细菌觅食算法优化卷积神经网络的滚动轴承故障诊断

针对传统深度学习故障诊断方法在滚动轴承中诊断效果不理想的问题，提出一种细菌觅食优化算法(BFO)优化卷积神经网络(CNN)学习率使诊断效果提升的模型。在模型逐次迭代过程中，将CNN中的学习率参数带入BFO中，生成一个自适应的学习率，用于更新CNN的权重和偏置，使模型故障诊断效果达到最佳。通过实验证明基于细菌觅食算法优化的卷积神经网络训练的模型在分类精度上优于CNN训练的模型，并与CNN多种学习率对比，可将故障诊断准确率提升至97.25%,并提高了全局的收敛能力。     

基于BP神经网络的传感器无效数据过滤器设计

基于催化原理的传感器在矿井环境工作时，受内在外在因素的干扰，测量的可燃气体浓度值存在误差过大的问题。设计了基于列文伯格-马夸尔特(L-M)训练算法及反向传播(BP)神经网络的传感器无效数据过滤器。通过离线采集传感器响应特性曲线数据的方式构建网络模型，并用Matlab工具对模型进行仿真训练。综合对比分析L-M训练算法、拟牛顿训练算法、自适应线性回归(LR)动量梯度下降训练算法的收敛速度和误差性能。对比结果表明，基于L-M训练算法构建的BP神经网络模型收敛速度更快、误差值更小、效率更高，有利于矿用催化原理传感器无效检测非线性数据的过滤。     

基于神经网络的钢琴击弦机故障排除方法研究

针对传统钢琴击弦机故障诊断方法准确率低,导致机械故障排除效果不佳的问题,提出基于改进果蝇算法优化BP神经网络的故障诊断方法。基于果蝇算法FOA加入混沌映射、动态搜索半径策略和优化气味浓度判定公式,得到改进的UFOA算法;然后利用UFOA算法优化BP神经网络,并构建基于UFOA-BP的击弦机故障诊断模型;最后获取钢琴击弦机械故障数据,并通过小波包分解法进行故障数据特征提取。将本模型应用到数据集中进行实验发现,相较于未优化的BP神经网络,提出的UFOA-BP模型的故障预测误差绝对值仅为1.01和0.61,通过UFOA算法提升了BP神经网络的预测精度。且在单弦和多弦故障诊断中,对比于其他诊断模型,本模型的故障诊断准确率分别提升了7.75%、10.08%和7.19%、9.05%。由此说明,通过本模型可提升钢琴击弦机故障诊断率和排除效果。     

深度学习模型训练的优化器实验设计

针对目前国内对深度学习的卷积神经网络（Convolutional Neural Network,CNN）模型教学过程中,对优化器理论学习过程中存在实践不足问题,首先利用kaggle平台上的猫狗数据库,然后通过迁移学习方法设计猫狗识别的深度学习神经网络模型,最后分别选择AdaGrad、RMSProp和Adam三种不同的梯度下降优化算法,对同一网络模型结构进行训练。观察到使用AdaGrad算法对模型训练准确率可达84.1%,RMSProp优化算法对模型训练准确率可达85.6%,Adam算法对模型训练准确率可达86.3%。实验结果表明,在模型优化中,适合的优化算法不但会使模型收敛更快。也会影响模型的性能。同时加深学生理解不同优化器对模型的优化能力。     

基于神经网络的航空发动机故障诊断

航空发动机由于其结构复杂导致故障类型多样,增加故障诊断难度给飞行器安全行驶带来隐患。本文通过构建BP神经网络模型并采取附加动量方法和变学习速率方法对模型修正来进行航空发动机故障诊断。根据故障数据特征,本文构建4个主要监测参数下的用于神经网络训练的数据样本。对样本进行学习训练,结果表明神经网络设置参数的中间层数量、学习速率、训练次数、训练样本比例都对神经网络预测正确率有着一定的影响,其中训练次数的影响最为显著。     

一种改进的神经网络机械故障诊断专家系统

针对传统BP神经网络训练中收敛速度较慢的缺点,提出一种基于L-M算法的神经网络应用于机械设备故障诊断的专家系统。论述了神经网络的专家系统结构,并以7216圆锥轴承试验研究为例,建立了基于该算法的故障诊断模型。仿真结果表明:该模型显著缩短了训练时间,具有较高的准确性。运用该神经网络专家系统进行机械故障诊断是有效的。     

改进粒子群优化T-S ANFIS算法诊断油浸式变压器故障研究

为了有效提升油浸式变压器故障诊断的精度与速度,提出一种基于改进粒子群算法(IPSO)优化T-S型自适应模糊神经网络(T-S ANFIS)的油浸式变压器故障诊断模型；引入动态惯性权重和学习因子线性调整策略,并利用收敛域和欧式距离判别雷同粒子,以克服粒子群算法易早熟、后期易陷入局部最优的问题；接着通过IPSO对T-S ANFIS的前提参数进行优化,提高网络的收敛速度；最后通过仿真实验验证基于IPSO优化T-S ANFIS的变压器故障诊断模型效果,结果表明所构建模型的故障诊断最优准确率约为98％,与ANFIS及PSO-ANFIS模型相比具有较高的故障诊断精度及效率。     

基于模糊神经网络的飞机某系统故障诊断研究

提出一种基于模糊神经网络的飞机某系统故障诊断方法。利用改进的模糊C均-值聚类算法进行结构辨识,从而自动获得模糊规则库,并得到模糊模型的初始参数;然后生成与之相匹配的初始模糊神经网络,并通过学习算法训练网络来进行参数辨识,得到一个精确的模糊模型。将该系统地面实测数据作为样本数据,建立起了基于模糊神经网络的飞机某系统故障诊断模型。最后对该模型进行测试与分析,结果表明该方法具有抗噪、抗敏感、诊断准确度高等优点。     

基于混合pi-sigma神经网络的故障诊断

由于电力变压器故障的模糊性和多样性,目前利用IEC三比值法在变压器故障诊断中存在准确率不高之难题.针对电力变压器的特点,综合考虑各因素的影响,将模糊逻辑和神经网络的长处融合在一起,构建了基于混合Pi-sigma神经网络及其算法的变压器故障诊断模型,其中在学习速率的选择、隶属度函数参数的更新等多处进行了改进,进一步减小了预测误差.用训练过的混合pi-sigrna神经网络模型对变压器故障进行验证和诊断的仿真结果表明,算法具有较快的收敛速度和较高的计算精度.证实了算法应用于电力变压器故障诊断的有效性.     

基于自组织模糊神经网络的炭化炉产量预测模型研究

以陕北某大型焦化生产企业的炭化炉为研究对象,在分析其工艺的基础上,通过对已有研究成果的分析,提出了利用兼具自学习特性与模糊处理能力的模糊神经网络来构建炭化炉产量预测模型,又利用具有聚类处理能力的自组织算法对其进行了优化。使用MATLAB软件对模型进行训练和预测仿真,利用自组织模糊神经网络构建的产量预测模型优于一般的模糊神经网络预测模型,是可信赖的炭化炉产量预测模型。     

基于机器学习的铁路道岔故障诊断模型构建及仿真

针对铁路道岔故障诊断不够准确这一问题,提出一种基于机器学习的铁路道岔故障诊断模型。首先结合神经网络较强的学习能力和数据处理能力以及模糊逻辑较强的结构性知识表达能力,提出模糊神经网络(FNN)故障诊断方法;然后根据铁路道岔实际故障情况,采用值投影及柱状图的方法对道岔动作电流曲线特征进行提取,以此获得特征输入,并构建了基于FNN的诊断模型;最后以陇海线骆驼巷站ZYJ7型道岔为研究对象,对提出的FNN模型进行仿真实验。结果证明,基于值投影及柱状图的特征提取方式的FNN铁路道岔故障诊断模型诊断效果良好,诊断准确率可以达到97%左右,满足实际铁路道岔故障诊断需求。     

基于胶囊神经网络的涡扇发动机故障诊断方法

针对航空涡扇发动机数据集故障分类准确率较低的问题,提出一种基于胶囊神经网络的涡扇发动机故障诊断方法。首先确定故障类型和关键变量,然后构建卷积胶囊神经网络模型,将分割的训练集数据输入模型进行训练,最后利用诊断模型诊断测试集数据并计算分类识别准确率。将所提算法在NASA涡扇发动机数据集上进行测试,证明了该模型的分类识别准确率有所提高,可为涡扇发动机的故障诊断提供帮助。     

基于优化模糊Petri网的矿用变压器故障诊断

针对用于矿井中有煤尘而无爆炸危险的地方、以油浸式为主的变压器,提出了一种基于优化模糊Petri网的矿用变压器故障诊断模型。根据故障征兆与故障之间的关系,利用模糊产生规则来建立故障诊断模型;利用Elman网络算法的自学习和自适应能力对模型初始参数进行优化处理,使模糊Petri网初始参数值的设置更加合理。Matlab仿真结果表明,优化模型和未优化模型的故障诊断准确率分别为87.88%和75.76%,验证了优化模型的有效性。     

神经网络在化工过程故障诊断中的应用

针对现代复杂的化工生产过程,提出一种基于神经网络的故障诊断方法。并分别将典型的BP算法和改进后的BP算法用于TE（Tennessee Eastman）模型的故障诊断中。经过诊断结果的比较,得出标准的BP算法在实际应用中具有收敛速度慢等缺点;自适应学习速率动量梯度下降的BP算法以及用L-M（Levenberg-Marquardt）法先对BP网络进行优化的BP算法具有收敛速度快、不易陷入局部极小值等优点,其中又以L-M优化BP算法效果最好。结合rIE模型的仿真结果可以看出,L-M优化BP算法在工业实际中具有很大的优势。     

基于Cross-Validation的电机故障诊断振动数据处理方法

针对牵引电机故障诊断研究中所采用的神经网络方法,提出在模型训练阶段引入K折交叉验证。该方法在划分训练集与测试集期间,使验证集能够遍历所有数据集,从多方向开始学习,从而在一定程度上避免了局部极小的问题。训练完成后,以神经网络作为分类器进行故障识别。神经网络学习算法采用随机梯度下降的方法,每次投入一组数据集进行训练,大大提高了训练速度。Eclipse+Anaconda仿真结果证明:与传统神经网络电机故障诊断方法相比,该方法可以在一定程度上避免过拟合现象,同时避免局部极小。此外,在Matlab环境下,单独比较支持向量机采用交叉验证前后的故障分类效果。对比结果表明:交叉验证方法从多方向开始学习,对于提升故障诊断的准确率有较好作用。     

基于扩展T-S模型的PSO神经网络在故障诊断中的应用

针对现实故障现象具有模糊性和非线性的特点,提出了一种利用自适应扩展T-S(Takagi-Sugeno)模糊模型的PSO(Particle Swarm Optimization)算法和神经网络相结合的新型智能结构化算法来进行故障诊断的新方法.首先通过自适应的高斯函数来更改基本T-S模糊模型中的隶属度函数,进而使用扩展的T-S模糊模型来调整PSO算法的参数.然后使用该PSO算法作为神经网络的学习训练算法来进行训练.最后将此算法用于齿轮箱实测故障诊断.诊断结果显示均方误差提高了0.1981%.通过不同模型的诊断结果比较,表明本方法便捷、高效,为解决故障诊断问题提供了一条新途径.     

基于自适应神经网络加权模糊故障诊断研究

研究故障诊断问题;针对传统Petri网难以精确地描述故障现象和故障原因之间的复杂关系,基于模糊逻辑BP神经网络和传统Petri网模型结合,提出了一种新的自适应的加权模糊神经网络Petri网模型故障检测方法;该方法首先采用改进的BP神经网络算法对模型的权值进行训练,然后采用构造的自适应模糊Petri网模型对故障进行诊断;在柔性制造系统实例中进行了故障诊断,实验结果表明,该方法具有很强的故障推理能力以及自适应能力,能有效地对故障进行诊断,具有一定的实际应用价值。     

基于小样本学习的SAR图像识别

深度学习已成为图像识别领域的一个研究热点。与传统图像识别方法不同,深度学习从大量数据中自动学习特征,并且具有强大的自学习能力和高效的特征表达能力。但在小样本条件下,传统的深度学习方法如卷积神经网络难以学习到有效的特征,造成图像识别的准确率较低。因此,提出一种新的小样本条件下的图像识别算法用于解决SAR图像的分类识别。该算法以卷积神经网络为基础,结合自编码器,形成深度卷积自编码网络结构。首先对图像进行预处理,使用2D Gabor滤波增强图像,在此基础上对模型进行训练,最后构建图像分类模型。该算法设计的网络结构能自动学习并提取小样本图像中的有效特征,进而提高识别准确率。在MSTAR数据集的10类目标分类中,选择训练集数据中10%的样本作为新的训练数据,其余数据为验证数据,并且,测试数据在卷积神经网络中的识别准确率为76.38%,而在提出的卷积自编码结构中的识别准确率达到了88.09%。实验结果表明,提出的算法在小样本图像识别中比卷积神经网络模型更加有效。     

基于卷积神经网络的飞机液压系统故障诊断

现代飞机系统的复杂度和集成度均大幅提升,使得其故障诊断存在难度高和准确率低等特点。采用一维卷积神经网络方法对军用飞机液压系统的故障诊断问题进行了研究,构建了满足多传感器数据分析要求的卷积神经网络模型。考虑到神经网络的输入来自不同的传感器数据序列,各数据序列之间的空间关系不明显,因此,即使网络输入是二维形式,而实际的卷积操作均在一维上进行。通过解决某飞机液压系统的故障诊断问题,证明将标准化后的多传感器数据序列及对应故障模式作为训练样本对卷积神经网络模型进行训练时,采用满足训练要求的网络对飞机液压系统进行故障诊断时具有较高的准确率。     

基于T-S模糊神经网络的抽油机井故障诊断

针对油田抽油机井故障的特点,提出了基于T-S模糊神经网络的抽油机井故障诊断方法。即将神经网络的学习能力引入到模糊系统中,将模糊系统的模糊化处理、模糊推理、精确化计算通过分布式的神经网络来表示,从而提高系统的学习能力和表达能力。提出了基于LM优化的BP算法以提高网络收敛速度,利用MATLAB神经网络工具箱建立模糊神经网络诊断模型,经仿真测试表明,所提出的故障诊断方法能有效地对抽油机故障识别,正确率较高、效果较稳定,可提高网络训练及诊断速度。