基于改进遗传算法的切削参数优化方法研究

分析了常用遗传算法选择算子的不足,发现没有能够有效避免局部最优解产生的选择算子。针对这一问题提出了改进的选择算子——自适应选择方法。利用改进的自适应选择遗传算法对船用柴油机关键件铣削参数进行了优化,建立了优化过程的数学模型,并通过计算机语言编程实现。分别采用4种选择算子对铣削参数进行优化。对优化结果进行对比分析,所提出的自适应选择算子的计算精确性和有效避免局部最优解的能力表明,该优化方法是科学有效的。     

一种基于遗传算法的神经网络结构优化方法

神经网络隐藏层数量的选择以及权重值的确定对训练算法的收敛性有很大影响,为了解决神经网络(ANN)训练过程中结构复杂的问题,提出了一种基于遗传算法(GA)的网络结构优化方法。试验结果表明,在训练样板数量较大时,优化后的ANN能够计算出隐藏层的最佳数量,从而提高整体的性能,具有较好的泛华能力。     

基于遗传算法优化的神经网络及其在机械故障诊断中的应用

针对神经网络结构的设计基本上依赖于人的经验的缺点,提出了一种利用遗传算法优化神经网络的算法。该算法结合了神经网络的快速并行性和遗传算法的全局搜索性,同时对神经网络的连接权和结构进行了优化,剔除整个网络冗余节点和冗余连接权,提高了网络的处理能力。将该方法应用于磨机故障诊断,能够对故障模式进行精确的识别, 取得了很好的效果。     

一种自适应粒子群算法的小波神经网络优化

针对传统粒子群算法易陷入局部最优解的问题,提出了一种变权重粒子群算法.该算法通过引入交叉权重因子和粒子个体状态最优权值,对传统粒子群算法进行了优化,使粒子在移动过程中利用更多的信息来调整各自的移动方向,扩大粒子在运动过程中的自我认知范围,提高了粒子群算法的收敛精度和收敛速度.最后,利用改进的变权重粒子群算法对小波神经网络控制器进行优化,有效地验证了变权重粒子群算法的精确性.     

信息神经网络的改进优化研究及应用

传统的信息神经网络没有考虑特征分量的故障信息重要度,使得识别效率大为降低。针对上述问题,文章提出了一种改进型信息神经网络,充分考虑各特征分量的重要度权值,优化了网络结构,提出了结构参数的优化算法;最后,将改进型信息神经网络应用于模式识别和故障诊断,结果证明了该方法的有效性。     

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。     

基于自适应免疫遗传算法的测试优化选择方法研究

针对某型挖掘机制动系统,通过对该系统结构以及故障模式影响分析的基础上,进行了系统测试点布置,并建立了故障测试关系矩阵,利用自适应免疫遗传算法对该系统测试选择优化问题进行求解,得到一组最优测试集,实例应用表明,该方法对求解测试点优化选择问题的有效性.     

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。     

基于改进神经网络的空压机组故障诊断

阐明了神经网络应用于故障诊断的基本原理，提出了神经网络的改进方法。应用该方法．对某空压机组振动故障进行了诊断，表明神经网络应用空压机组故障诊断完全可行。     

一种萤火虫神经网络及在轴承故障诊断中的应用

萤火虫算法作为一种群体智能算法,具有良好的全局寻优特性,可用于解决神经网络在反向传播(Back propagation,BP)算法下易陷入局部极值点、收敛速度慢的问题。但在应用于神经网络时其参数选取缺乏有效依据或经验公式,参数取值不当时,萤火虫神经网络的训练误差无法有效收敛、种群个体之间协同寻优功能易失效。因此,提出一种双层萤火虫改进算法对其参数进行选取。用UCI数据及轴承故障试验对算法进行验证,结果表明,应用所提方法后萤火虫神经网络的训练误差收敛值显著减小,并且在训练效率、故障识别率方面均优于BP神经网络、遗传神经网络、粒子群神经网络。     

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.     

基于小波包与改进BP神经网络的齿轮故障诊断

对齿轮振动信号应用小波包分解提取故障特征向量,并以此作为改进BP神经网络的输入,对神经网络进行训练,建立齿轮运行状态分类器,用以诊断齿轮的运行状态。结果表明,该方法对齿轮故障诊断十分有效。     

基于神经网络算法的故障检测技术

针对复杂的机电产品内部构件状态检测这一工程难题,本文介绍了一种自动在线检测系统.该系统采用X射线对产品成像,运用数字图像处理技术对射线图像进行预处理,由神经网络算法进行故障诊断.故障识别模型采用了改进的BP神经网络算法,以正常装配状态时的多幅图像经预处理后作为学习样本训练BP神经网络.检测时一般只需拍摄两幅不同方位的图像,经预处理后输入神经网络与样本图像进行比较判断,即可识别出关键元器件的状态.该系统将数字射线成像技术和图像处理技术相结合,并在故障识别算法中采用了神经网络算法,提高了产品故障的检测速度和可靠性,在工业无损检测领域具有一定的实用性.     

基于人工神经网络的多学科优化设计研究

多学科优化设计的两大难点是子学科间的信息交换和系统分析计算的复杂性。为此，在一致性约束算法和并行子空间算法基础上，提出了一种基于人工神经网络响应面的多学科优化设计算法，它是一种二级结构的优化方法，即学科层仅满足局部约束，系统层提供一种协调学科间冲突的机制，保证在相关变量和耦合变量上的一致性，使设计方案不断改进。通过某型号飞航导弹系统的优化实例，验证了算法的有效性。     

遗传神经网络法在装载机故障诊断中的应用

在装载机故障诊断系统中,针对BP算法存在收敛速度慢,容易陷入局部极小值的问题,设计用遗传算法的复制、交换、变异过程代替BP网络的反向传播过程的改进算法.以装载机常用故障为例,应用提出的遗传神经网络算法对其进行故障诊断分析,从而证明该算法的有效性.     

基于神经网络和遗传算法的集装箱龙门起重机结构系统优化研究

论文综合利用有限元方法、正交试验法、人工神经网络以及遗传算法对龙门起重机结构系统进行优化研究。首先利用有限元模型对结构进行灵敏度分析,确定对结构系统特性敏感的设计变量作为神经网络的输入变量。然后利用正交试验法确定神经网络训练样本,并利用有限元模型计算出样本数据,建立人工神经网络模型。最后利用遗传算法对所建立的神经网络模型寻优。     

基于神经网络的数控机床故障诊断专家系统

针对传统专家系统在处理故障诊断中的不足,提出了将神经网络技术与专家系统融合的诊断模型,并用于数控机床的故障诊断中.介绍了诊断系统结构、功能及改进的BP神经网络算法,并给出了应用实例.试验结果表明,该方案合理、可行,有较好的应用前景.     

基于神经网络的电动机逆变驱动系统故障诊断

针对电动机变频调速系统中逆变器开关元件故障类型多，传统故障诊断方法难以实现故障分离等情况，本文提出了一种基于神经网络的电动机变频调速系统故障诊断方法。通过对逆变器输出信号的谱分析可以获得对故障敏感的故障特征量，将这些故障特征量输入神经网络后，由网络输出层的结点输出可以判断故障类型，从而实现故障分离。研究结果表明，该方法可有效实现开关元件断路、短路故障，为进一步实现逆变器容错驱动奠定了理论基础。     

基于改进粒子群算法的小波神经网络分类器

针对传统BP-WNN和基本PSO-WNN算法收敛速度慢和泛化性能低的缺陷,在应用李雅普诺夫理论分析得到单个粒子稳定收敛的参数取值条件基础上,提出一种粒子群改进算法,并利用该算法来训练小波神经网络权值,以此构建一种高效的粒子群小波神经网络分类器。通过Iris标准分类数据集进行测试,结果表明所提出的改进算法与BP-WNN,PSO-WNN等经典算法相比,网络更易于全局收敛,迭代次数少、函数逼近误差小、分类精度高。将该分类器应用于非线性辨识和固井质量评价中,均取得了不错的效果,表明该分类器泛化能力强,具有良好的使用价值和应用前景。