基于GAN样本生成技术的智能诊断方法

基于数据驱动的设备故障智能诊断方法是监测设备健康状况的重要手段,然而实际应用中,难以获取到足量有效的故障数据训练智能诊断模型。鉴于设备健康状态数据充足和现有智能诊断方法故障机理利用不足,提出基于生成对抗网络(GAN)样本生成技术的智能诊断方法。健康状态数据反映了设备个性特征,故障机理反映了设备共性特征,基于两种特征融合,得到故障数据样本,通过对深度卷积神经网络的训练为设备个体构建个性化的智能诊断模型。采用来自CWRU轴承数据和实验台模拟故障数据进行的实验结果表明,该方法相比现有智能诊断方法无需真实故障样本,在变负载条件下实现了很高的诊断准确率,具有较好的变工况迁移能力。     

遗传算法和BP神经网络在电机故障诊断中的应用研究

人工智能方法在电机故障诊断中的应用,使得电机故障能够得到及时准确的预测和诊断,保障了电机的安全运行。介绍了BP神经网络及遗传算法的基本原理及组成结构,针对BP神经网络容易陷入局部极小点及收敛速度慢的问题,利用遗传算法对BP神经网络的权值和阀值优化,改善了BP神经网络的诊断性能;通过GA-BP网络对电机的三种故障模式进行了诊断识别,其实验仿真结果表明：无论是在诊断速度上还是诊断精度上,GA-BP神经网络诊断性能都比单独的运用BP网络有了很大提高。     

基于人工神经网络的Cu-Cr-Zr合金时效强化性能预测研究

本文首次利用神经网络对Cu—Cr—Zr合金时效温度和时间与硬度和导电率样本集进行学习，采用改进的BP网络算法——Levenberg—Marquardt算法，建立了时效强化工艺BP神经网络模型。预测结果表明：该BP神经网络可以充分挖掘样本蕴含的领域知识，可以对材料性能进行有效预测和分析。     

基于径向基函数神经网络的编织复合材料结构脱层损伤监测研究

鉴于传统的BP网络的速度慢和局部极小值问题，以及针对基于实验数据训练神经网络存在样本不足的缺陷，文中提出了利用径向基函数（Radial Base Function，简记为RBF）神经网络通过有限元方法对含有脱层损伤的复合材料试件进行数值模拟，把前五阶弯曲模态频率进行修正，以修正后的前五阶弯曲模态频率再经过归一化处理构建训练样本的新思路，将实验模态分析结果经归一化处理后送入训练好的RBF神经网络进行预测，从而实现对编制复合材料梁的脱层损伤定位和损伤程度评估。最后给出了编织复合材料结构损伤大小伤识别及定位的算例，仿真结果表明RBF神经网络速度快，稳定性好，精度高，在复合材料结构损伤监测中具有光明的应用前景和重要的工程应用价值。     

基于卷积门控循环神经网络的刀具磨损状态监测

针对刀具磨损状态在线监测需求,提出一种基于卷积门控循环神经网络的刀具磨损状态在线监测方法。综合卷积神经网络和门控循环神经网络的优点,构建了卷积门控循环神经网络;以切削力为输入信号,通过小波变换滤除噪声;利用卷积神经网络提取表征刀具磨损状态关键信息的高维特征;通过门控循环神经单元使模型在时间尺度上的累积效应得到充分表达,体现磨损的时序特性。实验表明,在有限的刀具磨损数据样本条件下,通过卷积门控循环神经网络进行刀具磨损状态监测具有较好的效果,其准确率达到97%。     

基于BP-RBF组合神经网络的废气监测盲区SO_2浓度预测

工业园区大气管理中,监测盲区的废气浓度分析是现有监测系统需要解决的难点问题.本文提出一种组合神经网络,利用已知监测点信息对监测盲区的废气浓度进行预测.首先,根据BP与RBF神经网络的特点,提出二者组合的神经网络结构;其次,分析监测盲区废气浓度预测问题,并提出基于BP-RBF组合网络的预测模型算法;最后,运用工业园区SO_2实际监测数据对所提组合网络预测方法进行实验验证.实验结果表明:本文所提BP-RBF组合网络预测方法具有良好的性能,适用于监测盲区废气浓度预测问题.     

基于BP神经网络的人工冰场低温冷水机组预测控制算法

为精确控制人工冰场冰面温度,提出基于BP神经网络的人工冰场冰面温度预测及低温冷水机组控制方法.根据采集到的低温冷水机组供/回水温度、冰场环境温度以及冰面温度数据,利用BP神经网络进行网络模型训练,建立BP神经网络模型.利用测试样本对预测模型的仿真结果进行检验,证明BP神经网络用于人工冰场冰面温度预测的可行性.根据冰面温...     

改进注意力机制的航空发动机试验转子系统智能故障诊断

考虑到航空发动机的工作环境十分恶劣,其故障的振动信号特征隐蔽且噪声干扰严重,为了加强网络对振动信号中关键特征的提取能力,提出了改进注意力机制的航空发动机转子系统智能故障诊断方法对航空发动机转子系统的不平衡和碰摩等故障进行诊断。提出局部池化改进的通道注意力机制,能够通过预提取局部极值解决现有通道注意力机制对航空发动机转子故障通道信息提取能力不足的问题;提出多评分机制改进的空间注意力机制,能够通过不同尺度的卷积评分解决现有空间注意力机制对航空发动机转子故障空间信息提取能力不足的问题;将二者结合构建改进的通道空间注意力机制模块,再导入一维卷积神经网络中构建改进注意力机制的一维卷积神经网络完成智能故障诊断,并且通过航空发动机转子系统故障数据集对比分析试验证明了该网络优秀的检测性能、抗噪性能和泛化性能等综合性能以及注意力机制改进方法的可行性。     

遗传BP神经网络试车台振动趋势预测

为解决航空发动机附件试车台主要监测参数振幅与流量、压力等其他参数之间的关系难以用线性模型来预测的问题,建立具有7-8-1结构并经遗传算法(genetic algorithm,GA)优化过阈值和权值的遗传反向误差传播(back propagation,BP)神经网络。以输出转速、增压泵入口流量、增压泵入口温度、增压泵入口压力、增压级出口流量、增压级出口温度和增压级出口压力为网络输入,附件的径向振幅为网络输出建立预测模型。将训练后的网络用于某型航空发动机附件振动趋势的预测,得到的预测值符合要求。     

基于VAE-GAN和FLCNN的不均衡样本轴承故障诊断方法EI北大核心CSCD

针对滚动轴承故障诊断中样本分布不均衡引起的模型泛化能力差、诊断精度低的问题,从两个方面展开研究:(1)故障样本增广,提出结合变分自编码器(VAE)和生成对抗网络(GAN)的VAE-GAN样本增广模型;(2)改进分类算法,提出基于焦点损失(FL)和卷积神经网络(CNN)的FLCNN(focal loss and convolutional neural network)样本分类模型。在此基础上,将VAE-GAN和FLCNN融合,构建VAE-GAN+FLCNN轴承故障诊断模型。首先,将样本量少的故障类输入VAE-GAN模型,通过交替训练编码网络、生成网络和判别网络,学习出真实故障样本的数据分布,从而实现故障样本的增广;然后用增广后的数据样本训练FLCNN分类模型,完成轴承故障识别。试验对比结果表明,所提方法能够有效提升样本不均衡条件下的轴承故障诊断效果,拥有更高的Recall值和F1-score值。     

基于t-SNE和LSTM的旋转机械剩余寿命预测

针对旋转机械的剩余使用寿命预测问题,提出了一种基于t分布随机近邻嵌入(t-SNE)和长短期记忆网络(LSTM)的预测方法。将t-SNE降维方法引入旋转机械振动信号特征提取,实例验证表明无论针对时频域特征或小波包分解得到的能量特征,经t-SNE降维后特征区分度更加明显,利用降维后的特征进行故障模式识别,正确率接近100%;提出利用样本间散度作为旋转机械退化指标,实验表明样本间散度对旋转机械性能退化趋势的表现相比其他指标更加明显;以不同的训练样本量,利用LSTM方法进行剩余使用寿命预测,为了验证LSTM方法的有效性,将其与BP神经网络、灰色预测模型、支持向量机等方法进行比较,结果表明LSTM方法能够预测旋转机械退化趋势,显著提高剩余使用寿命的预测精度,对旋转机械的健康监测和寿命预测具有一定的理论指导意义。     

基于结构照明和BP神经网络的三维物体识别

提出一种具有旋转不变性的三维物体识别的新方法,该方法通过结构光照明的方法,使物体的高度分布以变形条纹的形式编码于二维强度图中,由于条纹图包含有物体的高度分布信息,因此对条纹的相关识别具有本征三维识别的特点.旋转不变性是通过BP神经网络实现的.计算机模拟结果表明,用二维强度像的基频分量做训练样本设计BP神经网络,选择训练样本和隐藏层神经元的数目,基于结构光编码的BP神经网络对三维物体具有良好的旋转不变识别效果.     

Application of genetic algorithm-back propagation for prediction of mercury speciation in combustion flue gas

Coal combustion is one of the main sources of mercury emission. Studies using artificial neural networks (ANNs) to predict mercury emission have shown the feasibility of ANN method. Such analyses aimed to provide guidance for mercury emission control in coal combustion. A mercury emission prediction model was developed by modifying the traditional back propagation (BP) neural networks, and a genetic algorithm (GA) based on global search was used, so called the GA-BP neural networks. In total, six main factors were evaluated and selected as the characteristics parameters. Totally, 20 coal-fired boilers were used as training samples, and three different types of mercury including elemental mercury, oxidized mercury, and particulate mercury were used as outputs. The accuracy of prediction results was analyzed, and source of error was discussed. Results show that correlation efficiency for the training samples was as high as 0.895. Three additional samples were studied to test the predictive model. Results of training and predicting were highly correlated with actual measurement results. It is shown that GA-BP is a promising model for mercury speciation prediction.     

基于 EEMD样本熵与小波神经网络的汽车关门声品质预测

针对传统客观心理学参量在非稳态噪声品质预测中的不足,以汽车关门声为对象,提出一种基于EEMD分解的样本熵表征关门声的信号特征,并结合小波神经网络进行声品质预测。对声样本进行EEMD分解得到IMF分量,计算各IMF分量的样本熵,并构造成特征向量。分别以此特征向量和声品质主观评分值作为输入输出构建小波神经网络预测模型。作为对比,构建了基于该特征向量的BP网络预测模型、基于心理学参量的小波神经网络预测模型和BP网络预测模型。分析结果表明,在关门声品质预测中,EEMD样本熵比客观心理学参数能更好的反映信号的时变非稳态特性,预测效果更好;且小波神经网络较BP网络的预测精度更高,模型训练速度更快。     

基于BP和RBF神经网络对静电纺丝工艺参数的优化研究

针对静电纺丝在制备过程中易受到如聚合物含量、电压、推进速度和接收距离等工艺参数影响的问题,提出一种静电纺丝工艺参数的优化方法,以提升纳米纤维制备效率。以聚乳酸纳米纤维膜为研究对象,采用纤维直径为性能评价指标,设计实验获得训练和测试样本,借助BP(Back Propagation)和RBF(Radial Basis Function)神经网络构建不同工艺参数下的预测模型。结果表明：BP和RBF神经网络模型均能较好的对纤维直径进行预测,但RBF神经网络模型预测精度更高,其平均绝对误差(MAE)为12.125 nm,相对误差不超过7%。RBF神经网络建立的预测模型具有更高的稳定性,模型泛化能力更好,综合预测性能更加优越。所建立的模型可以帮助研究人员制备具有确定纤维直径的静电纺丝纳米纤维膜,实现对工艺参数的优化。     

用概率社会网络进行结构损伤位置识别

在不计测量误差情况下,神经网络能够成功地识别损伤位置及其程度,但在测量噪声影响下,神经网络的损伤识别效果则比较差,考虑到基于多变量模式分类的概率神经网络具有处理受噪声污染的测试数据的能力,本文将可能的损伤位置作为模式类,利用概率神经网络的分类能力来识别结构的损,地对两个算例,一个六层框架和一个两层框架进行数值模拟分析,并将概率神经网络与BP网络进行了比较,结果表明,概率神经网络具有更好的识别效果,是一种很有潜力的结构损伤位置识别方法。     

改进Back Propagation神经网络预测麻纤维/UP复合材料的界面性能

为研究麻纤维化学成分对其增强复合材料界面性能的影响,选取麻纤维纤维素、半纤维素、果胶、木质素、水溶物、脂蜡质成分含量及回潮率作为影响因素,以麻纤维/不饱和聚酯树脂(UP)复合材料界面性能作为影响结果,构建Back Propagation(BP)神经网络的训练样本。首先,利用灰关联分析法对影响麻纤维/UP复合材料界面性能的因素进行关联度计算;其次,按照影响程度的大小进行排序,建立3层BP神经网络模型进行迭代训练;最后,预测麻纤维化学成分含量对麻纤维/UP复合材料界面性能的影响。预测结果表明:学习结束后模型的输出比较接近实测值,说明BP神经网络具有很强的学习能力,同时也证明了将BP神经网络用于麻纤维/UP复合材料界面剪切力预测的可行性;灰关联与BP神经网络联用后预测精度得到大大提高,预测误差最大可减小83.28%。     

Improved performance evaluation of tool condition identification by manufacturing loss consideration

When neural networks are used to identify tool states in machining processes, the main interest is often the recognition ability. It is usually believed that a higher classification rate from pattern recognition can improve the accuracy and reliability of tool condition monitoring, thereby reducing the manufacturing loss. Nevertheless, the two objectives are not identical in most practical manufacturing systems. The aim is to address this issue and propose a new performance evaluation function so that the recognition ability of tool condition monitoring can be evaluated more reasonably. On this basis, two kinds of manufacturing loss due to misclassification are analysed: the over-prediction caused by misclassifying the worn tool condition; and the under-prediction caused by misclassifying the fresh tool condition. By using both to calculate corresponding weights in the performance evaluation function, the potential manufacturing loss is introduced to evaluate the recognition performance of tool condition monitoring. Based on this performance evaluation function, a modified support vector machine approach with two regularization parameters is employed to learn the information of every tool state. In this support vector machine design, the effective feature set extracted from acoustic emission signals is used as inputs, and a five-fold cross-validation is used to tune the parameters. The experimental results show that the proposed method can reliably identify tool flank wear and reduce the overdue prediction of worn tool conditions and its relative loss. Experimental results show that this approach may effectively identify tool state over a range of cutting conditions and reduce the manufacturing loss in the practical industry process.     

基于OLS算法的RBF神经网络在大坝安全监测中的应用

文章介绍了RBF网络的基本原理以及网络中心选取OLS算法（正交最小二乘法）,并将该方法应用于大坝渗流安全监测资料的分析预报上,应用结果表明：该神经网路可以很好地克服BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,具有较快的运算速度、较强的非线性映射能力和较好的预报功能。     

The use of neural networks and a prototype expert system in BWR ATWS accidents diagnosis

Neural networks and a symbolic expert system are employed to form a prototype system in BWR anticipated transients without scram (ATWS) accidents diagnosis. Unsupervised learning based on discovery of cluster structures (Pao's approach) and back propagation (BP) neural networks are used to group and memorize different ATWS patterns. Multiple training data sets derived from output files of the SABRE computer code are used in training the BP networks to cope with oscillations of reactor power and other parameters. Tests of neural networks recall correctness are performed, given the presence of time shift of sample data, random noise and incomplete information. The expert system can simulate the ATWS strategy developed by Pennsylvannia Power & Light company. It undertakes diagnosis, using an event tree structure, and can execute the trained BP networks. The expert system is also able to deal with temporary loss of reactor water level information.