基于模块化神经网络的轴承故障判断方法

提出了一种用于滚动轴承类故障识别的混合模块化神经网络方法．该方法将用于检测故障的过滤网络模块与用于分类的网络模块相组合．首先将不同故障类别轴承的振动信号形成的特征向量经过滤模块，用改进的BP算法判断有无故障，然后经分类网络模块确定其所属故障类型．分类模块中的网络结构则通过对每类故障独立训练形成．实验结果证明，与单一神经网络学习及判断结果相比较，本文提出的方法准确率更高，实用性更强．     

组合多重神经网络动态系统鲁棒故障检测与诊断

利用Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据理论，通过组合多重神经网络分类器，对一控制中的校正网络进行故障检测与诊断，单个神经网络分类器以某些特定的特征量进行分类，对应实际系统特征量的网络输出值怀盯庆训练用特征集的网络输出均值之间的广义距离为单个分类器输出的实际霜类的度量值，证据理论采用简单支撑集假设下的证据组合形式，最终的输出为综合多个神经网络输出后的结果，实际应用表明，此方法可以检测与诊断出单一分类     

基于粗糙神经网络的歼击机操纵面智能故障诊断

提出了一种基于粗糙神经网络的歼击机操纵面故障诊断方法．给出并证明了可利用粗集方法对故障信息进行快速特征提取的方法，用其作为神经网络的前置系统进行信息预处理，减少了所需样本数目，从而简化了神经网络结构，减少了网络训练时间，并且充分利用了神经网络容错及抗干扰能力，有效地降低了故障诊断中的误报率和漏报率．该方法可以进行组合故障的诊断，且具有较好的鲁棒性．仿真实验说明了该方法的有效性和实用性．     

基于SOM的变压器绕组和铁芯故障诊断

为了实现变压器故障的直观分类和故障识别,在分析变压器振动机理的基础上,提出一种基于自组织特征映射(SOM)神经网络的变压器故障检测方法。首先利用集合经验模式分解(EEMD)方法提取变压器不同运行状态下振动信号的特征矢量,以其表示变压器运行状态,降低故障分类和识别时运算量。然后通过采用SOM网络自组织学习算法,不断学习样本的特征矢量确定故障隶属函数,从而可以快速有效地诊断变压器的故障类型。试验结果表明,该方法可实现对变压器正常状态、绕组轴向变形、绕组径向变形、铁芯故障4种状态分类,并对测试样本进行快速的模式识别。     

基于模糊神经网络的设备故障诊断分析

建立了一个模糊神经网络,用主成分分析法提取故障发生的特征运行参数,确定所建立的模糊神经网络的输入向量个数,再用动态聚类法对所采集的大样本进行故障分类,确定所建立的模糊神经网络的输出向量个数.根据采集的样本训练出模糊神经网络的连接矩阵,然后对单个的联想记忆网络进行合成,实现故障的诊断.通过具体的实例,给出诊断过程.     

用于心律失常识别的LSTM和CNN并行组合模型

心脏病是导致人类死亡的首要原因,而大部分心血管疾病往往伴随着心律失常出现.为实现对不同类型心电图信号的自动分析、识别异常心律,研究并提出了一种基于深度学习的心拍分类算法.考虑到心电图自身的特性,使用长短时记忆网络来捕捉心电序列数据的前后依赖关系,结合卷积神经网络提取局部相关特征,自动识别5种不同类型的心拍.基于LSTM和CNN的深度学习方法将经过预处理的心电信号后直接作为网络的输入,将心电分类的特征提取、分类两个步骤融合为单个学习器.针对类别数据不平衡问题,通过对少数类样本滑窗采样获得更多训练数据.使用MIT-BIH数据集验证模型的有效性,最终在测试集2万多个心拍记录中分类结果准确率达到99.11%,特异性为99.44%,灵敏度为97.27%,此外滑窗采样操作对少数类样本的灵敏度有明显改善.实验结果表明,相比传统的SVM和随机森林等方法,基于LSTM和CNN的并行组合模型不需要人工提取复杂特征,且达到了更好的分类性能,适合用于可穿戴式心电设备和远程监护领域.     

层次模块化模糊神经网络在铝电解故障诊断中的应用

目的针对铝电解故障发生机理及特点，提出采用层次模块化模糊神经网络实现对铝电解故障快速、有效检测的新方法．方法利用数据处理子模块，诊断子模块，决策子模块，从而对铝电解生产过程中的故障进行诊断．结果数据处理子网络实现了对数据的特征提取，优化了数据结构，将大结构的神经网络分解成多个小网络，并用决策神经网络对故障进行模式分类．结论该方法优化了大结构神经网络的学习性能，提高了故障检测的准确率，具有良好的实用价值．     

基于复合神经网络的GIS局放故障类型识别

气体绝缘金属封闭开关设备(GIS)局部放电故障类型识别是故障预警和制定检修计划的重要基础,对维护电力设备的安全稳定运行意义重大.在此背景下,首先分析常见的几种GIS故障类型;然后,在超高频传感器采集到的图谱信号处理和分类上,由于卷积神经网络(CNN)和深度置信网络(DBN)融合而成的复合神经网络模型可以快速实现有效特征信号的提取和故障类型准确分类,因此该文融合CNN和DBN,建立复合神经网络的主体结构,并利用该网络进行GIS局部放电故障类型识别;最后进行实验验证.结果表明该复合神经网络模型识别故障的准确性最高可达99％.     

结合卷积神经网络和迁移学习的电机轴承故障诊断方法

针对轴承故障在变工况下有效数据样本不足时故障诊断效果不佳的问题，提出了一种基于卷积神经网络和迁移学习的电机轴承故障诊断方法。首先，将采集到的原始振动信号进行小波变换，得到有利于卷积神经网络训练的彩色二维时频图；其次，构建卷积神经网络，通过训练确定结构和参数，利用数据增强和Dropout机制抑制过拟合；最后，引进迁移学习，冻结训练好后的网络底层结构，用不同工况的小样本数据对网络的顶层结构进行微调。实例分析证明，小波变换和卷积神经网络结合的方式能实现特征自动提取并高度有效地利用样本，迁移学习的引入能实现其他工况下小样本的准确分类，解决实际工程应用中样本不足时故障诊断效果不佳的问题。     

CP神经网络在机械故障模式识别中的应用

机械设备状态监测与故障诊断技术是保证机械设备安全稳定运行的一项重要措施。由于机械设备结构越来越大型化和复杂化，依靠人自身的经验和能力难以判断其征兆与故障之间的关系。随着计算机技术在各个领域的应用，智能型的自动监测与诊断技术在机械设备中得到了广泛应用。根据几种典型神经网络特点，选择了CP神经网络作为机械故障模式识别器。以大型机组典型故障的频率域特征参数作为网络的训练样本，对CP网络进行了训练，再将实际的一组频率域特征参数输入到模式识别器中，对故障类型进行识别。结果表明，以CP神经网络构筑的故障模式识别器有很强的非线性映射能力，可对机械设备故障模式进行正确分类。     

CP神经网络在机械故障模式识别中的应用

机械设备状态监测与故障诊断技术是保证机械设备安全稳定运行的一项重要措施。由于机械设备结构越来越大型化和复杂化 ,依靠人自身的经验和能力难以判断其征兆与故障之间的关系。随着计算机技术在各个领域的应用 ,智能型的自动监测与诊断技术在机械设备中得到了广泛应用。根据几种典型神经网络特点 ,选择了CP神经网络作为机械故障模式识别器。以大型机组典型故障的频率域特征参数作为网络的训练样本 ,对CP网络进行了训练 ,再将实际的一组频率域特征参数输入到模式识别器中 ,对故障类型进行识别。结果表明 ,以CP神经网络构筑的故障模式识别器有很强的非线性映射能力 ,可对机械设备故障模式进行正确分类。     

矿井通风机振动故障诊断的神经网络方法

轴流式通风机是煤矿生产中常用的关键设备, 对其进行故障诊断的研究具有十分重要的意义． 本文在分析通风机振动故障的原因及故障特征的基础上, 研究利用人工神经网络进行通风振动故障诊断的方法, 并建立了相应的神经网络诊断模型, 研究表明该模型可用于通风机的故障诊断, 是一种有效的智能分类器．     

基于神经网络的交通标志识别方法

介绍了神经网络分类器的基本原理,针对3类交通标志,即禁止标志、警告标志和指示标志,提出了应用神经网络分类器进行交通标志自动识别的基本方法。神经网络分类器由两层网络联结而成,前层网络由单个BP网络完成交通标志的粗分工作,后层由3个BP网络将粗分结果分别进行细分,完成识别任务。此设计结构与传统的单层分类器相比,在训练速度和识别正确率方面都有较大的提高;显然,这与神经网络在解决小规模问题时正确率高、训练速度快相符合。同时,增加新的训练样本时,只要对相应网络进行训练即可,而不必对整个网络进行重新训练。实验结果表明,基于神经网络的交通标志自动识别方法,具有很好的识别效果。     

用于地物图像分类的神经网络的构造

对神经网络在模式识别中的应用进行了研究 ,针对军用点状地物识别这一具体问题 ,比较了径向基函数网络和多层感知器神经网络 ,提出了一种径向基函数三阶自相关神经网络 ,设计出一种自适应隐层单元个数选取算法 ,并把构造的分类器用于地物图像的分类实验 ,结果表明该算法能很好的自适应控制网络规模 ,网络模型具有任意平移不变性和很快的训练速度 ,且有良好有容错性和较高的识别率     

基于改进PSO-BP混合算法的电力变压器故障诊断

采用粒子群算法和反向传播神经网络建立一种新型变压器故障诊断网络模型,设计故障诊断方法.仿真分析结果表明：基于该网络模型的诊断方法与传统的三比值法相比较,具有较好的故障识别与分类能力,显著提高了诊断准确率,将在电力设备故障诊断中有良好应用前景.     

基于PSO-RBF的航空相机电源板故障诊断技术研究

针对机载航空相机电源板故障率高,传统故障诊断方法技术不足而造成的相机维护难度大的实际问题,提出一种基于PSO-RBF神经网络的电源板故障诊断方法。考虑选取RBF网络训练算法中隐含层节点数和中心参数的难题,采用实用粒子算法约简了RBF神经网络,设计了航空相机电源板故障诊断系统方案,并给出了诊断系统的软件模块和实现方法,实现了从计算机仿真到工程应用的电源电路故障诊断。仿真与实际检测实验结果均表明,系统在不依赖任何标准设备和附加测点时,可对航空相机电源板进行实时、全自动化故障检测,其故障现象的检测覆盖率为100%,故障诊断平均可靠性可达到97.73%,故障器件定位率可达到96.89%。     

混合神经网络在泵站机组故障诊断中的应用

分析了专家系统ES和前向神经网络MLP对新事件的识别能力的不足 ,探讨了神经网络的数学模型和数学结构 ,建立了MLP和ART1相结合的混合型神经网络模型 ,以实现故障模式的有效识别 .在泵系统故障诊断与监测中的应用表明 ,混合型神经网络能可靠地进行水泵机组故障模式的识别 .     

全光网中采用可信度模型的故障定位技术

宽带业务的飞速发展推动着光网络向着超大容量、超高速率方向演进．与此同时,在透明节点增加、光电再生设备减少的全光网络中,多故障定位的非完全多项式属性、网络拓扑的复杂性以及承载业务的多样性使得故障定位变得尤为困难．如何根据收集的告警信息,确切地找出故障的准确数目及其位置成为网络管理人员的难题．针对全光网中故障与告警的关系展开研究,在多故障定位的相关方向上完成了采用可信度推理方法对故障与告警之间的复杂映射关系进行梳理,建立了一种多故障条件下全光网故障定位模型,并以此为基础,提出了基于模糊隶属度以及联合可信度的两种启发式故障定位算法．通过不同的网络拓扑以及与其他的算法对比,对这两种算法以及可信度模型的正确性进行了验证．仿真结果表明,该模型能够很好地处理多故障定位问题的不确定性,且定位性能优越,具有很强的实际意义．     

基于神经网络和证据理论的滚动轴承故障预测方法

传统的故障预测方法难以对不同工况下的滚动轴承故障进行有效预测,为此,提出了一种基于BP神经网络和DS证据理论的滚动轴承故障预测方法。首先采用擅长于处理非平稳信号的小波包分解对多个传感器采集的原始振动数据进行特征分析,然后对BP神经网络的结构和参数进行优化设置并使用多个BP神经网络分别进行故障预测模型训练,最后利用DS证据理论将多个神经网络得到的预测结果进行融合并输出最终预测结果。实验结果表明,该方法能对不同工况下的滚动轴承故障进行有效预测,故障预测平均准确率达96.37%;且与相关文献提出的方法相比,所提出的方法得到的滚动轴承故障预测准确率有所提升。     

子波神经网络在故障诊断中的应用研究

根据旋转机械常见的的故障类型和故障信号时域采样数据 ,以子波空间作为模式识别的特征空间 ,采用信息熵为代价函数的神经网络学习算法 ,由子波神经网络对故障进行学习和诊断 .实验结果表明 ,子波神经网络的故障诊断方法在不了解故障信号频率结构的情况下 ,即可对平稳和非平稳故障信号进行诊断 ,适于设备在线监测及设备的巡检