遗传优化LVQ神经网络在设备故障诊断系统中的应用

为了提高设备故障诊断的准确度,采用LVQ神经网络来完成设备故障定位及识别,并借助遗传算法求解LVQ神经网络权重初始值。在设备故障诊断的建模过程中,根据实际故障情况和故障常见类别建立LVQ神经网络的设备故障诊断模型,充分挖掘LVQ神经网络在机械设备故障诊断细粒度的优势,为了防止因为故障细粒度诊断而造成收敛过慢的情况,对LVQ神经网络的权重和阈值初值进行遗传算法求解,然后在进行LVQ神经网络的迭代训练,得到稳定的LVQ神经网络故障诊断模型。经过实验证明,相比于传统的LVQ神经网络算法,采用基于遗传算法优化LVQ神经网络的设备故障分类,分类准确度更高,训练时间更快。     

BP神经网络在齿轮箱故障诊断中的应用

介绍了BP网络的原理、算法，并用BP网络对采煤机截割部齿轮箱机械传动系统的故障进行了趋势预测。经过地面模拟加载实验及井下验证，证明用人工神经网络可较好地预报机器故障，变被动维修为视情维修，可节省大量的设备维修费用，为合理安排生产计划及设备检修提供了可靠的依据。     

基于风驱动优化BP神经网络的滚动轴承故障诊断

提出一种基于风驱动优化BP神经网络的滚动轴承故障诊断方法。把BP神经网络权值和阈值作为优化参数,利用风驱动算法对其进行优化,提高了神经网络的训练效率和准确率。对滚动轴承的振动信号进行处理,提取其时域特征、频域特征、FFT谱特征、功率谱特征、小波包络谱特征作为轴承的故障特征。经测试,优化算法的诊断结果正确,减小了BP网络的训练误差和测试误差,验证了风驱动优化BP神经网络用于滚动轴承故障诊断的有效性和实用性。     

系统稳态下的故障诊断神经网络

1 引言 用BP(Back propagation)算法进行前馈神经网络的训练近来已被用于解决故障诊断问题,它能有效地进行故障分类,但如果输入并未被训练数据占据的话,它将任意分类,而不是根据与训练数据的近似性来分     

基于多模态集成卷积神经网络的数控机床齿轮箱故障诊断

针对数控机床齿轮箱在实际工作环境中负载多变且噪声干扰大、传统神经网络难以充分提取信号中的故障特征等问题,提出一种多模态集成卷积神经网络（MECNN）用于数控机床齿轮箱故障诊断。该方法将多模态融合技术与多个卷积神经网络结合,利用快速傅里叶变换方法将时域信号转换成频域信号;利用时域信号和频域信号对2个卷积神经网络进行训练,使模型能够分别从时域和频域2个角度提取特征,再将浅层特征融合;最后,将融合后的特征输入到卷积神经网络中进行故障特征的深度挖掘,并进行故障诊断。使用东南大学的齿轮箱数据集进行验证,设计了2种特征融合的方法并进行了对比。实验结果表明：在噪声下,MECNN模型用于故障诊断的准确性和鲁棒性均优于单一的时域CNN和频域CNN。     

基于蚁群优化的神经网络智能PID控制策略研究

提出了一种基于蚁群优化、BP网络学习和RBF网络辨识的智能PID控制策略,有效地克服了BP算法训练过程中收敛慢和易陷入局部极小值的缺陷.利用该控制策略,对PID参数进行在线调整,并应用于材料试验机电液位置伺服系统.仿真结果表明,与各种传统PID控制策略相比,采用该智能PID控制器控制的系统具有更好的动态响应特性和抗扰动能力.     

基于特征差异性学习卷积神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断需要大量专家经验知识、人工提取特征困难的问题,提出基于特征差异性学习卷积神经网络(FDLCNN)的故障诊断方法。构建不同深度的多尺度网络,并引入残差模块,以提升网络的特征提取能力;提取一维时序信号中不同尺度不同深度的故障特征,再通过自适应平均池化层处理后进行特征融合,以丰富智能诊断决策信息;最后在全连接层实现特征降维,使用Softmax分类器输出诊断结果。利用10种齿轮箱故障状态实验数据与现有3种方法进行对比分析,结果表明：FDLCNN故障识别精度更高,鲁棒性更强,收敛速度更快。     

基于优化VMD和BP神经网络液压管路故障诊断研究北大核心

针对航空发动机液压管路故障信号易受噪声干扰、管路故障诊断准确率不高等问题,提出基于优化变分模态分解和BP神经网络的故障诊断方法。利用遗传算法自适应确定变分模态分解K、α的最优参数,然后采用优化后的变分模态分解方法对航空液压管路的振动信号进行分解,最后将故障特征明显的故障分量输入BP神经网络模型中进行训练和分类。结果表明:提出的基于变分模态分解与BP神经网络的航空液压管路故障诊断方法能够精准识别出航空液压管路多种不同的故障状态。     

基于混合特征和CFOA-GRNN的行星齿轮箱故障诊断研究

针对行星齿轮传动系统典型故障的识别,提出一种基于信号混合特征和混沌果蝇优化算法-广义回归神经网络（CFOA-GRNN）的故障诊断方法。计算信号的几种典型时域统计特征,并通过小波包分解获取信号频域能量特征,得到信号混合特征向量作为广义回归神经网络（GRNN）的输入;采用混沌扰动改进的果蝇优化算法对GRNN进行参数寻优,构建最优诊断模型;利用采集的行星齿轮箱实验台不同工况数据进行实验和对比。结果表明：所提方法能够有效识别不同工况下齿轮箱的不同故障;与其他模型相比,它具有参数设置简便、主观因素影响小、寻优速度快等优势,具有较好的实用性。     

3J33B马氏体时效钢时效工艺-时效硬度的人工神经元预报

对不同时效处理的3J33B马氏体时效钢进行硬度测试,获得了时效工艺（温度、时间）、硬度参数数据。利用BP人工神经网络建立起其关系网络模型。结果表明,所建立的网络可以很好地反映出材料的时效工艺-时效硬度之间的关系,网络模型可以用来预测不同时效条件下3J33B马氏体时效钢的时效硬度,并且利用粒子群优化,对3J33B马氏体时效钢的时效工艺进行优化,对实际生产具有有效的指导作用。     

基于遗传-BP神经网络的航空发动机气路故障诊断研究

为提高BP神经网络诊断发动机气路故障的准确率,利用遗传算法对BP神经网络的初始连接权值和阀值在解空间内进化寻优,再将优化结果赋给网络以梯度下降算法进行二次训练,再对待检故障样本进行诊断。结果表明：GA BP网络在输出精度、收敛速度及收敛曲线平滑性上明显优于普通BP网络,为航空发动机故障诊断领域的研究提出了新的思路和方法,具有一定研究价值。     

基于改进的PSO在并联机构神经网络控制系统中的应用

针对传统 PID 神经网络不能实时有效地控制非线性多变量系统的问题,设计了一种新型多变量自适应 PID 神经网络控制器。该控制器的隐含层带有输出反馈和激活反馈,实现了比例、微分和积分功能。利用一种基于解空间划分的改进粒子群算法对控制器参数进行优化,消除了初始值对控制器准确性的影响,并将控制器应用于并联机构控制中。由仿真结果可知：控制器控制精度高,鲁棒性和自适应性较强。这一研究为并联机构的精准控制和优化设计提供了理论基础。     

基于神经网络的电动机故障诊断设计

以神经网络模型理论和智能控制技术为基础,研究了径向基函数(RBF)神经网络的模型结构及其在交流电动机故障诊断中的实现方法。结果表明:RBF神经网络的训练速度更快,逼近误差更小,能够更加有效地解决交流电动机故障诊断问题。     

基于GA优化的BP神经网络的热处理工艺评价方法

对热处理工艺过程的资源环境属性进行综合评价能够有效地指导工艺生产过程的绿色化改进。本文在研究热处理工艺过程资源和环境属性的基础上,将GA优化的BP神经网络系统应用于热处理工艺的绿色性评价系统中,建立工艺过程的绿色性评价模型,并对模型求解方式进行了研究,用matlab进行编程求解。用实际案例证明本文所述评价方法的可行性和正确性。     

基于遗传神经网络的焊接接头力学性能预测系统

文中广泛收集和整理企业第一线的焊接工艺和焊接接头力学性能数据,并建立起相关数据库.应用遗传算法优化BP神经网络,建立焊接接头力学性能预测模型,实现碳钢、低合金高强钢以及不锈钢的抗拉强度、屈服强度、断后伸长率以及断面收缩率等力学性能指标预测.结果表明,材料成分和焊接工艺为影响接头力学性能的主要参数,应用遗传算法优化BP神...     

基于粒子群算法的RBF神经网络齿轮磨损预测

针对机械设备磨损难以预测问题,提出RBF神经网络预测模型,并结合粒子群算法优化模型参数。利用变速箱型号为SG135-2系列的K727840ZW齿轮磨损实验输入-输出数据,通过基于粒子群算法的RBF神经网络建立输出预测模型,并与传统的AR模型、BP神经网络模型及Hermite神经网络模型预测作比较。仿真结果表明,基于粒子群算法的RBF神经网络模型结构简单、预测精度高,验证了所提方法的有效性和实用性。     

基于BP神经网络的钢轨闪光对焊接头灰斑面积预测

针对钢轨闪光对焊的特点,根据GAAS80/580焊机记录的压力、电流和动端位移随时间而变化的曲线,从中提取了10个主要影响接头灰斑面积的特征参数作为BP神经网络预测模型的输入量,建立了钢轨闪光对焊接头的灰斑面积预测模型.采用粒子群算法优化了BP神经网络的权值和阈值,并利用优化后的BP网络模型对接头灰斑面积进行了预测.结果表明,提取的特征参数能较好地反映焊接接头灰斑情况,粒子群算法优化的BP神经网络预测模型能较准确地预测出焊接接头灰斑面积.     

基于RBF神经网络的数控机床故障诊断研究

本文介绍神经网络用于数控机床控制系统的故障诊断技术，分析了数控机床故障诊断的方法，并采用RBF神经网络实现数控机床控制系统故障诊断的算法和程序设计。     

模糊神经网络在塑件注射成型多缺陷智能诊断中的应用研究

针对塑件注射成型多缺陷成因求解的模糊性与不确定性,考虑到神经网络在获取多维特征向量与对应输出向量之间非线性映射关系方面的优势,以及模糊技术在处理不精确信息方面的强大能力,提出将模糊理论和神经网络相结合,对塑件多缺陷成因进行判断、推理,并详细阐述了模糊神经网络用于塑件多缺陷诊断的整个过程。基于上述理论及Visual Prolog开发平台,开发了塑件注射成型多缺陷诊断智能系统,并进行了实例验证。结果表明,此系统具备较好的塑件多缺陷诊断能力以及一定的推广应用前景。