基于遗传算法的BP神经网络滚动轴承故障诊断

针对滚动轴承的故障诊断问题,提出了一种基于遗传算法的BP神经网络滚动轴承故障诊断方法。以BP神经网络的误差为目标函数,利用遗传算法进行BP神经网络的权值和阈值优化,并用优化后的BP神经网络进行故障诊断。通过MATLAB仿真,结果表明遗传算法优化的BP神经网络相比传统的BP神经网络具有更好的诊断效率和准确度。     

AGA-BP神经网络的变压器分接开关机械故障诊断

由于变压器有载调压分接开关(On-Load Tap Changer,OLTC)机械故障征兆与机械故障类型之间有着复杂的非线性关系,采用传统的BP神经网络诊断具有准确率低、收敛速度慢和易陷入局部极小值等缺点,提出了一种自适应遗传算法(Adaptive Genetic Algorithm,AGA)优化BP神经网络的故障诊断方法。利用自适应遗传算法对BP神经网络的权值和阈值进行优化,将优化后的BP神经网络应用于OLTC机械故障诊断。仿真结果表明,AGA算法优化BP神经网络的故障诊断模型明显优于传统BP神经网络方法,有效地提高了OLTC的机械故障诊断精度和速度。     

蚁群优化BP神经网络的电机故障诊断设计与实现

针对传统的故障诊断方法采用专家知识推理方法在获取知识方面的困难,提出了一种采用蚁群优化算法和BP神经网络的自适应电机故障诊断系统。使用BP神经网络对样本数据进行训练,可以建立故障征兆到故障之间的对应关系,从而可以克服专家系统的不足,同时,由于传统的BP算法采用梯度下降算法,具有收敛速度慢和容易陷入局部最优解的问题,且BP神经网络的网络结构和初始参数在确定时往往依靠经验,从而限制了其在故障诊断领域的进一步发展。蚁群算法是一种启发式的模拟进化优化算法,具有正反馈及其分布式计算等特点,因此,将蚁群算法应用于BP神经网络的结构和参数进行优化,然后采用优化后的BP神经网络进行故障诊断,电机诊断实例证明文中方法较BP神经网络和遗传算法优化的BP神经网络具有更高的诊断精度和训练效率。     

GA-BP算法在船舶主机故障诊断中的应用

针对船舶主机故障具有诊断对象多、多因素耦合造成诊断准确率低等问题,提出了用遗传算法优化BP神经网络的故障诊断方法,利用GA算法对BP神经网络的初始权值、阈值在较大范围内搜索寻值,同时采用反向传播算法在较小范围内进行微调,优化网络结构和参数,加快目标最优值的求解,最后结合一般BP神经网络方法进行分析比较。实验结果表明,优化初始权值和阈值后的测试样本的误差由0.996 43减少到0.097 333,训练样本的误差由1.464 1减少到0.080 657;经GA优化后的BP神经网络模型对主机故障类型的诊断的准确率为100%,实现对船舶故障诊断的高效判别。     

运用遗传算法优化神经网络的发动机故障诊断

为了对发动机故障进行正确诊断,可采用BP神经网络方法建立发动机故障诊断模型,但由于BP神经网络存在收敛速度慢及网络泛化能力差的缺点,易影响发动机故障诊断正确率。为了提高网络正确识别能力和泛化能力,采用遗传算法对神经网络的权值和阈值进行优化,网络误差满足要求后,用BP神经网络方法进行修正,从而使网络误差达到最小。将该算法应用于发动机故障诊断中,结果表明,该方法诊断故障误差更小且收敛更快。     

基于小波包-AR谱和GA-BP网络的轴承故障诊断研究

针对轴承振动信号具有非平稳、非线性特点,提出将小波包-AR谱和采用遗传算法(genetic algorithm,GA)优化的BP神经网络相结合的轴承故障诊断方法。该文对滚动轴承振动信号进行小波包分解和自回归(auto-regressive,AR)谱分析以得到不同频段的能量,然后将提取到的特征向量输入到BP神经网络进行模型训练和测试。鉴于BP神经网络的诊断效果并不是很好,因此应用遗传算法对BP神经网络的权值和阈值进行优化并再次进行诊断。对比实验结果表明,经遗传算法优化后的BP神经网络的仿真误差大大降低,相关故障诊断准确率达到了100%。     

基于GA-BP神经网络的发动机失火诊断

为了提高神经网络在发动机失火故障诊断中的准确率,提出了GA-BP神经网络算法。分析了发动机故障时的尾气变化情况,提出了发动机故障诊断规则;分析了BP神经网络原理,指出其训练速度慢、容易陷入局部极值问题;使用遗传算法对神经网络结构和参数进行优化,得到最优网络结构,将优化后的模型参数作为初始值再次进行BP算法优化;将此算法与自适应动量BP神经网络进行对比,GA-BP神经网络不仅缩短了训练时间,而且故障诊断准确率也大大提高。     

基于Petri网和萤火虫神经网络的柴油机故障诊断

针对BP神经网络在柴油机故障诊断中,提取训练数据的盲目性及网络收敛速度慢、精度低的问题,提出一种基于Petri网与萤火虫神经网络的故障诊断方法.通过Petri网建模归纳出柴油机所有故障模式,提取神经网络的训练数据,利用萤火虫算法来优化BP神经网络的权值和阈值,改善BP神经网络的性能.仿真实验表明,采用Petri网建模并用萤火虫算法优化BP神经网络的方法,有效地提高了神经网络的收敛速度和诊断精度,在柴油机故障诊断中得到了较好的应用.     

基于遗传算法优化神经网络的技术研究

为克服传统BP算法的收敛速度慢和容易陷入局部极小值的缺点,提出了一种基于遗传算法优化的BP神经网络智能诊断技术:采用基于实数编码的遗传算法优化神经网络权值和阈值,代替了原BP网络随机设定的初始权值和阈值,然后再用BP算法对网络进行精确搜索。实验仿真结果表明,用此法优化过的神经网络的训练步数明显减少,诊断准确率达91.7%,泛化能力也得到提高。     

基于遗传算法的高阶模糊BP神经网络在齿轮故障诊断中的应用

将模糊逻辑理论和遗传算法引入高阶BP神经网络中，讨论了高阶模糊BP神经网络的特征值的提取、结构、特点、二阶算法以及遗传算法，并将该神经网络模型用于齿轮的故障诊断中，试验表明基于遗传算法的高阶模糊BP神经网络对齿轮故障模式具有稳定、准确的识别能力，是一种行之有效的新型诊断方法。