一种改进的PSO-BP算法在液压系统故障诊断中的应用

液压系统故障诊断中采用BP神经网络进行故障的模式识别,存在着收敛率较低的问题。结合粒子群算法和BP算法各自的优势,提出了一种基于改进的PSO-BP液压系统故障诊断方法。对标准粒子群算法的惯性权重和学习因子进行改进,再对BP神经网络的权值和阈值进行优化,达到改善BP网络性能的目标。仿真结果表明该方法提高了BP网络的收敛率,减小了诊断误差。     

基于神经网络信息融合的柴油机故障诊断

本文论述了神经网络信息融合的原理与方法,首先就BP网络训练速度慢,易陷入局部极小点的问题,提出将附加动量项与自适应学习速率相结合的改进BP算法,有效地抑制了网络陷于局部极小并提高了收敛速度。最后,将振动信号与血管压力信号作为特征参数,分别采用传统BP算法,改进BP算法对供油系统的三种故障进行信息融合诊断分析。实践表明,神经网络信息融合方法非常适用于多征兆机械系统的故障诊断。     

基于遗传BP网络的模拟电路故障诊断

在模拟电路故障诊断中,BP(back propagation)神经网络得到了广泛的应用并取得了不错的效果。但是BP神经网络在训练时仍然存在网络学习收敛速度慢、不易获得全局最优解、网络结构不确定等缺点。采用Levenberg-Marquardt算法进行网络训练,并用遗传算法对BP神经网络结构、初始连接权值和阈值进行全局优选,可以有效克服BP网络存在的缺陷。以Leap Frog Filter滤波器电路的故障诊断为例,仿真实验表明,优化后的BP网络能够快速有效的诊断电路中存在的故障,并且具有更高的诊断精度。     

改进的BP神经网络在故障诊断中的应用

介绍了BP神经网络的结构和学习方法,针对BP网络存在局部极小值和收敛速度慢等问题．提出采用一种基于Levenbe rg-Marquardt算法(LM算法)的改进BP网络,最后通过汽轮机故障诊断实例的仿真研究,结果表明改进算法的性能明显优于常规BP算法,经改进算法训练的网络能大大提高故障的在线诊断能力．具有广泛的应用前景和应用价值。     

神经网络结构与算法对变压器故障诊断的影响

BP神经网络算法本质上是基于梯度下降的一种迭代学习算法,存在学习收敛速度慢、收敛精度低、易陷入局部极小、学习率难以选取、隐层数及隐层神经元个数难以确定等缺陷。为了选择出更适宜变压器DGA故障诊断的神经网络结构及算法。本文采用了常用的几种智能算法对变压器故障样本进行了诊断性能对比实验。结果得出Levenberg-Marquardt神经网络算法是收敛速度较快的算法,有动量和自适应的梯度下降法是收敛稳定性较佳的算法;网络最优结构设计过程。为用于变压器DGA故障诊断的神经网络的结构和算法提供了系统化的试验方法。     

基于非线性同伦LM算法的故障诊断方法

引入同伦理论并定义了一种广义的非线性同伦映射,基于现有BP算法,将同伦方法与Levenberg-Marquardt(简称LM)优化方法结合,提出了一种非线性同伦LM神经网络学习算法用于神经网络训练,解决了现有学习算法收敛速度慢和局部极小值的问题,提高了神经网络的学习效率.将改进算法用于建立神经网络故障诊断模型,研制出实时诊断系统用于电站锅炉送风机在线故障监测与诊断.应用结果表明,该诊断方法在收敛速度、精度和稳定性能等方面较同类方法有较大改善.     

基于Petri网和萤火虫神经网络的柴油机故障诊断

针对BP神经网络在柴油机故障诊断中,提取训练数据的盲目性及网络收敛速度慢、精度低的问题,提出一种基于Petri网与萤火虫神经网络的故障诊断方法.通过Petri网建模归纳出柴油机所有故障模式,提取神经网络的训练数据,利用萤火虫算法来优化BP神经网络的权值和阈值,改善BP神经网络的性能.仿真实验表明,采用Petri网建模并用萤火虫算法优化BP神经网络的方法,有效地提高了神经网络的收敛速度和诊断精度,在柴油机故障诊断中得到了较好的应用.     

动量因子BP神经网络算法在设备故障预测中的应用

设备故障预测是设备预防性维护的重要组成部分。本文针对传统方法处理设备故障预测的不足,采用动量因子BP神经网络算法来预测设备状态。通过网络学习和诊断实验表明:动量因子BP神经网络算法不仅能解决设备故障预测的非线性问题,而且预测结果非常准确、误差精度较高、收敛速度较快。     

基于LMBP神经网络的故障预报方法及其应用

利用具有二阶收敛效应的Levenberg-M arquardt(L-M)算法优化BP的权值修正量,提出了一种快速收敛的LMBP学习算法,给出了基于LMBP神经网络的故障预报方法,并应用于某陀螺仪的故障预报。结果表明:较之BP和传统改进BP网络,LMBP网络有着更高的收敛速度;基于该网络的时间序列预测模型可以实现性能优越的非线性预报器,将其应用于非线性系统的故障预报能够取得良好的效果。     

基于改进BP神经网络的水轮机进水蝶阀故障诊断方法

传统水轮机进水蝶阀故障诊断方法 RMSE性能较差,无法有效精准诊断到故障,提出基于改进BP神经网络的水轮机进水蝶阀故障诊断方法。建立BP神经网络,利用粒子群算法改进网络参数,采用传感器采集进水蝶阀振动、噪声以及压力等数据,利用改进后的BP神经网络分析故障信息,提取故障特征,识别与诊断进水蝶阀故障类型,实现故障诊断。经实验证明,设计方法 RMSE值在0.2以下,诊断精度较高,具有良好的应用前景。     

运用遗传算法优化神经网络的发动机故障诊断

为了对发动机故障进行正确诊断,可采用BP神经网络方法建立发动机故障诊断模型,但由于BP神经网络存在收敛速度慢及网络泛化能力差的缺点,易影响发动机故障诊断正确率。为了提高网络正确识别能力和泛化能力,采用遗传算法对神经网络的权值和阈值进行优化,网络误差满足要求后,用BP神经网络方法进行修正,从而使网络误差达到最小。将该算法应用于发动机故障诊断中,结果表明,该方法诊断故障误差更小且收敛更快。     

神经网络技术在变压器故障诊断中的应用

本文针对变压器传统故障诊断的缺点,提出将神经网络技术用于变压器故障诊断。本文对BP算法改进,使网络收敛速度和误差精度进一步提高。收集部分油中溶解气体故障数据样本,对变压器故障类型进行了分析,并确定网络的输入和输出向量,建立诊断网络模型,实现对各项网络参数的比较确定,在Mtalab里面仿真使误差满足要求。     

GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用

针对目前利用优化算法改进的BP神经网络算法对行星齿轮箱进行故障诊断过程中存在的故障识别率低、收敛速度慢和参数选择困难等问题,提出了一种用GA-ACO算法对神经网络参数进行优化的算法。给出GA-ACO-BP算法的基本原理和主要步骤,并将此方法应用到行星齿轮箱的故障诊断中。比较了ACO-BP神经网络算法和GA-ACO-BP算法的性能。结果表明,ACO优化BP神经网络算法对行星齿轮箱的故障诊断收敛速度慢且识别精度不高,而GA-ACO-BP算法能够对行星齿轮箱故障进行准确、快速的诊断和识别。     

基于GA-ACO优化BP算法的齿轮箱初期故障诊断研究

为提升BP算法处理精度及收敛效率,通过GA-ACO方法对BP算法进行优化,并诊断不同结构齿轮箱运行故障信号。利用GA算法进行寻优计算,获得BP算法的最优权值与阈值;对信息素分布实施初始化,使优化解路径上形成更高浓度的信息素,促使ACO搜索过程获得更快收敛速率并提升结果精度。研究结果表明：模型实际和期望输出形成了相近的故障诊断结果,误差为0.000 185,满足目标控制标准;对BP算法实施GA-ACO优化处理后,可以对齿轮箱故障达到很高的诊断准确率。相比较ACO优化BP算法,经GA-ACO优化BP算法达到很小误差,CPU处理时间更短,可以同时实现故障诊断精度与收敛速率的提升。该研究对机械传动设备的早期故障排查以及运行稳定性优化,具有很好的实际指导价值。     

基于改进萤火虫算法神经网络的刮板输送机减速器故障诊断

为了对刮板输送机减速器故障进行准确诊断研究,提出了一种基于改进萤火虫算法优化神经网络故障诊断方法。首先对刮板输送机减速器故障特征参数进行特征提取,其次应用特征数据样本进行基于神经网络的故障诊断模型训练,利用改进萤火虫算法对神经网络权值、阈值进行优化,加快目标的优化求解,得到最优的网络模型。初步研究表明将改进萤火虫算法与BP(back propagation)神经网络结合可以有效地解决神经网络收敛速度慢,易陷入局部最优等问题,可以对刮板输送机减速器的故障进行准确诊断。     

基于改进的BP神经网络的柴油发动机故障诊断

柴油发动机采用高压共轨燃油喷射技术,提高了柴油机的综合性能,但高压共轨柴油机电控系统比较复杂,增大了柴油机故障诊断的难度。该文介绍了BP神经网路及LM算法,并利用改进的BP神经网络对发动机电控系统故障进行诊断研究。以长城哈佛GW2.8TC发动机为实验对象,让发动机在怠速状态下,对发动机进行故障设置,利用金德KT600故障诊断仪采集发动机的故障数据流,运用改进的BP神经网络建立诊断模型,诊断结果表明改进的BP神经网络的收敛速度快,运用改进的BP网络诊断柴油机电控系统故障是行之有效的。     

基于改进PSO优化BP神经网络的变压器故障诊断

变压器故障诊断是非线性模式识别过程,单一的BP(Back Propagation)神经网络收敛速度慢、容易陷入局部最小值,提出用改进粒子群算法(Particle Swarm Optimization,缩写为PSO)进行优化。使神经网络的学习速率动态减小,保证前期充分搜索,后期网络稳定;动态调整PSO的惯性权重和学习因子适应不同阶段的搜索要求,同时引入变异思想,重新初始化某些变量跳出局部最小值。绝缘油中5种特征气体为判断依据,划分高能放电、低能放电、高温过热、中低温过热四种故障,运用新改进的算法建立故障诊断模型,100多个样本进行实际故障诊断,准确率达到83%以上。结果表明,改进PSO-BP更加准确、可靠。     

基于改进BP神经网络的故障诊断方法

对于常规BP神经网络,其收敛过程存在两个很大的缺陷:收敛速度慢;存在所谓"局部最小值"问题.文章采用了一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练,建立了智能诊断模型,并应用于某型坦克发动机的故障诊断,测试结果表明该方法相比常规BP算法能够更有效诊断发动机油路和气路的故障,从而为故障诊断及判定的自动化提供了一个新思路.     

一种基于Elman神经网络的液压泵故障诊断技术

针对传统BP网络进行液压泵故障诊断时，网络学习具有收敛速度慢和学习、记忆不稳定的缺陷，提出将Elman神经网络应用于液压泵故障诊断，建立Elman神经网络的结构模型，介绍了该网络的训练算法，阐明了液压泵故障诊断的实现过程。通过试验验证了该神经网络收敛速度快，学习记忆稳定，具有很好的学习功能；测试结果表明该诊断方法具有高可靠性，达到了预期的结果，可以用于液压泵故障诊断。     

一种自适应CS算法及其在风电齿轮箱故障诊断中的应用

针对布谷鸟搜索(CS)算法易出现早熟收敛以及风电机组齿轮箱的故障模式难以有效识别等问题,提出一种基于自适应CS算法的BP神经网络(SaCS-BP)智能诊断技术。通过构建SaCS算法,实现了步长和发现概率的自适应调整,并采用一组基准函数测试了该算法的有效性;将SaCS与BP神经网络进行融合,构建了风电齿轮箱的故障诊断模型。结果表明,SaCS算法具有较佳的寻优精度和普适性。此外,与BP神经网络以及布谷鸟搜索算法优化BP网络(CS-BP)相比,SaCS-BP算法获得了最高的诊断准确度,从而实现了风电齿轮箱故障模式的有效识别。