基于PSO优化BP神经网络的变压器故障诊断

为克服BP神经网络算法在故障诊断应用中的缺点,提出了粒子群优化BP神经网络的方法,并在此基础上优化BP神经网络的结构来提高准确率。最后,通过对变压器故障诊断在Matlab中的仿真结果,验证了此方法有较高的准确率和较快的收敛速度。     

异步电动机故障诊断粒子群优化神经网络模型研究

为了提高异步电动机故障诊断的准确性,采用了一种自适应权重粒子群优化神经网络的方法,用于BP网络的初始权值优化,并用优化好的BP网络进行故障诊断。仿真结果表明,该算法克服了BP网络收敛速度慢、易陷入局部极小的问题,取得了较好的诊断效果。     

基于粒子群优化RBF神经网络的煤矿通风机故障诊断

为了提高煤矿通风机故障诊断的准确性,采用了一种粒子群优化RBF神经网络的方法。利用粒子群容易实现等特点,对RBF网络的中心、宽度以及连接权重进行优化,并用优化好的神经网络对通风机进行故障诊断。仿真结果表明,该方法具有较好的分类效果,适用于通风机的故障诊断,是一种实用的故障诊断方法。     

基于粒子群和BP混合优化的采煤机故障诊断分类方法研究

故障诊断的本质是信号的特征提取与分类,BP神经网络是典型的一种分类方法。针对传统的BP算法易形成局部极小值,缺乏全局搜索性的缺点,利用粒子群算法可以在复杂、多峰、非线性及不可微的空间中实现快速、高效的全局搜索的特点,结合传统BP算法,提出一种基于PSO-BP混合训练神经网络的新方法。该算法首先利用粒子群算法的全局搜索能力对BP网络的权值进行优化,同时引入粒子群熵的概念对粒子群体中个体的多样性进行度量,当粒子群熵的估计值超过某一设定阀值时,用BP算法进行神经网络的训练。采用采煤机的轴承故障数据集对PSO-BP算法进行验证,证明该方法能够对采煤机的故障进行诊断。     

基于改进粒子群的采煤机齿轮箱故障诊断

采煤机截割部摇臂齿轮箱承担着综采工作面截割部动力传动的重任,其故障与否直接影响采煤机正常工作。而传统的故障诊断方法-BP神经网络采用基于梯度下降的算法,存在容易陷入局部极小值、收敛速度慢等不足,这些不足严重影响了BP网络的应用。然而粒子群算法(PSO)有很好的全局收敛特性。因此,为了提高网络的性能,采用粒子群算法来优化BP神经网络,将改进的PSO引入神经网络的拓扑结构,用PSO的迭代代替BP中的梯度修正。结果表明:提出的改进方案可以有效地优化神经网络,提高其在采煤机齿轮箱故障诊断中的应用价值。     

基于粒子群优化RBF神经网络的液压钻机故障诊断

提出了一种基于粒子群优化径向基神经网络的液压钻机故障诊断方法。该方法使用虚拟仪器及LabVIEW软件对液压钻机的特征信号进行采集,利用粒子群优化算法对径向基神经网络的径向基中心值、宽度以及权值进行优化,实现了液压钻机的故障诊断。结果表明,基于粒子群优化径向基神经网络的液压钻机故障诊断方法在小样本情况下,诊断准确率高,实用性强。     

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。     

基于CPSO-BP神经网络的冲击地压预测

针对预测冲击地压的传统方法存在的弊端,提出了一种基于混沌(Chaos)优化粒子群的BP神经网络算法。该算法将混沌、粒子群、BP神经网络结合起来,通过混沌粒子群算法寻优得到BP神经网络的最优权值和阈值初始值,然后进行网络训练和测试。该算法对冲击地压的预测取得了较好的效果。     

基于混沌免疫粒子群算法的故障特征选择

针对传统组合优化方法用于故障特征选择的缺陷问题,提出了基于人工免疫和混沌思想的混合粒子群优化算法的特征选择策略。引入混沌优化和人工免疫系统中的克隆选择机制,利用克隆和混沌变异等算子对算法进行改进,提高种群的多样性,增强了算法跳出局部极值的能力。实验结果表明,该混合粒子群算法比常规粒子群算法具有更快的优化速度,有效提高了特征选择效率,使故障诊断精度有所提高。     

基于ALNAFSA优化BP神经网络的行星齿轮箱故障诊断

以行星齿轮箱为研究对象,提出了一种新型故障诊断方法。介绍了一种改进的自适应局部邻域人工鱼群算法(ALNAFSA),用该算法优化BP神经网络,避免了BP出现局部极值。对行星齿轮箱进行了实验,提取出5种工况的样本熵并构成特征向量,将其输入到ALNAFSA-BP模型中进行分类识别。与BP神经网络模型进行比较,结果表明,ALNAFSA-BP神经网络故障诊断准确率显著提高,达到95%。     

RBF神经网络在往复泵故障诊断中的应用

论述了RBF神经网络的基本网络结构和网络的学习及运行过程,结果表明:RBF神经网络具有极快的学习收敛速度。讨论了RBF神经网络在往复泵故障诊断中的应用,并对训练后的网络进行了仿真测试,仿真结果表明RBF网络有较高诊断正确率。     

基于粗糙集-神经网络系统的采煤机故障诊断研究

针对神经网络在故障诊断中存在着输入属性维数多和数据量庞大的缺点,利用粗糙集理论对原始数据进行约简,并剔除其中不必要的属性,构建了优化的粗糙集-神经网络智能系统。通过对实例分析,使用该系统能够提高采煤机故障诊断的准确性和效率,在故障诊断中有良好的应用前景。     

基于粗糙集-神经网络系统的采煤机故障诊断

利用粗糙集理论对原始数据进行约简,构建优化的粗糙集—神经网络智能系统。该系统能够提高采煤机故障诊断准确性和效率,有良好的应用前景。     

基于PCA-BP的煤矿热电厂辅机故障组合分析法

针对煤矿热电厂部分机组保护功能不完善的现状,研究并提出了一种基于PCA-BP的煤矿热电厂辅机故障组合分析法。该方法用降维处理过后的过程变量来训练和测试BP神经网络,在保证故障诊断精度的同时,减少了神经网络输入神经元,降低了神经网络建模的复杂度,因此PCA-BP组合分析法在热电厂辅机故障诊断运用中能起到很好的效果。     

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。     

离散BAM网络在混凝土输送泵故障诊断中的应用

以混凝土输送泵液压系统为研究对象,详细论述了离散BAM网络及其动力学演化过程,建立了基于BAM算法的神经网络模型,将其应用到混凝土输送泵液压系统的故障诊断中,并利用Lyapunov能量分布图对网络进行分析。结果表明:将离散BAM网络应用于故障诊断是可行的,为故障诊断开辟了一条新途径。     

基于遗传神经网络的矿井通风机故障诊断研究

为了提高矿井通风机机械故障诊断的准确性,提出了一种基于遗传神经网络的矿井通风机故障诊断模型。利用BP神经网络的自学习、自适应、强容错性,并通过遗传算法优化BP神经网络的连接权重和阈值。弱化了故障诊断中的人为因素,提高了评价结果的准确性和权威性。仿真结果表明,该诊断方法具有准确度高、诊断速度快等优点,是一种实用的故障诊断方法。     

基于遗传网络的提升设备故障诊断研究

提出了一种改进的遗传神经网络算法 ,该算法综合了遗传算法的全局性和神经网络的并行快速性等特点 ,有利于克服神经网络存在易陷入局部极小和收敛速度慢的问题 ,达到了优化网络的目的。此算法应用于 2JTP - 1.2型提升机的液压制动系统的诊断上。通过试验得出对故障模式的识别精度较高 ,具有较好的应用前景     

基于遗传算法优化BP神经网络的提升机制动系统故障诊断

针对提升机故障诊断系统的复杂性,利用浮点数编码的遗传算法优化BP神经网络的初始权值和阈值,再按BP算法沿负梯度方向进行网络学习直至收敛,构建起遗传算法优化BP神经网络的诊断方法。将此诊断方法应用于2JTP-1.2型提升机液压制动系统,诊断结果表明,该方法用于提升机液压制动系统常见故障诊断可行。