改进神经网络在模拟电路故障诊断中的应用

研究模拟电路故障诊断准确性问题.电路故障与引起故障因素之间呈高度非线性,传统故障识别方法无法识别其非线性特点,导致传统故障方法的诊断精度低.为了提高电路故障诊断的精度,提出一种遗传算法优化BP神经算法的模拟电路故障诊断方法.首先对故障电路样本进行特征提取和归-化处理,然后采用遗传算法对BP神经网络参数进行优化,最后利用最优参数BP神经网络对电路故障样本进行训练和建模,获得电路故障诊断结果.在MATLAB平台上对模拟电路故障进行仿真测试,仿真结果表明,与传统模拟电路故障诊断方法相比,提高了模拟电路故障诊断精度,缩短了故障诊断时间,在模拟电路故障中有着广泛的应用前景.     

遗传神经网络在模拟电路故障诊断中的应用

针对传统BP神经网络在模拟电路故障诊断中存在的不足,提出遗传算法和BP神经网络相结合的遗传神经网络模拟电路故障诊断方法;充分利用遗传算法全局、并行寻优的能力对BP神经网络的学习过程进行优化,防止神经网络训练时出现收敛速度慢和陷入局部极小等缺陷;在MATLAB平台上编程实现模拟电路故障诊断的仿真实验;仿真结果表明,相对于传统的BP神经网络算法,遗传神经网络算法不仅提高了网络训练收敛速度,而且提高了模拟电路故障诊断平均正确率,为模拟电路智能化诊断提供一种新的思路。     

BP网络结合遗传算法在故障诊断中的应用

分析了BP神经网络在模拟电路故障诊断中的缺点,提出了在BP神经网络的拓扑结构确定的情况下,先用遗传算法来训练BP网络的权值和阈值,经过若干代的交叉、变异后得到稳定的权值和阈值;再将它们赋值给BP神经网络,作为初始值,重新训练.这样训练出来的网络才能得到全局的最优值;同时还能够提高神经网络用于模拟电路故障诊断的智能性,改善故障诊断的精度和速度.     

基于BP神经网络的电路最优测试集的生成设计

BP神经网络是目前用于模拟电路故障诊断的神经网络之一.本文应用BP神经网络完成了实际电路最优测试集的生成设计,验证了基于BP神经网络的最优测试集的生成的可行性和有效性.     

基于量子神经网络的容差模拟电路的软故障诊断

给出了容差模拟电路软故障诊断的量子神经网络方法,将传统的模拟电路故障诊断方法与量子神经网络结合起来,多层激励函数的量子神经网络不仅具有BP网络所有的优点,还克服了BP网络在模糊分类方面的缺点,即利用量子神经网络对其输入的容错能力在一定程度上克服了模拟元件的参数容差的影响,模拟电路故障的复杂性及广泛非线性也能利用量子神经网络的非线性映射能力加以解决,同时还可对模糊数据进行模糊分类;通过应用量子神经网络,实现了容差模拟电路单软、多软软故障的诊断。     

基于退火BP神经网络的模拟电路故障诊断方法

针对BP神经网络在模拟电路故障诊断中存在的固有缺陷,提出模拟退火(simulated annealing,SA)算法与BP算法相结合的神经网络故障诊断方法,发挥SA算法全局寻优的特点来优化BP神经网络的学习过程,避免网络训练收敛速度慢和陷入局部极小;应用MATLAB编写程序对一典型模拟电路的仿真故障样本进行训练,在其它初始条件都相同的情况下,基于提出的算法神经网络比传统BP算法神经网络训练收敛速度快且诊断精度高,是一种新的有效的模拟电路故障诊断方法。     

小波神经网络在模拟电路故障诊断中的应用

研究模拟电路优化问题,电路系统存在非线性和漂移会引起系统故障.针对BP神经网络在模拟电路故障诊断上存在的收敛速度慢、易陷入局部最小等不足,为解决上述问题,提出基于小波神经网络的模拟电路故障诊断方法.采用正弦信号仿真模拟电路,应用小波变换对模拟电路响应的采样信号进行故障特征提取,建立故障字典,利用神经网络对各种状态下的特征向量进行分类决策,实现模拟电路的故障诊断.故障诊断仿真表明,保证较高故障诊断正确率RBF网络的训练次数得到了极大地缩小,极大地提高了模拟电路故障诊断的效率,为设计提供了依据.     

基于BP神经网络的模拟电路故障诊断

BP神经网络因其良好的模式分类能力而被广泛用于模拟电路故障诊断中,但故障分辨率不高,用BP神经网络和其它技术相结合的小波神经网络和量子神经网络进行故障诊断,通过仿真证明故障分辨率得到很大提高。     

基于RBF网络的模拟电路故障诊断算法

针对BP神经网络在模拟电路故障诊断上存在的收敛速度慢、易陷入局部最小等不足,提出了一种基于多层小波分解和RBF神经网络的模拟电路故障诊断算法。为提高诊断效率,用多层小波分解能有效提取电路故障特征;用RBF网络优良的泛化能力和快速的非线性逼近能力可以较好的解决模拟电路中存在的容差和非线性问题。故障诊断仿真实验表明,在保证较高故障诊断正确率的情况下,RBF网络的训练次数得到了极大地缩小,有效克服了基于BP网络算法存在的上述不足,极大地提高了模拟电路故障诊断的时间效率。     

基于小波神经网络的模拟电路故障诊断技术

文章提出了一种基于小波神经网络的模拟电路故障诊断方法:通过分析被测电路的冲激响应来识别电路中的故障元件,利用小波理论中的多分辨率分析的方法提取出相应信号中的故障特征,组成特征向量后输入神经网络进行训练,实现故障诊断;该方法减少了神经网络的输入、简化了其结构、并缩短了训练和处理时间,文中分别用小波神经网络和传统的BP神经网络对实例电路进行故障诊断,仿真结果发现:小波神经网络相比BP网络方法收敛速度更快,诊断率更高。     

基于小波神经网络的齿轮箱故障诊断研究

论述了小波神经网络的系统结构及算法,并根据齿轮振动信号的频域变化特征,提取特征向量作为输入,利用小波神经网络建立特征向量与故障模式之间的映射关系,建立了基于该算法的齿轮故障诊断模型。仿真结果表明：与传统的BP神经网络相比,该模型显著缩短了训练时间。该小波神经网络进行机械故障诊断是有效的。     

基于聚类分析的RBF网络建模方法及应用的研究

该文提出了基于聚类分析的RBF（Radial Basis Function）网络建模方法：利用聚类分析确定RBF神经网络的隐层参数，运用最小二乘法确定RBF神经网络的输出层参数。重点介绍了聚类分析的理论和算法。根据聚类分析和RBF网络结合后的优点以及中医证候大数据、大样本、多中心且无明确函数关系的特性，提出了用该方法建模应用于中医证候诊断，改进了BP（Back Propagation）网络用于中医证候诊断建模的不足之处，并拓宽了RBF神经网络的应用。最后，用2-型糖尿病文献数据库验证了该方法的有效性和合理性。     

一种基于神经网络的电路故障诊断方法

本文提出了利用遗传算法优化神经网络各层权值的方法，并以实际电路为例进行了仿真分析，从仿真结果可以看出，本文方法能对电路故障进行准确的诊断，而且具有较强的抗噪声能力，为电路故障的诊断应用提供了一定的有意义的研究。     

基于自联想小波网络的汽轮发电机组故障诊断

针对电厂汽轮发电机组故障诊断问题,将小波变换和自联想神经网络结合构造了一个多层的自联想小波网络故障诊断系统。在输入层对振动信号进行二进离散小波变换,提取其在多尺度下的细节系数作为故障特征向量,根据这些特征向量进行自联想网络的学习,用学习过的自联想网络诊断故障。将该方法成功地应用于汽轮发电机组故障诊断,实验仿真结果表明,该方法优于常规的BP网络方法：某些单一故障的识别率提高了31.2%,综合故障的识别率提高了26.6%。     

传感器故障检测的仿真研究

该文主要介绍了连续小波变换和BP神经网络在传感器故障诊断中的应用,并就如何将小波变换和神经网络结合起来进行故障检测进行了有益的探讨、研究,最终借助于matlab软件和它自带的simulink工具以及相关的信号处理工具包做了仿真算例,获得了满意的效果,证明了这两种方法的可行性。     

BP神经网络在飞控系统传感器故障诊断中的应用

故障检测和诊断技术对提高系统可靠性具有重要意义,针对飞控系统中常见的传感器故障,提出了基于神经网络观测器的故障诊断方法;通过构造神经网络模型代替解析系统建模,利用神经网络的学习能力在线检测传感器故障,最后,应用BP神经网络算法对故障进行仿真;仿真结果表明,神经网络观测器方法对单一传感器故障及多个传感器故障均能够准确识别,并对故障的定位也有不错的效果。     

分段学习的双隐层BPNN对交通流量预测的研究

智能交通系统可有效解决城市道路的拥挤,交通流量的预测是智能交通系统的关键技术之一。在各种预测方法中,BP神经网络的应用最普遍,并取得了许多成果。为了进一步提高BP神经网络的预测精度,采用了基于分段学习的双隐层BP神经网络对济南市经十路的交通流量进行了预测,并与相同结构未使用分段学习方法的BP神经网络预测所得结果进行了比较。实验数据显示采用分段学习的方法比未采用该方法的所得结果平均相对误差减少了2.52%。因此分段学习的双隐层BP神经网络可应用于预测道路交通流量。     

基于补偿模糊神经网络的制冷系统故障诊断研究

选择反映制冷系统故障状态的热力参数集组成特征向量,并对其进行模糊化处理,利用补偿模糊神经网络建立故障状态与热力参数特征向量之间的映射关系.将神经网络和补偿模糊逻辑相结合, 采用动态、全局优化的运算, 充分利用了相互间的优点.网络不仅能适当调整输入输出模糊隶属函数, 也能借助于补偿逻辑算法动态优化相应的模糊推理.仿真实验证明该模型在智能诊断中具有收敛速度快, 诊断精度高, 而且适应性强等优点.     

基于BP神经网络和支持向量机的电机故障诊断系统

故障诊断是计算机模式识别领域的一个活跃课题。文中提出一种基于BP神经网络和支持向量机（SVM）的电机故障诊断方法，设计了适合该诊断系统的网络结构。仿真结果表明：该网络结构比BP算法具有更快的学习速度和更高的学习精度，完全适用于电机故障诊断系统。     

基于小波包-AR谱和深度学习的轴承故障诊断研究

针对轴承故障信号的非平稳性和非线性特点,本文采用小波包分解和自回归(auto-regressive,AR)谱估计相结合的方法提取振动信号有效特征值,为了提高诊断结果的精度,提出用深度信念网络(deep believe network,DBN)进行诊断模型训练。首先通过对轴承振动信号进行小波包分解和自回归谱估计,累加不同频段的能量实现轴承故障特征提取,然后将提取到的特征值作为深度信念网络的输入向量,进行模型训练,最后用训练好的模型进行轴承故障诊断。为验证本文所提方法的有效性,采用美国凯斯西储大学提供的旋转轴承数据集进行实验。在输入相同数据集的前提下,对比了DBN和灰色关联分析(grey relational analysis,GRA)、支持向量机(support vector machine,SVM)、反向传播神经网络(back propagation neural network,BPNN)这四种方法的识别准确率。结果表明DBN识别效果较好。从而验证了本文所提方法的可行性和有效性。