基于Elman神经网络的齿轮故障诊断研究

在齿轮故障诊断过程中,针对传统的BP神经网络具有学习、记忆不稳定等缺点,提出了将Elman神经网络应用于齿轮故障诊断中,建立了Elman神经网络的应用结构模型,介绍了该网络的训练算法,阐明了齿轮故障诊断的实现过程;结果表明该神经网络学习记忆稳定,具有很好的学习功能,诊断方法具有高可靠性,达到了预期效果。     

基于Elman神经网络的齿轮箱故障诊断

针对基于传统BP神经网络的齿轮箱故障诊断方法存在的收敛速度慢、精度不高等问题,提出了一种基于Elman神经网络的齿轮箱故障诊断模型。该模型以齿轮箱特征向量为输入、故障类型为输出,通过改进遗传算法对Elman神经网络的权值和阈值进行优化,将优化后的Elman神经网络用于齿轮箱故障诊断。仿真结果表明,该故障诊断模型加快了网络训练速度,提高了齿轮箱故障诊断的准确度和精度。     

改进的OHF Elman神经网络应用研究

为提高Elman神经网络的诊断效率,对OHF Elman神经网络进行研究。在OHF Elman网络基础上引入收益因素,提出改进的OHFElman神经网络,并将其应用于齿轮箱的故障诊断。建立了改进OHFElman神经网络和OHF Elman神经网络两种模型,并对这两种模型进行了仿真。一系列训练与测试结果表明,基于改进OHF Elman网络的齿轮箱故障诊断系统能够提高故障诊断的准确率和效率,可以应用在实际工程故障诊断中,为故障诊断技术提供了一种更有效的方法。     

基于集成神经网络的多故障诊断方法

铝电解过程是一个非线性、多耦合、时变和大时滞过程,受强电场、强磁场、强热场交互干扰,形成了复杂多变的槽况特征,故障种类繁多,发生频繁,有效地故障预报和诊断,对电解系列平稳供电,节约电能、提高铝的产量和质量有重要意义。根据铝电解过程故障特点,提出了基于主成分分析的集成神经网络铝电解多故障诊断方法,建立分层故障诊断模型结构,包括子神经网络层和决策融合神经网络层,子神经网络模块采用了改进型的Elman神经网络,强化信息的记忆功能,并通过主成分分析优化了神经网络结构;决策融合神经网络通过各子网络传递的相关信息,进一步验证对子神经网络诊断结果和复合故障进行综合决策。仿真结果表明,具有良好的诊断效果,验证了该故障诊断方法的可行性和有效性。     

基于谐波小波包的旋转机械故障诊断新方法

针对旋转机械的故障振动信号通常为复杂的动态非平稳信号,提出一种基于谐波小波包和Elman神经网络的故障诊断新方法。应用谐波小波包对信号进行分解,提取倍频能量特征向量,代入Elman神经网络,实现故障分类。通过试验分析及与BP网络的诊断结果对比,表明该方法在旋转机械的故障诊断方面具有显著优势。     

改进BP神经网络在齿轮故障诊断的应用

近年来,神经网络在故障诊断领域中应用广泛,针对传统BP神经网络的不足,利用基于遗传机制的神经网络进行齿轮的故障诊断.先采用遗传算法对神经网络的权值进行全局优化.然后引入动量因子和自学习速率改善传统BP算法的收敛速度慢缺点,最后结合MATLAB编程语言进行齿轮故障诊断.结果与一般BP网络的诊断结果进行比较,证明该方法的正确性和有效性.     

基于神经网络的故障诊断效能模糊综合评价研究

构建了并行测试系统(PATS)故障诊断效能评价指标体系,针对该指标体系在评价过程中存在的不确定因素,结合神经网络和模糊理论的优点,提出了基于神经网络的模糊综合评价方法(FCEANN);详细给出了FCEANN的求解算法及步骤,结合实例进行仿真实验并与专家评价结果进行比较,对影响模型预测精度的因素进行了分析;仿真结果表明,基于BP神经网络和Elman神经网络的FCEANN均能够很好地模拟专家评价的全过程,能够准确地对PATS的故障诊断效能指标进行评价;并将两种神经网络的仿真结果进行了比较,结果表明,Elman神经网络得到的仿真结果精度更高.     

一种改进的神经网络模型在故障诊断中的应用

利用粗糙集理论对知识的约简能力及神经网络的自学习、自适应能力,构建了粗糙集-神经网络故障诊断模型,并对BP和Elman两种神经网络比较分析。仿真结果表明,与BP结合的方法更能简化神经网络结构,减少网络的训练时间,提高故障诊断的准确率。     

基于改进Elman神经网络的网络流量预测

针对网络系统非线性、多变量、时变性等特点,提出一种改进的Elman神经网络模型。在该模型的训练过程中引入了季节周期性学习方法,并对某高校主干网络出口流量进行实验检测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性。最后,通过自适应边界值方法进行检测,能够及时发现异常流量行为,说明该模型应用于网络流量预测是可行、有效的。     

季节周期性Elman网络的网络流量分析与应用

针对静态前馈网络和Elman网络在网络流量预测中的不足,建立了一个基于改进Elman神经网络的流量模型,并提出了一种基于季节周期性学习方法,根据实际网络中测量得到的网络流量数据,对网络流量进行预测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性,应用于网络流量预测是可行、有效的。     

基于EMD和改进PSO-Elman神经网络的液压故障诊断

通过对工程机械液压系统各个元件的参数测量,提取包含故障信息的特征向量,并应用神经网络进行故障诊断。文中将经验模态分解（EMD）应用到故障特征向量提取中,结合压力、温度、流量等显性信号作为神经网络的输入,并对El-man神经网络的学习算法用PSO算法进行了改进,以提高网络的收敛率和计算能力。使用粒子群算法对Elman神经网络的权值和阈值进行优化,经过训练后即可应用到故障诊断系统中。仿真结果表明该方法提高了神经网络的收敛率,减小了诊断误差。     

基于AQPSO算法优化的Elman网络模型及其应用

Elman神经网络是一种典型的递归神经网络。提出了自适应量子粒子群优化（Adaptive Quantum-Behaved Particle Swarm Optimization,AQPSO）算法,用于训练Elman网络参数,改进了Elman网络的泛化能力。利用中集集团股票数据进行预测,实验结果表明,采用AQPSO算法获得的Elman网络模型不但具有很强的泛化能力,而且具有良好的稳定性,在股票数据预测中具有一定的实用价值。     

基于模糊神经Petri网的故障诊断模型

Petri网是对具有产生式规则的故障诊断系统的有力建模工具，但其缺乏较强的学习能力．本文以Petri网的基本定义为基础，结合模糊逻辑和Petri网模型，定义了模糊Petri网模型，在此基础上引入人工神经网络技术，给出了人工神经网络的模糊Petri网表示方法，并针对工程机械故障诊断异步、离散等特点，提出并建立了故障诊断的模糊神经Petri网模型及其改进模型．基于模糊神经Petri网的故障诊断系统结合了Petri网和人工神经网络的优点，经过自学习后同时具有很强的推理能力和自适应能力．     

基于RBF网络的高炉热流分析传感器故障诊断

在炼铁高炉热流强度分析系统中要用到温度、流量等传感器,为确保热流分析系统中传感器数据的可靠性及系统的连续、稳定运行,诊断系统用径向基函数(RBF)神经网络对传感器进行故障判断。系统由上位机、温度及流量采集装置、传感器等组成,采用RBF神经网络为每一个传感器建立预测模型,网络的输入为传感器采集信号最近的n个值,输出为该传感器在n+1时刻的预测输出值。网络通过在线学习实现对传感器的在线故障监测,经仿真分析表明:用RBF神经网络构建预测模型可满足实时性的诊断要求,提高了诊断系统的诊断精度。     

BP神经网络和Elman神经网络在模拟电路故障诊断中的应用

通过分析BP神经网络和Elman神经网络的基本结构和算法,研究了基于神经网络的模拟电路故障诊断方法,并通过仿真实验对比分析了BP神经网络和Elman神经网络的诊断能力。结果表明,BP神经网络的收敛速度相对较慢、训练时间长;Elman神经网络的结构参数调整简单、训练时间短、性能稳定,更适合存在容差、非线性等问题的模拟电路故障诊断。     

Genetic Algorithm Training of Elman Neural Network in Motor Fault Detection

Fault detection methods are crucial in acquiring safe and reliable operation in motor drive systems. Remarkable maintenance costs can also be saved by applying advanced detection techniques to find potential failures. However, conventional motor fault detection approaches often have to work with explicit mathematic models. In addition, most of them are deterministic or non-adaptive, and therefore cannot be used in time-varying cases. In this paper, we propose an Elman neural network-based motor fault detection scheme to address these difficulties. The Elman neural network has the advantageous time series prediction capability because of its memory nodes, as well as local recurrent connections. Motor faults are detected from the variants in the expectation of feature signal prediction error. A Genetic Algorithm (GA) aided training strategy for the Elman neural network is further introduced to improve the approximation accuracy, and achieve better detection performance. Experiments with a practical automobile transmission gearbox with an artificial fault are carried out to verify the effectiveness of our method. Encouraging fault detection results have been obtained without any prior information on the gearbox model.     

改进的Elman模型与递归反传控制神经网络

在Elman网络的基础上提出了两种改进网络:输出-输入反馈Elman网络和输出-隐层反馈Elman网络模型,并以前者作为误差反传的通道,建立了递归反向传播控制神经网络模型.在Lyapunov稳定性意义下分别给出了改进网络的稳定性证明,得到了保证网络稳定收敛的最佳自适应学习速率.分别用Elman网络及其改进网络对超声马达进行了模拟.利用改进的Elman网络模型,除了可以较好地模拟马达速度以外,还得到了一些有意义的结果,据此可以根据现场数据采样的情况,选用不同的网络模型.模拟实验结果表明,递归反向传播控制神经网络对多种形式的超声马达参考速度都有很好的控制效果.     

基于径向基神经网络的新型齿轮故障诊断方法

非平稳工况下的齿轮故障检测是一项非常困难的工作,由于齿轮振动信号的复杂性,导致故障特征提取和故障诊断困难.针对这些问题,基于径向基(radial basis function, RBF)神经网络,提出一种在变速条件下齿轮的故障诊断方法 CIHDRFD.首先利用自适应白噪声的完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),将原始振动信号分解为多个固有的模态函数(intrinsic mode function, IMF),并通过计算其信息熵(information entropy, IE)筛选出IE最小的4个IMF作为特征IMF;然后利用希尔伯特变换(hilbert transform, HT)处理特征IMF并求出Hilbert包络谱,利用Hilbert包络谱构建故障特征向量;最后利用改进的双RBF神经网络进行故障检测.通过搭建齿轮故障检测平台验证CIHDRFD方法的有效性,实验结果表明, CIHDRFD方法适用于齿轮故障诊断,在速度波动为3%的情况下,诊断准确率...     

基于双树复小波变换—最大熵谱估计和参数优化概率神经网络的齿轮箱故障诊断研究

齿轮振动信号具有非平稳性和非线性的特点。为了准确提取其故障特征并进行故障诊断,提出一种基于双树复小波变换(DTCWT)-最大熵谱估计(MESE)和惯性权重线性递减粒子群优化(LDWPSO)算法-参数优化概率神经网络(PNN)的齿轮故障诊断方法。首先,利用DTCWT把状态已知的齿轮振动信号分解为不同频带的模态分量。其次,采用MESE得到每个分量的最小偏差频谱估计,计算出不同频段的能量熵作为故障特征矩阵。然后利用LDWPSO算法寻找出最优神经网络参数——平滑因子。最后,将故障特征矩阵输入优化后的PNN模型,建立起故障特征和齿轮运行状况之间的数值化映射关系,进而完成齿轮故障诊断模型。经试验数据分析表明,采用提出的DTCWT处理齿轮的振动信号,并引入MESE处理关键分量,可以提取稳定的信号特征并降低噪声干扰。另外,相比于传统的PNN,基于改进的PNN的齿轮故障状态的数值化判别具有更高的诊断精度和稳定性。