遗传算法和BP神经网络在电机故障诊断中的应用研究

人工智能方法在电机故障诊断中的应用,使得电机故障能够得到及时准确的预测和诊断,保障了电机的安全运行。介绍了BP神经网络及遗传算法的基本原理及组成结构,针对BP神经网络容易陷入局部极小点及收敛速度慢的问题,利用遗传算法对BP神经网络的权值和阀值优化,改善了BP神经网络的诊断性能;通过GA-BP网络对电机的三种故障模式进行了诊断识别,其实验仿真结果表明：无论是在诊断速度上还是诊断精度上,GA-BP神经网络诊断性能都比单独的运用BP网络有了很大提高。     

基于遗传算法和BP神经网络的多联机阀类故障诊断

针对多联机系统(变制冷剂流量系统)阀类故障的诊断特征变量冗杂、诊断效率低的问题,提出一种复合诊断模型,利用遗传算法在原始特征集中搜索特征子集,与参数优化后的BP神经网络模型结合,对多联机阀类故障进行检测和诊断。本文从原始特征集中优化选择了带有18个特征变量的最优特征子集,用该模型对电子膨胀阀卡死、电子膨胀阀泄漏和四通阀故障3种故障进行检测,结果表明:该复合诊断模型对故障检测率提高,其中电子膨胀阀的卡死故障检测率提升8%,整体诊断正确率提高到99.27%;该复合诊断模型大大提高了诊断效率,使测试时间缩短了52.17%,表明该复合诊断模型具有较好的故障诊断效果。     

基于自适应遗传算法和BP神经网络的电池容量预测

应用BP神经网络建立了电池模型,并应用自适应遗传算法对其权值阈值进行了优化,最后利用MATLAB编写了其仿真程序进行多组数据的测试,结果与纯BP网络和GA-BP网络进行了对比。结果表明,AGA-BP网络具有训练时间短、精度高的特点,对电池任一状态下的剩余容量预测均有效。     

基于蚁群算法优化BP神经网络的港口吞吐量预测

利用蚁群算法优化反向传播神经网络的初始权值、阈值,建立预测模型,对港口货物吞吐量进行预测。蚁群算法具有全局搜索能力,分布式计算和鲁棒性强等特点,有利于加快反向传播神经网络的收敛速度,避免易陷入局部极值的问题,提高建模精度。在港口吞吐量预测中的应用表明:蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%;同时,蚁群算法优化BP神经网络模型收敛速度最快。与传统BP神经网络、RBF网络及模糊神经网络相比,蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%。     

遗传算法的改进及其在水库优化调度中的应用研究

遗传算法是通过对样本中个体的不断改进来寻找各类问题的最优解。由于标准遗传算法（SGA）存在收敛性及个体适应度求解方面的困难，在研究中，通过对SGA中遗传算子改进，特别是对选择算子的改进，提出了一种改进遗传算法（AGA），并将它应用于水库优化调度中。改变通常以水位变化序列为基础的遗传算法编码方案，通过数组存储水库库容状态，并以各库容状态对应的数组下标为基础进行遗传算法编码，通过实例，表明AGA对水库优化调度问题具有良好的适应性，同时结合数组存储理论的遗传算法编码方法简化了水库优化调度遗传算法的实现过程。     

基于遗传算法优化BP神经网络的SCR脱硝系统催化剂体积设计

火电厂SCR脱硝系统的设计需要在满足脱硝效率的同时,尽可能节约成本,因此需要准确预测SCR脱硝所需的催化剂体积。火电厂的烟气条件复杂多变,烟气温度、烟气流量、出入口NO_x浓度等参数都会影响SCR催化剂的体积设计,因此催化剂体积预测是一个多因素耦合的问题。针对这一特点,使用BP神经网络对催化剂体积设计进行了预测,并针对该模型结构上的缺陷,进行基于遗传算法优化的神经网络建模研究。结果表明,遗传算法优化后的BP神经网络模型预测精度和数据拟合能力均有提高,为脱硝系统的催化剂体积设计提供了新思路。     

遗传算法及其在材料设计中的应用

简要简述了遗传算法的基本原理,综述了它在复合材料优选、功能梯度材料设计、合金设计及材料制造工艺参数优化等材料设计领域中的应用。     

BCC-BP算法在RGB值到LAB值色彩空间转换中的应用

目的 为了有效克服BP神经网络算法权阈值随机选取造成的模型预测精度不高、结果输出不稳定的问题.方法 提出细菌群趋药性(BCC)算法和BP神经网络算法相结合的BCC-BP神经网络算法,采用BCC算法来选取BP神经网络初始权阈值,克服初始权阈值随机选取带来的问题,并将该算法应用到RGB到LAB色彩空间转换模型中.结果 按照国家普通印刷品的允许误差范围规定在6个标准色差单位以下的要求,在色差小于6的预测区间,基于BCC-BP算法的预测准确率达到81.07％,好于BP,GA-BP和PSO-BP算法,同时对于平均色差ΔE小于6个标准色差单位的要求,BCC-BP算法10次预测结果全部低于6.结论 采用BCC算法辅助BP神经网络进行初始权阈值的选取,可以有效提高BP神经网络模型在色彩空间转换应用中值的输出精度和稳定性.     

基于遗传模糊C-均值聚类算法的除湿机故障诊断

针对除湿机系统的故障诊断问题及其特点,以CFTZ21型除湿机为对象,应用模糊C-均值聚类（FCM）算法进行了研究;引入遗传算法对传统模糊C-均值聚类算法进行了改进,克服了传统算法的不足;结合实验采集到的数据样本,对改进后的遗传模糊C-均值聚类算法进行检验,结果达到预期效果,由此说明,将改进的FCM应用于除湿机故障诊断是可行的。     

基于神经网络的电子线路故障诊断

分析了故障字典法在实际应用中存在的不足,提出将单位BP算法应用到电子线路的故障诊断中。对基于该方法的航空装备电子线路故障诊断进行了计算机仿真,并分析了网络参数的变化对训练结果的影响。仿真结果表明了该方法的合理性和有效性。     

基于粒子群优化的小波神经网络及其在齿轮箱故障诊断中的应用

用粒子群算法（PS0）取代传统的梯度下降法,优化小波神经网络中的各个参数。将经过PS0训练的小波神经网络应用于齿轮箱故障诊断,实验结果表明,基于PS0算法的小波神经网络训练方法是有效的神经网络训练算法,同时也是解决故障诊断问题的有效途径。     

遗传算法优化 BP 神经网络的显示器色彩空间转换

目的基于改进遗传算法优化BP神经网络,研究对显示器色彩空间转换的预测准确性的方法。方法通过改进数据归一化处理和遗传算法的适应度函数,来优化BP神经网络的权值和阈值,以将它们的分布范围缩小,再用BP算法进行精确求解,并将该方式与常规方式作对比。结果训练优化后的BP神经网络预测模型20次,测试色块平均色差为2.9353,最小平均色差为1.9467。结论该方法大大降低了BP神经网络预测模型陷入局部极小值的可能性,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

基于神经网络的电弧增材制造铝合金力学性能预测

目的 预测不同工艺参数下电弧增材制造铝合金的力学性能。方法 通过实验建立了电弧增材制造6061铝合金及Ti C增强6061铝合金力学性能的数据集,并建立了一种以焊接电流、焊接速度、脉冲频率、TiC颗粒含量为输入,以屈服强度和抗拉强度为输出的神经网预测模型,对比了反向传播神经网络(BP)、粒子群算法优化BP神经网络(PSO-BP)、遗传算法优化BP神经网络(GA-BP)3种预测模型的精度。结果 与BP模型和PSO-BP模型相比,GA-BP预测模型具有更好的预测精度。其中,GA-BP模型预测6061铝合金屈服强度最佳结果的相关系数(R)为0.965,决定系数(R²)为0.93,平均绝对误差(Mean Absolute Error,MAE)为2.35,均方根误差(Root Mean Square Error,RMSE)为2.67;预测Ti C增强的6061铝合金抗拉强度最佳结果的R=1,R²高达0.99,MAE为0.46,RMSE为0.49,GA-BP具有良好的预测精度。结论 BP、PSO-BP、GA-BP 3种神经网络模型可以用来预测电弧增材制造...     

改进的BP神经网络在风机故障诊断中的应用

采用动量法和学习速率自适应的改进BP神经网络建立风机故障诊断系统。在网络训练过程中分别采用标准训练样本和含有白噪声的训练样本来训练网络,使网络具有一定的容错性。最后通过仿真实验和风机的故障诊断实例表明：改进的BP神经网络减少训练次数,提高了学习效率,而且有效地抑制网络陷于局部极小,是风机故障诊断的有效方法。     

Fuzzy Integral Theory and Its Application in Fault Intelligent Integrated Diagnosis

1IntroductionToachievemoreaccurateandreliablefaultdiagnosisresults,itisdesirabletoextractdiagnosissymptomsfromvarioussymptomdomains.However,howtoefficientlyutilizethismulti-symptom-domaininformationisstillaproblem.Theconventionalmethodisstacked-vector[1]approach.Fromthepointofviewofpatternrecognition,thisapproachwillcausetwoproblems:Normalizationproblemandhigh-dimensionproblem.Thefeaturesfromvarioussymptomdomainsmaybedifferentnotonlyintheformofrepresentationbutalsointhephysicalmeaning.Itisqu…     

基于BP算法与遗传算法的气体识别模型应用

本文采用遗传学习算法和误差反向传播算法（BP 网络）相结合来训练前馈人工神经网络（BPN），使网络收敛速度加快并避免局部极小。依据算法建立网络模型，用小批量训练替代单样本训练和大批量样本训练，提高网络的训练速度。通过模拟，预测结果表明，该算法收敛速度快，预测精度高，为气体模糊识别和预报提供了一种新思路和新方法。     

基于正交试验与BP神经网络-遗传算法的空气净化器外壳注塑工艺参数优化

目的 以某空气净化器外壳为研究对象,进行注塑工艺参数优化,从而提高塑料制品的成型质量。方法 设置4个影响塑料制品成型质量的因素：熔体温度、模具温度、保压压力、保压时间,以最大翘曲值作为衡量塑料制品成型质量的指标,通过Moldflow模流分析软件,基于正交试验及极差分析探究各因素的影响主次顺序;使用BP神经网络表征工艺参数与翘曲变形的非线性映射关系;采用遗传算法寻优获得最佳注塑工艺参数组合与翘曲变形量,并将所得参数组合用于实际生产指导。结果 经极差分析,保压压力对塑料制品质量的影响最为显著,其次分别为模具温度、保压时间、熔体温度。经BP神经网络预测与遗传算法寻优,发现当熔体温度为229.5℃、模具温度为77.9℃、保压压力为84.4 MPa、保压时间为6.5 s时,可以使注塑件达到最优质量,预测的最小翘曲值为2.94 mm,此工艺参数组合下的仿真计算翘曲值为2.91 mm,二者吻合程度较高。将优化后的工艺参数组合用于实际生产指导,获得了质量良好的注塑产品。结论 所提出的方法对产品注塑的成型及优化有良好的工程应用价值。     

基于BP神经网络的高压断路器故障诊断

为诊断与分析高压断路器故障, 本文提出了基于BP神经网络的高压断路器故障诊断方法。该方法利用高压断路器典型分合闸线圈电流-时间曲线, 能反映其机械故障状况的特点, 将仿真输出数据与故障编码比较获得诊断结果。该方法只需一组完整的故障数据作为网络的训练和测试输入, 就能够诊断出高压断路器操动机构是否出现异常情况, 以及确定出现故障的类型。本文以MATLAB2014b为试验平台, 用实际数据作为训练样本和测试样本进行仿真分析, 其输出结果与期望输出一致, 验证了该方法是一种有效的高压断路器故障诊断方法, 具有广阔的应用前景。     

一种改进模糊神经网络及其在故障诊断中的应用

构造了一种改进模糊神经网络模型，该网络由四层神经元构成，第二层为模糊化支，文中给出了该层的通用隶属函数表达式。计及否定规则的影响，提出了扩展通用隶属函数的概念，并结合汽轮发电机组振动故障的不同特征征兆，给出了其具体表达式。在该网络的第二层与第四层间建立了部分直接连接关系，根据不同征兆对故障诊断结果的重要度不同，赋予了部分连接的优先权值，阐述了建立部分连接的依据和优先权值的确定方法，给出了网络的具体学习算法，并从单故障和多故障识别两个角度，比较了该模型与某改进BP网络的诊断结果，证明了该模型具有较强的故障识别能力。     

基于遗传算法和灰色神经网络的电力机车产品需求预测方法

目的 应对快速多变的市场,提前预知市场发展,制定相应的排产计划,使企业在竞争中占据先发优势。方法 目前基于灰色神经网络的预测算法,准确地预测产品需求通常需要连续且大量的样本数据,对小数据非线性系统的预测结果精确度低、可靠性差,针对这一问题,提出一种耦合遗传算法的灰色神经网络预测方法,综合灰色模型和神经网络理论,构建了面向产品订单量需求预测的灰色神经网络模型;通过电力机车产品实例分析了模型的预测性能;为解决预测过程中模型早熟收敛的问题,利用遗传算法对训练网络的权重和阈值进行了迭代优化。结论 研究结果表明,优化后产品预测模型的精确性和鲁棒性得到提高,验证了所设计方法的可行性。