基于邻域属性重要度的齿轮箱故障特征优选方法

为有效降低齿轮箱故障特征的维数并提高诊断效率,提出了基于邻域属性重要度的齿轮箱故障特征优选方法,并结合支持向量机和BP神经网络对诊断的准确率和时间进行对比分析。以齿轮箱中不同裂纹齿轮为对象,选取能够表征齿轮箱故障状态的时域、频域和基于希尔伯特变换的36个特征。构造基于邻域模型的前向贪心数值属性约简算法进行特征优选,提取属性重要度较大的9个特征组成最优特征子集,数据压缩量达到75%,并输入支持向量机分类器中进行分类识别,用BP神经网络分类器进行结果的比较分析。结果表明,采用基于邻域属性重要度的齿轮箱故障特征优选方法,既可以在降低特征维数的情况下有效地表征齿轮箱的运行状态,又可以提高诊断的精确度和诊断效率。     

基于PCA与BP神经网络的信息流失预测模型分析

针对信息客户流失缺少有效的数据挖掘预测手段问题。提出了应用主成分分析的BP神经网络信息流失预测模型。结合5折交叉验证,模型对来自3个地市的营销返回样本,在训练分类时间和预测分类精度上与未经主成分分析降维的BP神经网络方法进行了比较分析。实验结果表明模型获取了较高的平均预测分类精度(77.46%)和较少的训练分类时间(2.18min),有效地降低了属性维度并改善了预测能力。     

基于粗糙集理论的数据挖掘技术及应用

通过粗糙集BP神经网络模型的构建,对影响煤炭物流中心选址决策的指标进行约简,提取影响选址评价的主要因素用属性约简算法约简,将降维后的数据送入网络学习和训练,最后用训练好的网络对测试样本进行检验。该模型使学习训练的速度和识别率提高了,为煤炭物流中心选址决策提供了一种更为有效和实用的新方法。     

基于BP神经网络的存储式测井仪数据回放模型

采用BP神经网络代替传统的基于最小二乘法的多项式拟合。通过网络训练,建立了基于BP神经网络的存储式测井仪数据回放模型,并对实验标定数据进行了对比处理。实验结果表明,BP神经网络技术是提高测井仪数据回放精度的有效方法。     

基于ARMA和遗传算法优化的BP神经网络电动机断条故障诊断

为判断鼠笼式三相异步电动机转子断条故障情况,提出了一种利用定子电流信号,基于ARMA和遗传算法优化的BP神经网络的诊断方法。首先,使用改进的ARMA算法对电动机的定子电流波形进行拟合,将自回归系数模型系数提取出来,作为表征电动机故障的特征向量,并分为训练集和测试集。然后利用遗传算法优化BP神经网络的初始阈值和权值,以避免BP神经网络陷入局部极值点的问题。再用训练集对BP神经网络进行训练,用训练好的神经网络对测试集进行判断。实验结果显示,ARMA模型可较好地对三相异步电动机定子电流波形进行拟合,BP神经网络可较为准确地判断特征向量表征的故障情况,此方法具有较好的诊断结果。     

基于因子分析与BP神经网络的煤体瓦斯渗透率预测

为提高煤体瓦斯渗透率预测准确性,使用因子分析法对BP神经网络模型进行优化、改进,提出一种改进的BP神经网络预测模型。根据煤体瓦斯渗透率相关主要影响因素实例数据,使用因子分析法对4个煤体瓦斯渗透率影响因素原始数据进行降维数据处理,优化得到2个公共因子;以2个公共因子代替原有4个煤体瓦斯渗透率影响因素作为BP神经网络模型输入层参数,建立改进的BP神经网络煤体瓦斯渗透率预测模型,进行实例数据检验改进BP模型预测效果。最终验证结果:20组训练样本预测值与实际值的相对平均误差为0. 63%,证明训练完成的改进BP神经网络模型具有良好的拟合效果;改进BP模型预测样本平均相对误差为3. 16%,传统BP模型预测样本平均相对误差为6. 37%,证明改进BP模型预测精确度优于传统BP模型。     

基于粗糙集-遗传神经网络分类器的矿井通风机故障诊断研究

针对当前矿井通风机机械故障诊断所面临的问题,提出了一种粗糙集-遗传神经网络分类器模型和它的构造方法,模型先利用粗糙集理论约简样本决策表属性,然后再利用遗传神经网络进行网络训练。通过与基本BP网络模型的对比,验证了该方法用于故障诊断的有效性。     

基于LM-BP神经网络的液压支架顶梁疲劳寿命预测及应用

本文提出基于LM-BP神经网络进行液压支架顶梁疲劳寿命预测方法,选取主筋板厚度、柱窝上方中心处横板厚度、两侧横板厚度、导向套筒孔半径、顶板厚度作为输入参量,将样本的液压支架顶梁疲劳寿命作为输出量,在进行训练时采用LM算法对BP神经网络进行改进,得到基于LM的BP神经网络模型,利用该模型进行液压支架顶梁疲劳寿命预测。研究结果表明:基于LM的BP神经网络模型的计算结果与测试样本拟合精度较高,具有广泛的应用前景。     

基于BP神经网络TTU屋面风压极值插值分析

为解决风洞试验中模型屋面测点布置无法完全覆盖,而导致对屋面风压数据掌握不完全的问题,本文基于BP神经网络对低矮建筑标准模型屋面角部区域风压极值进行插值预估,建立神经网络模型训练样本的同时保证极值信息的完备,构建贝叶斯训练模型对角部区域测点进行训练.结果表明:当风向角为0°和90°时,BP神经网络预测角部区域极值结果误差...     

神经网络储层参数测井解释在五百梯气田的应用

建立神经网络储层参数解释模型和进行解释处理的工作流程中,首先是进行各种储层参数的测井响应特征分析,确定输入曲线、网络模型结构,细致准备训练样本数据集;第二步是基于训练样本集的BP神经网络模型学习,统计误差,评价不同网络结构的神经网络模型的学习精度,然后挑选出最合适的BP神经网络模型对研究区各井目的层段的储层参数解释、预测。     

基于粒子滤波信号处理的柴油机故障诊断

采用基于神经网络的重要性权值调整的粒子滤波算法对预处理后的振动信号进行降噪、小波包能量谱提取,将提取到的能量谱作为特征向量用BP神经网络对其进行故障模式分类识别。对经过粒子滤波降噪的数据和没有经过处理的数据分别用BP神经网络进行诊断,之后进行训练、测试和诊断。结果表明经过粒子滤波降噪后的数据诊断效果比较好,也证明了基于神经网络粒子滤波降噪的效果较好。     

基于小波包-SVD和IPSO-BP的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳性和非线性特点以及BP神经网络结构参数差等因素导致滚动轴承故障识别准确率低的问题,提出一种基于小波包结合奇异值分解(SVD)和改进粒子群算法(IPSO)优化BP神经网络的滚动轴承故障诊断方法。首先通过小波包对振动信号进行分解与重构,得到不同频段的信号之后利用SVD提出有效的故障特征向量,输入到BP神经网络中进行测试。考虑到BP神经网络结构参数差等因素,使用IPSO对BP神经网络进行优化,最后测试得出结果。对比实验模拟和现场数据验证表明,基于小波包-SVD和IPSO-BP的滚动轴承故障诊断准确度大大提高。     

改进型BP神经网络在矿用感应电机速度控制中的应用

针对传统BP神经网络的不足,提出一种改进型神经网络速度控制器,并且应用于矿用电机矢量控制系统。为提高系统的鲁棒性,采用了在线辨识技术,对参数的变化实时补偿。仿真结果表明,这种基于改进型BP神经网络组成的感应电机速度矢量控制系统具有较好的实时控制性能和鲁棒性。     

基于遗传BP神经网络模型的矿区开采沉陷预计

为解决常规方法监测矿区开采沉陷的可控性、可操作性差及精度低等问题,采用BP神经网络模型拟合矿区高程值对开采沉陷进行预计是一种有效方法。但传统BP神经网络模型为反向传播算法,在训练时需多次试算方可确定神经网络系统的连接权值和阈值,具有易陷入局部最小值、收敛慢等不足。为此,采用遗传算法（Genetic algorithm,GA）对BP神经网络模型参数进行优化以提高其泛化能力,构建了遗传BP神经网络模型（GA-BP）。以某矿区首采工作面地表25个已进行了三等水准联测的高程监测点数据作为遗传BP神经网络模型（GA-BP）的训练样本（15个监测点数据）和测试样本（其余10个监测点数据）,分别采用BP神经网络模型、二次曲面拟合等方法与其进行试验对比,结果显示：遗传BP神经网络模型（GA-BP）具有更高的内、外符合精度及更小的残差,表明该方法有助于实现对矿区开采沉陷的高精度预计。     

模糊神经网络在提升机制动系统故障诊断中的应用

针对BP神经网络在提升机制动系统故障诊断中的局限性,如收敛速度慢和可靠性差等缺点,根据提升机制动系统的故障机理和特点,提出了一种基于遗传算法的模糊神经网络故障诊断方法。结合了神经网络和模糊逻辑的优点,在利用神经网络对提升机制动系统进行故障诊断的基础上,引入模糊逻辑的概念,采用模糊隶属函数来描述这些故障的程度,并利用遗传算法对网络的权值和阈值进行修正,加快了网络收敛的速度,克服了易陷入局部极小的问题。     

基于BP神经网络电路故障诊断系统研究

从几个方面介绍了存在于模拟电路中的故障类型。通过阐述BP神经网络的模式识别特点,提出了应用BP神经网络来解决电路故障诊断问题,并且分别应用BP算法和几种改进的BP算法进行结果比较。     

基于小波-神经网络的矿用通风机故障诊断研究

运用小波包频道能量分解技术提取了不同频带反映矿用通风机不同工作状态的特征向量，以此作为BP神经网络的故障样本，经训练的网络作为故障智能分类器可对通风机的工作状态进行自动识别和诊断．研究结果表明，小波包与神经网络相融合的故障诊断与识别技术发挥了两者的优点，是提取机械故障特征进行设备状态自动识别的有效方法．     

基于自由响应信号与BP神经网络的结构损伤程度识别研究

提出了基于自由响应信号与BP神经网络的结构损伤程度识别方法:首先采用随机减量技术提取自由响应信号,利用AR模型进行动态建模,计算结构损伤前后的模型系数之间的欧式距离;其后以结构损伤前后的欧式距离作为特征向量,输入BP神经网络确定结构的损伤程度。四层海洋平台结构的数值模拟表明,该方法是可行的,且具有一定的抗噪声能力。     

基于模糊神经网络的岩性智能识别及其应用

在对岩石分类的基础上进行岩性识别。提出了基于神经网络驱动模糊推理方法,目的在于将神经网络和模糊推理二者所长能够较好地结合起来,使得分析系统既具有推理功能,又具有很强的学习能力,这样更能适合变化复杂的牙轮钻进过程,更能接近人的思维方式,为难以模型化的牙轮钻进自动控制以及未来的智能钻机研究开辟了一条有效途径。在具体的分类、学习推理和计算应用中,比较使用了改进的BP网络、采用L－M算法的BP网络及径向基函数网络（RBFN）等。