水下机器人多传感器并发故障检测方法

针对水下机器人多传感器并发故障检测问题,提出了一种小波分析和神经网络相结合的故障特征提取 方法,将小波多分辨率分解后的细节系数进行小波重构,对重构后的细节系数进行融合得到整体高频细节信息量作 为一类故障特征值;同时,基于改进的Elman 网络建立水下机器人的全阶状态观测器模型,模型输出与传感器测量 值之间的差值作为另一类故障特征值．为进行水下机器人多传感器并发故障定位,提出了一种模糊加权属性信息融 合方法,将两类故障特征值的重要度与可信度进行模糊合成转换,基于转换结果将各故障特征值加权融合,进行水 下机器人多传感器并发故障定位．水下机器人实验样机的水池实验结果验证了本文所提方法的可行性和有效性．     

工业机器人故障的实时检测与诊断

本文首先建立了直流电机驱动机器人的驱动系统的动态故障模型,它包容了电枢电阻、电感等故障.随后建立了工业机器人传感器的动态故障模型,可包容位置、速度及力传感器的阶跃型和缓变型故障.在此基础上,应用作者提出的可处理一类非线性系统参数偏差型故障的系统性算法,成功地检测并诊断出这些故障.最后进行了数值仿真验证.     

基于BP神经网络的水下机器人推进器故障辨识算法

常规无人水下机器人推进器故障诊断中,均假设推进器处于几种固定故障模式,这与实际推进器故障情况有较大差别。该文将信息融合故障诊断技术引入推进器拥堵故障在线辨识之中,提出基于BP误差反传神经网络（Error Back Propagation Network）信息融合在线故障辨识模型,将水下机器人控制信号和故障情形下的方向偏转率作为BP神经网络融合模型输入,其输出即为反应推进器故障大小的拥堵系数,不仅提高了故障辨识精度,而且对连续不确定故障实现有效辨识。     

基于BP神经网络的水下机器人推进器故障辨识算法

常规无人水下机器人推进器故障诊断中,均假设推进器处于几种固定故障模式,这与实际推进器故障情况有较大差别。该文将信息融合故障诊断技术引入推进器拥堵故障在线辨识之中,提出基于BP误差反传神经网络(Error Back Propagation Network)信息融合在线故障辨识模型,将水下机器人控制信号和故障情形下的方向偏转率作为BP神经网络融合模型输入,其输出即为反应推进器故障大小的拥堵系数,不仅提高了故障辨识精度,而且对连续不确定故障实现有效辨识。     

基于H-BP神经网络的设备故障诊断方法

BP神经网络在训练过程中容易出现局部最小从而无法获得最优解,在进行故障诊断时还会出现误判的情况.针对这一问题,本文提出H-BP,简神经网络故障诊断方法,该网络结合Hopfield神经网络的全局最优计算能力和BP神经网络的解决非线性分类问题的优势,避免了网络训练陷入局部最小.将其应用于离心式风机的故障诊断中,表明H-BP网络故障诊断方法能很好地实现故障状态识别,并能提高故障诊断的精度,     

基于机器人的神经网络预测控制算法

针对预测控制机理在处理非线性模型控制存在较大的困难,提出了将BP神经网络和广义预测控制(GPC)相结合后应用于网络控制系统的思想,构造了神经网络预测控制算法,其实质是用BP神经网络作为预测模型,产生预测信号,对系统进行反馈校正,并通过误差迭代求取广义预测的最优控制律,从而克服了对非线性系统难以辨识模型的困难,利用神经网络"黑箱"的功能达到对非线性系统的预测控制.以机器人为控制对象进行仿真,取得了较好的控制效果.     

基于机器人的神经网络预测控制算法

针对预测控制机理在处理非线性模型控制存在较大的困难,提出了将BP神经网络和广义预测控制（GPC）相结合后应用于网络控制系统的思想,构造了神经网络预测控制算法,其实质是用BP神经网络作为预测模型,产生预测信号,对系统进行反馈校正,并通过误差迭代求取广义预测的最优控制律,从而克服了对非线性系统难以辨识模型的困难,利用神经网络“黑箱”的功能达到对非线性系统的预测控制。以机器人为控制对象进行仿真,取得了较好的控制效果。     

基于递归神经网络的水下机器人故障辨识

水下机器人故障检测与辨识是机器人实现主动客错控制的关键.针对一般非线性系统执行器和传感器故障辨识问题构造了一种基于递归神经网络的故障辨识模型,并将其应用于水下机器人执行器与传感器故障检测和辨识中.2个并行递归神经网络根据水下机器人实际输出与估计输出间的误差学习调整隐藏层与输出层权矩阵,辨识机器人中发生的执行器故障和传感...     

基于BP神经网络的车牌自动定位方法

提出了基于BP神经网络的车牌自动定位方法。实验表明，由此建立的车牌自动定位模型适角于各类机动车辆，总定位率为99．5%，达到了业务使用的要求。     

基于网络结构搜索的工业过程自动故障诊断方法

针对现有基于深度神经网络的工业过程故障诊断方法存在网络结构设计烦琐及参数寻优耗时等问题,提出了一种基于网络结构搜索的工业过程自动故障诊断方法(automatic fault diagnosis, AutoFD),该方法采用AutoFD网络结构搜索算法,来自动完成卷积神经网络的网络结构设计和网络参数寻优。在此基础上,首先通过在原始数据上施加操作生成新通道;接着利用表现预测加速获取通道适应性排序的过程;然后依据通道适应性排序,通过表现预测来快速选取最优卷积通道数;最终根据最优卷积通道来搜索表现最优的多通道卷积神经网络模型用于工业过程自动故障诊断。采用田纳西—伊斯曼(Tennessee Eastman, TE)工业过程和数值系统对提出方法进行验证,结果表明该方法可以实现网络结构自动设计及网络参数的自动寻优,并且具有优良的故障诊断性能。     

非线性电路的神经网络故障诊断方法

针对非线性动态电子电路,提出一种基于神经网络的故障诊断方法。通过故障字典的建立,对电路故障响应进行预处理后得到的故障特征作为神经网络的输入,然后利用神经网络对各种状态下的特征向量进行分类决策,对故障类别进行辨识,并对电路进行了可测性分析,从而实现非线性电路的故障诊断。详细的仿真过程及结果表明, 该方法有效地解决了非线性电路辨识难的问题,能较好地对故障模式进行分类,取得了满意的诊断效果。     

基于模糊神经网络的平显设备故障诊断研究*

针对平视显示器（HUD）设备自检测和地面故障诊断设备的不足,提出了一种基于模糊BP神经网络的HUD故障诊断方法。简化了故障诊断系统的结构,实现了自动性能检测和故障诊断,能够有效地辨识故障源,隔离了从LRU 级到SRU级的故障,并给出了典型测试项的故障诊断实例。作为一种先进有效的故障诊断技术已经应用于某型飞机HUD和相关系统的故障诊断。     

基于小波神经网络的齿轮箱故障诊断研究

论述了小波神经网络的系统结构及算法,并根据齿轮振动信号的频域变化特征,提取特征向量作为输入,利用小波神经网络建立特征向量与故障模式之间的映射关系,建立了基于该算法的齿轮故障诊断模型。仿真结果表明：与传统的BP神经网络相比,该模型显著缩短了训练时间。该小波神经网络进行机械故障诊断是有效的。     

基于概率超球集神经网络的发动机故障诊断

提出了一种用于发动机故障检测与诊断的概率超球集神经网络．神经网络用概率集表示发动机故障模式,概率集是由超球聚集形成的集合体,超球是由球心和半径确定．概率超球集神经网络能在两次循环中完成学习过程,并能不断融合新样本信息和精炼已存在的故障模式．YF-20发动机故障检测与诊断的仿真研究验证了概率超球集神经网络分类器的优越性能．     

基于小波神经网络的空调系统传感器故障诊断

详细阐述了小波神经网络(WNN)的原理、结构,并对传统的BP算法进行了改进。以空调系统传感器故障检测问题为目标,提出了基于WNN的故障诊断方法。通过采集天津博物馆中的传感器数据,对训练好的WNN进行了传感器故障诊断能力的验证,对温度传感器的1℃偏差故障、0.05℃/s速率漂移故障、完全故障、与不同方差下的精度等级下降故障进行了仿真,结果表明:这种方法对传感器故障具有很好的诊断效果。     

模糊神经网络抓斗纠偏系统故障诊断

针对抓斗纠偏系统复杂性、不确定性、模糊性的特点,提出基于故障树的模糊神经网络作为抓斗纠偏系统故障诊断的方法。该方法利用故障树知识提取抓斗纠偏系统故障诊断的输入变量和输出变量,引入模糊逻辑的概念,采用模糊隶属函数来描述故障的程度,利用Levenberg-Marquardt优化算法对神经网络进行训练,系统推理速度快、容错能力强,并通过实例分析验证了抓斗纠偏系统模糊神经网络故障诊断的有效性。     

基于LMD-PE与神经网络的刀具故障诊断方法

针对刀具故障诊断信号信噪比低、诊断结果不准确等问题,采用局域均值分解(LMD)结合排列熵(PE)来处理采集到的刀具加工时的振动信号,然后将提取到的特征向量输入到训练好的长短期记忆神经网络(LSTM)中得到诊断结果,为了提高LSTM的诊断效率,结合卷积神经网络(CNN)对LSTM进行了改造;试验表明,文章提出的方法诊断准确率比BP神经网络提高了将近12%,改进LSTM网络比传统LSTM的诊断时间缩短了50%。     

基于PSO神经网络的故障诊断方法研究

将粒子群优化算法和BP算法相结合,提出了一种基于粒子群神经网络的故障诊断方法.该方法分阶段实施神经网络的训练,有效地加强了算法的全局搜索能力,采用PSO优化了传播中的权值、阈值以及网络结构.这不仅弥补了BP算法的不足,而且删除了冗余连接,提高了故障模式识别的能力.仿真结果表明该方法加快了神经网络的学习收敛速度,提高了故障模式的识别正确率,可以有效地应用于设备的故障诊断.     

基于卷积神经网络的滚动轴承故障诊断方法

为了简单、准确地进行轴承故障诊断,结合深度学习理论,对基于卷积神经网络的滚动轴承故障诊断方法进行了研究;首先,选用了结构相对简单的LeNet5卷积神经网络;然后,对轴承振动信号原始数据进行截取和归一化处理后直接生成生成二维矩阵作为神经网络输入;接着,优选卷积核大小、批大小、学习率及迭代次数等网络模型参数;最后,应用sigmoid函数进行多标签分类;实验结果表明,该方法能有效识别正常状态及不同损伤程度下的内圈、外圈、滚动体故障状态,识别准确率达到99.50%以上水平;基于卷积神经网络的滚动轴承故障诊断方法不仅在一定程度上可以简化故障诊断的过程,而且可以充分利用卷积神经网络模型的优势实现高效准确地故障诊断。