力为73.75%。相比基于马氏距离判别分析的故障诊断方法,基于支持向量机的故障诊断方法更适合于非线性时变的造纸废水处理过程。     

Sensory Modeling of Coffee with a Fuzzy Neural Network

ABSTRACT: Models were constructed to predict sensory evaluation scores from the blending ratio of coffee beans. Twenty-two blended coffees were prepared from 3 representative beans and were evaluated with respect to 10 sensory attributes by 5 coffee cup-tasters and by models constructed using the response surface method (RSM), multiple regression analysis (MRA), and a fuzzy neural network (FNN). The RSM and MRA models showed good correlations for some sensory attributes, but lacked sufficient overall accuracy. The FNN model exhibited high correlations for all attributes, clearly demonstrated the relationships between blending ratio and flavor characteristics, and was accurate enough for practical use. FNN, thus, constitutes a powerful tool for accelerating product development.