自适应模糊控制在电液速度伺服系统中的应用研究

基于模糊控制器的一种解析结构，本文利用了将模糊控制器与BP算法相结合的方法。即采用BP算法完善经验规则，构建一种自适应模糊控制系统。同时对BP算法的学习也进行了率模糊调节，以加速收敛。仿真结果表明该控制方法能有效的控制电液速度伺服系统。     

基于PCA-BP神经网络的磨粒自动识别

以航空发动机润滑油液中的磨损微粒为研究对象,提出一种采用PCA-BP分类器对磨粒类型进行自动识别的方法。该方法通过对磨粒图像进行预处理并提取一些特征参数,采用PCA对所提取的特征参数进行优选,采用BP网络分类器对磨粒类型进行计算机自动识别。结果表明,相对于传统型BP分类器的识别准确率,此分类器的识别准确率更高。     

基于改进BP神经网络的故障诊断方法

对于常规BP神经网络,其收敛过程存在两个很大的缺陷:收敛速度慢;存在所谓"局部最小值"问题.文章采用了一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练,建立了智能诊断模型,并应用于某型坦克发动机的故障诊断,测试结果表明该方法相比常规BP算法能够更有效诊断发动机油路和气路的故障,从而为故障诊断及判定的自动化提供了一个新思路.     

基于BP神经网络的铁谱磨粒图像识别方法研究

在磨粒识别过程中,铁谱磨粒图像预处理和特征参数提取是关键。应用图像形态学的处理方法对磨粒图像进行预处理,结果表明,利用开运算、闭运算的图像形态学处理方法对铁谱磨粒图像进行预处理,可以消除图像二值化后留下的孤立小碎点、孔洞以及边界断点。通过磨粒图像的统计特征参数和傅里叶特征参数建立BP神经网络,并对磨粒进行识别,结果表明:采用该方法能正确识别磨粒图像,辨别磨损机制。     

BP神经网络在交流调速系统智能机内检测中的应用

针对BP神经网络存在局部极小值和收敛速度慢等问题,文章提出了一种改进BP神经网络.基于改进的BP神经网络的智能交流电机调速系统机内检测方法可以大大提高故障诊断的精确性,缩短了诊断时间,可对电机提供可靠而有效的保护.     

使用PSO寻优的遗传算法在配网重构中的应用

配电网具有闭环设计、开环运行的特点.提出了一种新的使用PSO加速寻优的遗传算法用于配电网重构,以减少网损.在重构优化过程中,采用了高频变异和消亡算子,能有效维持种群的多样性,避免算法早熟收敛.同时利用PSO更新个体的速度和位置,提高了收敛速度.对69节点系统重构,研究结果表明提出的算法具有较高的计算效率.     

基于遗传算法改进的BP神经网络模型的磨损机理智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

磨损磨粒的BP神经网络识别

介绍了铁谱分析技术对设备状态监测与故障诊断的方法;通过机械润滑油或液压油中微观磨损颗粒的分析来判断机器当前的工作状态.铁谱的计算机图像分析技术是近年来研究的热点.基于BP神经网络对磨损磨粒进行识别,提出了磨粒的分步识别策略,并以磨粒样本对网络进行训练,取得了较好的识别效果.     

基于神经网络信息融合的发动机磨损磨粒识别

磨粒识别和分类是铁谱分析技术在发动机故障诊断和状态监测的关键环节.针对单一神经网络模型磨粒识别的局限性,提出了一种基于不同类型神经网络信息融合的磨粒智能识别方法.首先利用径向基函数(RBF)神经网络和反向传播(BP)神经网络对磨粒进行识别,得到2组初始识别结果, 归一化后作为2组基本概率分配函数,然后利用D-S证据理论对其融合得到最终识别结果.实例计算表明,与单一神经网络模型相比,提出的信息融合方法提高了磨粒识别的区分度和准确率,并具有良好的通用性和容错性.     

基于遗传算法改进的BP神经网络模型的磨损机制智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

电感式油液磨粒传感器系统设计

油液中的磨粒可反映发动机等设备的磨损状况,为实现油液金属磨粒的在线监测,基于电磁感应原理建立了三线圈传感器的数学模型,通过仿真分析传感器最佳结构参数(内径、间隙、宽度等),利用相干解调模型提取磨粒信号,并分析磨粒信号产生原理.系统采用多层屏蔽结构,可有效减少外部的磁场干扰,设计的传感器检测系统接入风机齿轮箱油路进行相关试验.试验结果表明,本系统可对磨粒信号进行有效提取,且磨粒信号同时受磨粒速度及磨粒尺寸的影响,可在流量为1～18 L/min的工况下实现187 μm铁磁性金属磨粒和578 μm非铁磁性金属磨粒的检测,后续可结合BP神经网络对油液金属磨粒各特征参数进行自适应判别,对今后油液磨粒在线监测设备的开发提供了理论支撑及技术支持,为机械设备故障诊断提供重要依据.     

一种改进的PSO-BP算法在液压系统故障诊断中的应用

液压系统故障诊断中采用BP神经网络进行故障的模式识别,存在着收敛率较低的问题。结合粒子群算法和BP算法各自的优势,提出了一种基于改进的PSO-BP液压系统故障诊断方法。对标准粒子群算法的惯性权重和学习因子进行改进,再对BP神经网络的权值和阈值进行优化,达到改善BP网络性能的目标。仿真结果表明该方法提高了BP网络的收敛率,减小了诊断误差。     

基于信息融合技术的多模型磨粒智能识别方法

磨粒能够直接反映发动机的磨损过程和磨损状态,对磨粒的准确识别是实现发动机故障诊断和状态监测的关键环节.针对单一的智能方法在磨粒识别中的局限性,提出了一种基于信息融合技术的多模型磨粒智能识别方法.首先利用灰色关联度、模糊优选和神经网络模型对磨粒进行识别,得到3组初始识别结果,归一化后作为3组基本概率分配函数,利用D-S证据理论对其融合得到最终识别结果.实例计算表明,与单一智能模型相比,提出的识别方法提高了磨粒识别的区分度和准确率,并具有良好的通用性、适应性和容错性,为发动机磨损磨粒识别提供了一种新的有效的方法.     

基于D-S证据理论和集成神经网络的磨粒识别

针对磨粒的识别问题，利用数字磨粒图像分析方法，结合D-S证据理论和BP神经网络，建立了基于D-S证据理论的集成神经网络磨粒融合诊断方法。首先对磨粒图像进行处理，并利用统计分析方法和傅立叶分析方法对处理好的磨粒图片进行分析得到磨粒特征；然后基于统计分析方法和傅立叶分析方法建立对应的两个BP分类子神经网络，利用典型的磨粒样本对BP子神经网络进行训练，得到初步的诊断结果；最后用D-S法对子神经网络诊断结果进行融合，得到最终的诊断结果。算例分析结果表明，基于D-S证据法和集成神经网络的磨粒融合诊断方法比单个诊断方法具有更高的准确性。     

磨粒表征研究进展及发展趋势

磨粒是摩擦磨损过程中重要的信息载体和磨损机理的判断依据,对磨粒进行全面、有效的表征一直以来都是摩擦学中的重要课题之一.为此,分析了磨粒在当前摩擦副磨损和表面磨损中的应用及其参数表征,归纳了其在脆性材料中的表征方法,针对当前的研究成果及存在的不足,提出了有关磨粒研究的今后发展方向.     

基于改进BP神经网络的机器故障诊断技术研究

机器故障诊断技术进入智能化阶段,利用人工神经网络诊断故障模式的优势十分明显.传统BP神经网络存在收敛慢,容易陷入局部最小等缺陷,提出了基于批处理的变速率的BP求解方法.根据问题描述,改进了BP网络故障识别模型,并以拖拉机的减速箱为例,建立模型进行故障模式识别,比较改进BP与传统BP的误差曲线,论证方法有效.     

基于PSO混合算法优化BP网络在钢轨磨损量预测中的应用

提出基于PSO混合算法对BP网络进行优化,改善了BP网络权阈值求解所面临的局部极值与收敛速度慢的问题.通过赫兹模拟试验方法,在JD-1轮轨模拟试验机上获得BP神经网络训练数据,运用基于PSO混合算法优化BP网络对钢轨磨损量进行拟合.结果表明:基于PSO混合算法优化BP网络对钢轨磨损量数据能够进行极好的拟合,为钢轨磨损量预测提供一种更有效的数据分析途径.     

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BP神经网络的故障模式识别与应用

阐述了神经网络模式识别的基本原理,采用改进的BP算法对故障模式识别进行了研究.改进算法采用的变换函数并引入动量因子,利用变步长算法加速学习,结合汽轮机减速箱故障模式识别进行仿真实验,建立了详细的诊断模型.仿真结果表明,改进算法能够快速收敛,识别结果稳定.     

线性预测模型BP神经网络PID控制算法的研究

针对经典PID控制参数整定困难和基本BP算法收敛速度慢、易陷入局部极小的缺点,提出一种基于线性预测模型BP神经网络的PID控制方法,重点阐述算法过程。最后在MATLAB软件上进行仿真,仿真结果表明该控制算法是有效的。