基于对数变换的六相永磁容错电机故障预测研究

研究电力作动系统用永磁容错电机故障预测问题,有利于准确监控飞行器健康状态,为飞机维修提供决策支持;TS(2*2永磁容错电机特征信号复杂无序,传统灰色模型故障预测精度不高,基于此,提出一种新的故障预测改进方法;TS(2*2首先对原始故障能量特征序列进行对数变换处理,对序列进行一次累加生成,建立GM(1,1)灰色模型,最后将得到的拟合还原成模拟值,得到预测数据;TS(2*2结果表明,故障原始序列经过对数函数变换处理后,预测误差相比于未经处理的基本灰色模型降低了4.63%,预测精度提高到96.5%以上,有效提高了永磁容错电机的故障预测精度。     

基于改进粒子群优化算法的灰色神经网络的铁路货运量预测

针对现有铁路货运量预测方法的不足,提出基于改进粒子群优化算法的灰色神经网络（IPSO-GNN）的铁路货运量预测方法,通过IPSO对常规灰色神经网络（GNN）的白化参数进行优化,改善了GNN的不足,保证了预测精度;同时利用灰色关联分析法,计算了铁路货运量和影响因素间的关联度,以最主要的6个关联因素,建立了基于IPSO-GNN的铁路货运量预测模型。仿真实验结果表明,在铁路货运量预测中此模型预测精度优于常规GNN及其他预测方法,说明此预测方法有效可行。     

混沌海豚群优化灰色神经网络的空中目标威胁评估

分析空中目标威胁评估特点,综合考虑威胁价值、威胁能力和威胁程度,建立空中目标威胁评估框架;针对海豚群算法易陷入局部最优和早熟收敛等问题,提出一种混沌海豚群算法,将混沌搜索策略引入海豚群算法,通过混沌初始化、动态分群和早熟优化机制,提高算法的全局寻优能力;利用混沌海豚群算法对灰色神经网络的初始参数寻优,通过搜索到的最优解建立基于混沌海豚群算法优化的灰色神经网络模型,并用于空中目标威胁评估.仿真实验表明,混沌海豚群算法优化的灰色神经网络在保证一定收敛速度的基础上,能够提升寻优精度,对测试集的预测效果优于传统灰色神经网络和基本海豚群优化的灰色神经网络,验证了所提算法模型在空中目标威胁评估中的有效性.     

基于灰色神经网络的污水处理厂水质预测研究

针对中小型污水处理厂出水监测设备长期监测精度不稳定的实际情况,利用灰色理论和广义回归神经网络建立了灰色神经网络模型,根据采集到的污水处理厂进水参数对出水参数进行预测,并对灰色神经网络模型和广义灰色神经网络模型的预测结果进行了对比,对比结果表明:这种灰色神经网络模型的精度明显优于广义神经网络模型,适合应用。     

灰色局部支持向量回归机及应用

为了解决全局支持向量回归机(Global-SVR)在大样本数据集中计算效率低下的问题,将局部支持向量回归机与灰色系统理论有机结合,并利用灰色关联度作为局部邻域函数构造灰色局部支持向量回归机(GL-SVR),该做法具有一定的理论价值.优化过程中采用留一法评估学习机的泛化性能,利用模式搜索法选择模型参数.真实的股价涨跌幅预测实验结果表明,该方法既加快了运算速度,又提高了预测精度.     

振动能量收集中的动态效率优化神经网络算法应用

动态效率优化神经网络算法(DEONN)的提出旨在提高振动能量收集设备的能量转换效率。DEONN利用深度学习技术,结合多层感知器架构,优化了发电机的关键组件(电枢、换向器、刷子、磁场及外壳)参数,提升了能量转换效率。开展实验实现该算法预测不同运行条件下的电机效率,具体为通过建立一个包含隐藏层的神经网络,输入转速、负载电阻和线圈数等特征,预测不同工况下的电机效率。实验结果表明,实测效率与预测效率具有高度一致性,预测效率为88.5%,验证了DEONN在预测发电机的转速、负载电阻和线圈数等关键性能参数方面的有效性。     

一种基于灰色关联分析和超效率DEA的MCDM模型

针对多属性决策问题（MCDM）权重难以客观确定的缺陷,提出一种基于灰色关联分析和超效率数据包络分析（DEA）的混合算法研究MCDM。对MCDM进行建模,利用灰色关联分析计算各属性的点关联度,为了得到各属性的相对最优灰关联度并将其充分排序,利用超效率DEA改进灰色关联分析模型。该混合算法能够更加客观地确定权重向量,并且突破权重和为1的限制,使得均一的权重更加灵活;同时,可以得到各属性的相对最优灰色关联度,超效率DEA能够增强模型对灰关联度的分辨能力。通过北京市商品房空置影响因素的实例分析验证了该混合算法的有     

改进型灰色神经网络模型在油田产量中的应用

石油产量的精确预测,是石油企业制定合理的生产计划、避免盲目投资、实现可持续开发的重要条件。论文基于传统的灰色预测模型,根据大庆油田1992～2011年产量数据,推出了两种改进预测模型,分别对灰色模型进行参数优化和初值修正,并采用神经网络确定了组合模型中各单项模型权重,建立了改进灰色-神经网络组合模型,对大庆油田产量进行预测。实际数据分析结果表明:灰色-神经网络组合模型不仅可以有效解决BP网络训练样本不足的问题,还能有效运用各单项模型信息,从而明显提高了精度。通过进一步的分析、对比及讨论,文章认为,灰色-神经网络预测模型运用于国内外石油产量预测,方法可操作性强,结论科学性显著。     

用改进GA-BP神经网络的设备故障维修时间预测

光伏充电站中设备故障维修时间对运行效率有着重要影响.为提高光伏充电站设备维修时间的预测精度,考虑到神经网络算法中隐含层神经元数对算法预测精度的影响,提出了一种改进的GA-BP神经网络算法,并以光伏充电站60个设备维修时间为样本验证了改进算法的有效性.结果表明,GA-BP神经网络结构中隐含层神经元数取5时算法预测精度最高,且采用改进GA-BP神经网络算法预测时平均相对误差仅为6.1％,较灰色模型与BP神经网络算法分别降低了 90.4％与57％.改进后的GA-BP神经网络的预测准确度远高于灰色模型和BP神经网络,得到的预测时间可为维修人员调度提供依据.     

机场助航灯光回路绝缘电阻预测方法研究

为了更好地对助航灯光回路绝缘电阻值进行预测,采用了一种新型的灰色神经网络预测模型.建立灰色补偿RBF网络模型,并将遗传算法优化后的支持向量机引入到RBF神经网络中,得到改进后的灰色补偿RBF网络模型.根据上海浦东国际机场绝缘电阻的实际测量值进行实例仿真,仿真结果表明,改进后的灰色神经网络提高了系统稳定性和绝缘电阻值的预测精度.     

基于GA优化RBF神经网络的英语教学质量评价

针对目前英语教学质量评价准确性不高的问题,提出了一种基于遗传算法（GA）优化RBF神经网络的教学质量评价方法.首先利用主成分分析对教学质量评价指标进行选择,然后设计了RBF神经网络教学评价模型,并采用GA对RBF神经网络的初始权值进行优化.实验结果表明,该方法能够有效评价英语教学质量,且准确性和实时性较高.     

Prediction of service life of large centrifugal compressor remanufactured impeller based on clustering rough set and fuzzy Bandelet neural network

In order to predict the service life of large centrifugal compressor impeller correctly, the rough set and fuzzy Bandelet neural network are combined to construct the novel prediction model which can give full play to theirs advantages. The attribute reduction algorithm based rough set and clustering method is firstly designed to optimize the inputting variables of fuzzy Bandelet neural network. And then the prediction model based on fuzzy Bandelet neural network is proposed, the Bandelet function is used as the excitation function of hidden layer and is combined with fuzzy theory to improve the prediction effectiveness of the prediction model. The training algorithm of fuzzy Bandelet neural network is designed based on improved genetic algorithm, the improved genetic algorithm introduces the adaptive differential evolution method into the traditional genetic algorithm, which can effectively optimize the parameters of fuzzy Bandelet neural network. Finally, the original 30 input variables of fuzzy Bandelet neural network are reduced to 9 input nodes based on rough set using 500 remanufacturing impellers as research objects. The service life of remanufacturing impeller is predicted based on three prediction models, and simulation results show that the fuzzy Bandelet neural network optimized by improved genetic algorithm has highest prediction precision and efficiency, which can correctly predict the service life of remanufacturing impeller.     

高性能人脸识别加速器优化设计及FPGA实现

计算机视觉的快速发展对嵌入式产品的系统性能要求越来越高,传统的现场可编程门阵列（Field Programmable Gate Array,FPGA）平台存在计算吞吐未能很好匹配内存带宽,通用处理器对卷积神经网络（Convolutional Neural Network,CNN）的实现效率不高,未能满足性能要求等问题。针对以上设计瓶颈,使用经典的LeNet-5神经网络模型,在Xilinx ZC706嵌入式开发平台上设计了一个高性能的人脸识别神经网络加速器,在高层次综合（High Level Synthesis,HLS）工具的基础上通过存储优化、定点量化、运算优化等方法对神经网络模型进行优化改进,实现了7层的CNN加速器。实验结果表明,CNN加速器的工作频率为200 MHz,相较于CPU,加速器实现了126倍加速,相较于GPU速度提升10倍以上,并且功耗仅为2.62 W。     

Vibration signal analysis for electrical fault detection of induction machine using neural networks

Fault detection is desirable for increasing machinery availability, reducing consequential damage, and improving operational efficiency. Many of these faulty situations in three-phase induction motors originate from an electrical source. Vibration signal analysis is found to be sensitive to electrical faults. However, conventional methods require detailed information on motor design characteristics and cannot be applied effectively to vibration diagnosis because of their nonadaptability and the random nature of the vibration signals. This paper presents the development of an online electrical fault detection system that uses neural network modeling of induction motor in vibration spectra. The short-time Fourier transform is used to process the quasi-steady vibration signals for continuous spectra so that the neural network model can be trained. The electrical faults are detected from changes in the expectation of modeling errors. Experimental observations show that a robust and automatic electrical fault detection system is produced whose effectiveness is demonstrated while minimizing the triggering of false alarms due to power supply imbalance.     

基于粒子群优化BP神经网络的可靠性评估模型

CPU的可靠性对计算机系统至关重要。针对神经网络等方法在可靠性分析与评估中参数优化困难、模型评估精度不够准确等问题,提出一种基于粒子群优化BP神经网络的可靠性评估模型。该模型利用由正弦映射优化的PSO算法对BP神经网络的权值和阈值进行优化,提高BP神经网络的收敛速度以及评估精度。基于CPU中各功能模块的可靠度,根据改进的BP神经网络模型建立CPU的可靠性评估模型,通过模型训练与测试完成对CPU的可靠性评估。通过对比实验,验证该模型对辐射环境下CPU可靠性评估的有效性和准确性。     

多Agent协作的生物网络服务质量的智能评估模型

生物网络结构是为设计和实现可调整的、适虚的及可生存的网络应用的中间件.生物网络的服务和应用是通过多Agent之间的相互协作,动态地选择Agent所提供的服务来完成的.基于模糊逻辑、神经网络和遗传算法相结合的方法提出了多Agent协作的生物网络整体服务质量的智能评估和优化模型,它是一种基于五层模糊神经网络的模型,并采用遗传算法进行优化.仿真实验验证该模型的可行性.该智能评估模型能够高效地处理多Agent的模糊和非确定的服务质量评估问题.     

IBNAD:一种基于交互的5G核心网网络功能异常检测模型

现有 5G(5th Generation Mobile Communication Technology)核心网异常检测主要基于信令流量深度解析, 但较少利用核心网网络功能交互关系的作用。针对上述问题, 提出一种基于交互的 5G 核心网网络功能异常检测模型。首先, 该模型以行为分析为驱动, 基于信令流量和网络功能注册数据提取多维属性, 通过行为画像来表征网络功能行为模式, 并采用集成学习算法RFECV(Recursive Feature Elimination with Cross-Validation)进行属性特征选择, 降低特征维度的同时筛选出与区分网络功能行为模式高度相关的属性特征。然后, 模型基于网络功能交互关系对核心网进行图建模, 建模后的图数据融合了网络功能属性信息和交互信息。最后, 模型通过基于空间域的图卷积网络聚合邻域节点属性信息和结构信息来融合行为模式特征, 新生成的节点表示用于分类, 从而将核心网网络功能异常检测问题转化为图节点分类问题。通过在 free5GC 仿真平台上采集数据, 并在搭建的异常检测系统中的实验表明, 该模型的异常检测性能优于基于属性特征分析的传统机器学习模型、基于结构特征分析的图嵌入模型及部分 5G 核心网异常检测模型。10%数据集作为训练集时, 所提模型的准确率比支持向量机模型提高 6.6%, 比Struc2vec 模型提高 13%, 比深度神经网络模型提高 8%。     

改进LSTM神经网络在电机故障诊断中的应用

三相异步电机因其结构简单、维护方便、可靠性高等特点被广泛应用到工业生产中,所以保证三相异步电机在生产环境中的安全与稳定运行具有十分重要的意义;传统的三相异步电机故障诊断均采用特征电流法,但在实际应用中由于特征谐波难以分离,从而导致无法判断;采用先进的长短期记忆(LSTM)神经网络以及最新提出的RAdam优化器,在电机正常运转时对其运行特性进行实时采集,通过双峰谱线插值法以及滑窗法提取谐波之后,对电机输出结果进行时序预测和比对;最后以工程中实际电机数据为例,通过测量其故障运行实际数据,验证了该算法的可行性;经实验测试可得,相比于传统神经网络,该算法具有更好的故障检测能力。     

Linearizing control of induction motor based on networked control systems

A new approach to speed control of induction motors is developed by introducing networked control systems （NCSs） into the induction motor driving system. The control strategy is to stabilize and track the rotor speed of the induction motor when the network time delay occurs in the transport medium of network data. First, a feedback linearization method is used to achieve input-output linearization and decoupling control of the induction motor driving system based on rotor flux model, and then the characteristic of network data is analyzed in terms of the inherent network time delay. A networked control model of an induction motor is established. The sufficient condition of asymptotic stability for the networked induction motor driving system is given, and the state feedback controller is obtained by solving the linear matrix inequalities （LMIs）. Simulation results verify the efficiency of the proposed scheme.     

Design of low cost universal artificial neuron controller for chopper fed embedded DC drives

Artificial neural network (ANN) has become very popular in many control applications due to their high computation rate and ability to handle nonlinear functions. This paper proposes an artificial neuron controller for closed loop speed control of DC drive fed by DC chopper. Neuron control is used to reduce the steady state error, overshoot and settling time. The signal corresponding to the motor speed error and change in speed error are used as inputs to ANN Controller. The controller outputs the required change in duty cycle of pulse width modulated gating signal applied to DC chopper. Thus the voltage fed to the armature of the DC motor is adjusted for achieving the desired speed response. The training patterns for the neuron controller are obtained from the conventional PI controller and the effectiveness of the proposed neuron controller is studied using simulation studies.The designed controller was implemented in a low cost 8051-based embedded system and the results are documented. Two-loop control system was implemented with an inner ON/OFF current controller and an outer ANN speed controller.A conventional controller has heavy computation burden whereas a trained neural network requires less computation time. The artificial neural network has the ability to generalize and can interpolate in between the training data. This advantage of ANN makes the ANN controller universal. The ANN controller designed was tested on two different motors and found to work effectively on driving both of them.