基于免疫危险理论的无线传感器网络节点故障诊断

针对无线传感器网络的故障特点以及故障诊断的自学习问题,本文提出一种基于免疫危险理论的无线传感器网络节点故障诊断算法。该方法利用危险触发阈值来识别危险源,用遗传算法生成抗体库,基于K近邻分类法构建多抗体故障检测器并进行故障分类,通过追踪故障数据变化更新抗体库。实验仿真证明,该算法与其他无线传感器网络故障诊断算法相比,在训练数据较少的情况下,诊断准确率更高,效率更好,耗用硬件计算资源更少,并具备动态更新特性。     

集成神经网络在机械故障诊断中的应用探讨

现代信息技术和人工智能技术的飞速发展,为日趋复杂的机械设备故障诊断提供了技术支持;人工神经网络具有良好的分类特性,适合故障诊断;为了克服单神经网络故障诊断缺陷,研究了一种基于信号类型和信息融合思想的集成神经网络的智能故障诊断方法,降低了网络的复杂度,同时由于综合考虑了各种信息对故障特征的反映,提高了故障确诊率;为了提高学习效率,采用了一种快速的网络训练算法-免疫遗传算法;以某型兵器传动装置中的齿轮故障诊断为例,采用振动和声发射检测等技术获取训练样本训练网络,专家给出各网络对故障类型的置信权矩阵,将现场采集数据输入到诊断系统中,系统准确快速地得到了设备故障类型,结果符合实际,表明该方法行之有效.     

基于SOM-VPRS的平衡机故障诊断

针对平衡机故障的特点,采集了振动信号进行故障诊断;设计了故障信息采集系统,解决了故障信息提取困难的问题,减少了噪声信号;融合自组织(SOM)网络和变精度粗糙集(VPRS)形成了SOM-VPRS算法,实现了平衡机的故障诊断。运用SOM网络进行了连续属性的离散化,采用变精度粗糙集的近似依赖模型进行属性约简,得到故障诊断决策规则,属性约简后,属性集由20个减少为7个,规则集由70个减少为34个,计算复杂度降低;对决策规则进行了验证,诊断正确率可以达到95%以上,且模型和算法具有普遍适用性。     

遗传算法在间歇式反应釜故障诊断中的应用

间歇式反应过程是一种重要的化工生产过程,过程自身的非线性、时滞性和不确定性等因素决定了过程操作的复杂性和危险性。随着精细化工和生物制药等工业中设备的大型化和集成化发展,不断提升了间歇式反应过程故障诊断的重要性。提出了一种改进的遗传算法优化BP神经网络的故障诊断方法。利用提取反应釜的故障特征数据,采用改进的遗传算法优化BP神经网络的权值和阈值,然后利用优化后的BP神经网络训练故障特征数据,建立故障诊断模型,输出诊断结果。应用于间歇式反应釜温度故障诊断,仿真结果表明,改进算法能够提高故障诊断精度、缩短故障诊断时间,具有良好的实用效果。     

小波神经网络在齿轮故障诊断中的应用

提出了基于小波分析和SOM网络相结合的故障诊断方法,利用小波分析技术采集拖拉机齿轮故障特征信号,然后利用SOM神经网络对采集到的故障数据进行建模诊断.实验表明,该方法能有效提高齿轮故障诊断的准确率.     

基于LE与ICROA-RVM的瓦斯传感器故障诊断

针对瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期型传感器输出故障作为研究对象,提出一种基于拉普拉斯特征映射(LE)和改进化学反应优化算法(ICROA)优化的相关向量机(RVM)进行模式分类与辨识,实现瓦斯传感器故障诊断。首先采用流形学习方法 LE对高维原始数据空间进行非线性降维特征提取,提取故障特征,该方法极大地保留了原始数据中的整体几何信息;然后将故障特征作为RVM模型训练输入,利用ICROA算法对RVM模型的核参数进行全局寻优,将训练好的ICROA-RVM模型对测试样本进行故障诊断。实验结果表明:该诊断方法具有训练速度快,故障辨识精度高的特点,故障诊断正确率在96%以上,能够有效地提高瓦斯传感器故障诊断的速度和准确性。     

一种带式输送机故障诊断方法

针对传统浅层神经网络用于带式输送机故障诊断时存在故障状态样本数据不足、准确率不高等问题,提出了一种基于合成少数类过采样技术(SMOTE)和深度置信网络(DBN)的带式输送机故障诊断方法.该方法利用SMOTE生成带式输送机故障状态样本数据,克服样本数据分布不平衡现象;将样本数据输入DBN,利用无监督逐层训练方式提取数据中的故障特征,并通过有监督微调来优化故障诊断能力,实现带式输送机故障精确诊断.仿真结果表明,该方法提高了带式输送机故障诊断准确率.     

遗传神经网络故障诊断自适应Petri网模型

研究故障诊断优化问题。针对传统Petri网难以精确地描述故障现象和故障原因之间的复杂关系,造成故障诊断难以精确,提出了将遗传算法、神经网络和传统Petri网模型结合,形成了一种改进的自适应的加权Petri网模型以及模型的构造算法,同时在此基础上,采用改进的遗传算法对神经网络模型的权值进行优化训练,并给出了采用构造的自适应模糊Petri网模型对故障进行诊断的具体步骤。仿真实例验证了算法的有效性,对柔性制造系统实例的故障进行诊断,验证了此自适应的加权模糊Petri网模型结合了Petri网和遗传算法的优点,具有很强的故障推理能力以及自适应能力,能有效地对故障进行诊断。     

改进神经网络在模拟电路故障诊断中的应用

研究模拟电路故障诊断准确性问题.电路故障与引起故障因素之间呈高度非线性,传统故障识别方法无法识别其非线性特点,导致传统故障方法的诊断精度低.为了提高电路故障诊断的精度,提出一种遗传算法优化BP神经算法的模拟电路故障诊断方法.首先对故障电路样本进行特征提取和归-化处理,然后采用遗传算法对BP神经网络参数进行优化,最后利用最优参数BP神经网络对电路故障样本进行训练和建模,获得电路故障诊断结果.在MATLAB平台上对模拟电路故障进行仿真测试,仿真结果表明,与传统模拟电路故障诊断方法相比,提高了模拟电路故障诊断精度,缩短了故障诊断时间,在模拟电路故障中有着广泛的应用前景.     

改进SOM神经网络在电力调度故障诊断中的应用

为了解决电力调度自动化系统中故障、安全监测不到位,尤其是缺少精确定位和关联分析等问题,利用改进的SOM神经网络提出了一种故障诊断模型.首先,在分析调度系统历史数据基础上,提取故障的特征向量,建立学习样本.接着通过算法训练输入和输出间的内在联系,供后续测试验证使用.最后,在已具备数据内在映射关系的网络中,测试待检测数据,验证其故障诊断的效果.最后的结果表明,此模型对不同类型故障识别和诊断能力较强,是一种行之有效的人工智能诊断方法.     

基于粒子群优化的自组织特征映射神经网络及应用

采用粒子群优化(PSO)算法优化权重失真指数(LW D I),提出了基于粒子群优化的SOM(PSO-SOM)训练算法.用该算法取代K ohonen提出的启发式训练算法,同时引进核函数,以加强PSO-SOM算法的非线性聚类能力.以某工厂丙烯腈反应器数据为聚类应用研究对象,研究结果表明,与启发式训练算法相比,PSO-SOM算法能够得到较优的聚类,而且该算法实现简单、便于工程应用,对丙烯腈反应器参数调整以及收率监测具有显著的指导作用.     

利用自组织特征映射神经网络进行可视化聚类

自组织特征映射作为一种神经网络方法,在数据挖掘、机器学习和模式分类中得到了广泛的应用。它将高维输人空间的数据映射到一个低维、规则的栅格上,从而可以利用可视化技术探测数据的固有特性。该文说明了自组织特征映射神经网络的工作原理和具体实现算法,同时利用一个算例展示了利用自组织特征映射进行聚类时的可视化特性,包括聚类过程的可视化和聚类结果的可视化,这也是自组织特征映射得到广泛应用的原因之一。     

基于改进的GHSOM网络预测客户欺诈行为

生长、分级的自组织映射(Growing Hierarchical Self-Organizing Map,GHSOM)网络是自组织映射(Self-Organizing Map,SOM)网络的一种变体,它不仅具备了SOM网络可解释性强的优点,同时采用多层分级的结构,不需要预先定义好网络的结构和尺寸,解决了SOM由于竞争层神经元过多造成的训练时间过长的问题,却忽略了对样本向量各个分量在模型中重要性的分析,因此将一种新的输入模式分量和映射单元权向量之间的灰关联度引入到网络权值的调整过程中,对GHSOM算法进行了改进。运用于对电信客户行为的分类,从中获取了预测欺诈客户的关键指标,大大降低了输入样本的维度。结果显示,采用改进后的GHSOM算法降维后,分类正确率仍然可以达到94.59%。     

Lurgi型甲醇合成反应器的动态模拟

为了能更好地预测甲醇合成系统的动态特性、合成与分析控制系统、模拟开停车及事故和培训操作人员等,对Lurgi型甲醇合成反应器的模型化与动态模拟技术进行了研究。根据物料及热量守恒方程建立了Lurgi型甲醇合成固定床反应器的动态模型,并根据模型的形式和特点选择了适当的数值计算方法,开发了动态模拟程序模块,并据此通过模拟计算获得了适宜的操作参数范围,这对于优化合成工艺,提高甲醇产量有明确的指导意义。应用结果表明,达到稳态时的结果能真实地反映生产实际情况,动态过程能很好地反映生产变化趋势。该模型对Lurgi型甲醇合成反应器动态特性和控制方案的研究,以及甲醇合成相关工艺仿真培训系统软件的开发等都有重要的意义。     

基于SOM-PNN分类器的体数据概率分类及绘制

概率分类是三维医学体数据绘制必不可少的预处理环节。本文提出的ＳＯＭ－ＰＮＮ分类器，以贝叶斯置信度为基础，给出概率分类结果，并用于三维体制制，得到了良好的图像质量和较高的分类效率。     

基于综合优化方法的风力发电机故障诊断

支持向量机(SVM)一种新型的统计学习方法。但是作为分类算法,它存在计算量大、运行时间长的缺点。针对LSSVM的参数选择问题,引入物理学中的黑洞概念,建立黑洞模型,结合模拟退火算法,提出了黑洞粒子群-模拟退火算法(BH-PSOSA)。该算法可以增加粒子的多样性,克服PSO算法优化过程中陷入局部极值的问题,提高了优化性能,改善了收敛特性。利用BHPSO-SA算法对LSSVM的参数进行优化选择,用UCI数据库的数据进行分类验证,相比CV参数优化的LSSVM,提高了分类速度和精度。最后把BHPSOSA-LSSVM算法应用到风机齿轮箱的故障诊断中,取得了良好的效果。     

多变量系统控制器的参数满意优化设计

为了将满意优化拓展到多变量系统中以解决多变量控制系统线性二次型(LQ)控制器设计中加权系数阵确定难的问题,提出多变量系统满意优化设计方法,通过设计满意度函数,构造出多变量系统的满意优化数学模型,并用改进遗传算法实现二级倒立摆系统LQ控制器满意优化设计.仿真结果显示,系统具有更满意的综合性能指标.证实了该方法的有效性和实用性.本文的研究对多变量系统优化设计具有一定的参考价值.     

Classification of Steam Generator Tube Defects for Real-Time Applications Using Eddy Current Test Data and Self-Organizing Maps

A new classification method, for isolating steam generator tube defects in nuclear power plants using Eddy Current Test (ECT) signals, has been developed. The method uses Self-Organizing maps (SOM) with different data signatures to identify and classify these defects. A multiple inference system is proposed which evaluates different extracted characteristic SOMs to infer the defect type. Wavelet zero-crossing representation, a linear predictive coding (LPC), and other basic signal representations, such as magnitude and phase, are used to construct characteristic vectors that combine one or more of these features. These vectors are evaluated for their ability to classify tube defects and the ones with the best performance are used in the multiple inference system. The effectiveness of the method is demonstrated by applications of the characteristic maps to ECT data from various cases of tube defects in pressurized water reactor plant steam generators. The developed algorithm enables real-time applications such as fast tube defects classification systems and visualization of ECT signal feature prototypes, which may improve the speed of time-critical decision making during power plant maintenance outages.     

一种基于粒子群算法的配电网低电压诊断模型研究

随着智能电网建设的发展,传统的基于检测技术的配电低电压原因诊断已变成基于数据挖掘的电力大数据分类技术,而着眼于低电压故障原因的数据分类研究在国内尚处于起步阶段,为此该文提出一种采用改进聚类算法和支持向量机分类算法的配电网低电压诊断模型。该模型首先采用Canopy-Kmeans的聚类算法基于配电网历史运行数据进行低电压原因的聚类分析并得出可能存在的低电压原因,然后采用经粒子群算法对支持向量机数据分类算法进行参数优化,最后使用结果参数优化的支持向量机算法对智能电表所采集的配电网实时运行数据进行低电压原因分类并最终输出低压故障原因的诊断结果。实验表明,采样基于粒子群优化的支持向量机诊断模型能够实现90%的低电压原因诊断准确度。     

双功能混合催化剂上含氮合成气一步法制二甲醚的本征动力学模型

研究了由商业甲醇合成催化剂和改性分子筛脱水催化剂混合组成的双功能催化剂上含氮合成气一步法制取二甲醚的本征动力学。实验是在3-7Mpa、220-260℃条件下进行的。选择CO、CO2加氢合成甲醇及甲醇脱水三个反应为独立反应，采用双曲型动力学模型，通过单纯形法与遗传算法相结合估计了动力学模型参数，经检验该模型可靠，模型计算值与实验数据吻合良好。