基于粒子群优化的神经网络电机故障诊断系统

提取电机定予电流信号及转于振动信号,构成用于电机故障诊断网络的训练及测试样本.用BP神经网络建立诊断输入征兆与故障输出间的映射关系,引入改进粒子群优化的策略,对神经网络权值和阀值进行优化,提高了网络系统诊断的可靠性.仿真对比研究表明,经粒子群优化后的BP网络收敛速度显著提高,更适合于电机类故障诊断的要求.     

基于粒子群优化神经网络的传动箱故障诊断方法研究

在研究粒子群优化神经网络训练算法的基础上,训练BP神经网络使网络的收敛速度大大提高,避免陷入局部最优解;根据振动实验室两级传动箱实测数据,分析研究信号以及提取信号特征值,应用训练后的BP神经网络诊断传动箱的故障,实验表明效果良好.     

基于粒子群优化神经网络的传动箱故障诊断方法研究

在研究粒子群优化神经网络训练算法的基础上,训练BP神经网络使网络的收敛速度大大提高,避免陷入局部最优解;根据振动实验室两级传动箱实测数据,分析研究信号以及提取信号特征值,应用训练后的BP神经网络诊断传动箱的故障,实验表明效果良好。     

基于混沌粒子群优化的神经网络在旋转机械故障诊断中的应用

基于混沌粒子群优化算法提出一种根据群体早熟收敛程度和个体适应值来调整惯性权重的自适应混沌粒子群优化算法,算法兼顾全局寻优和局部寻优,能够有效地避免早熟收敛.使用自适应混沌粒子群优化算法训练神经网络并建立旋转机械故障诊断模型,实验结果表明,与粒子群优化算法、遗传算法训练神经网络相比,基于自适应混沌粒子群优化算法的神经网络能够有效改善神经网络的训练效率,提高故障模式识别的准确率.     

齿轮箱故障诊断的粒子群优化模糊聚类技术

用粒子群算法取代传统的梯度下降法,优化模糊C—均值算法的各个参数,并依据聚类有效性指标确定最优聚类数及聚类中心,有效地利用了粒子群算法全局寻优的优点,克服了模糊C—均值算法极易陷入局部最优的缺点,将经过PSO优化的模糊C-均值算法应用于齿轮箱故障诊断.试验结果表明,粒子群算法是有效的模糊聚类分析优化算法,提高了齿轮箱故障诊断的准确率.     

基于粒子群优化径向基神经网络在模拟电路故障诊断中的应用

为检测和诊断模拟电路中的故障,提出粒子群算法优化RBF神经网络的故障诊断方法,即把通过特征提取获得的模拟电路故障特征量作为神经网络的输入,然后利用训练好的粒子群优化后的RBF神经网络进行故障诊断. 结果表明,该方法具有良好的分类效果,能够提高诊断精确度,对于模拟电路的故障是一种有效的诊断方法.     

基于粒子群优化SOM神经网络的轴系多振动故障诊断

针对自组织特征映射神经网络(SOM)在多振动故障诊断中出现的不能对所有可能故障完整分类和明显区分的缺点,提出基于粒子群算法优化的SOM神经网络.利用粒子群优化算法易实现、收敛快等优点,对SOM神经网络的参数进行优化,并用优化后的SOM神经网络对轴系故障进行仿真诊断.仿真诊断结果表明,粒子群算法优化的SOM神经网络比SO...     

基于粒子群优化KFCM的风电齿轮箱故障诊断

针对基于有监督学习的方法无法识别未知类别故障,提出了一种基于粒子群优化模糊核聚类(kernel fuzzy c-means clustering,简称KFCM)的风电机组齿轮箱故障诊断方法。首先,建立以训练样本分类错误率为目标的聚类模型,利用KFCM对训练样本进行分类;然后,以初始聚类中心和核函数参数作为优化变量,利用粒子群优化算法求解聚类模型,获得最优分类结果下每个类的类心;最后,根据新样本与各类心之间的核空间样本相似度判断新样本属于已知故障或者未知故障。以某风电机组齿轮箱为例,对提出方法的有效性进行试验验证。结果表明,与传统基于有监督学习的神经网络方法相比,该方法能有效诊断已知和未知类别的故障。     

基于粒子群优化的神经网络训练算法在产品种类预测中的应用

市场环境的变化导致产品更新换代加快，产品种类预测成为新的难题。传统的线性预测方法只能对产品需求的数量或价格等数值进行预测，而无法对产品的发展趋势和未来种类做出正确预测。通过对产品种类预测、数据挖掘和粒子群优化算法的研究，建立种类预测模型，利用基于粒子群优化的神经网络训练算法进行产品种类预测，并以手机为例进行预测，结果证明该方法是有效的。     

基于PSO优化RBF神经网络的反应釜故障诊断

针对单一径向基函数(RBF)神经网络在反应釜故障诊断中泛化能力不足的缺点,设计了基于粒子群(PSO)算法优化的RBF神经网络。利用PSO算法操作简单、容易实现等特点及其智能背景,对RBF神经网络的参数、连接权重进行优化,并用经PSO算法优化的RBF神经网络对反应釜故障进行仿真诊断。仿真诊断结果表明,PSO算法优化的RBF神经网络具有较好的分类效果,较RBF诊断模型精度高、收敛快,具有推广应用价值。     

一种优化算法在齿轮传动装置故障诊断中的应用

分析了粒子群算法（PSO）和差分进化算法（DE）的特点,提出了一种PSO-DV算法用于优化BP神经网络的权值和阈值,并利用PSO-DV算法优化的BP神经网络进行了齿轮箱的故障诊断。试验结果表明,PSO-DV算法可以避免神经网络陷入局部极小,改善了收敛性能,同时保证了齿轮箱故障诊断的正判率。     

遗传小波网络在齿轮箱故障诊断中的应用

针对小波神经网络常用的反向传播算法普遍存在收敛速度慢,容易陷入局部极小点,网络参数的选取只能凭实验和经验来确定等缺点,提出了一种基于遗传算法优化的小波神经网络并应用于齿轮的故障诊断。仿真结果表明,该方法充分的发挥了遗传算法的全局寻优能力,小波分析的非线性逼近能力和神经网络的自学习特性,优化了系统的收敛速度和故障诊断的精度。     

改进PSO_BP_Adaboost算法在尺寸超差故障诊断中的应用

利用改进的粒子群优化算法优化BP神经网络,组合多个优化BP网络构成Adaboost强分类器,采用“一对一”分类思想建立了改进PSO_BP_Adaboost多分类器算法,并在部分UCI数据集上进行了有效性验证。实例中,将某零件上相同尺寸、不同位置的4个孔的直径作为BP网络的输入值,利用真实数据进行验证,该算法的分类正确率达到98%,表明提出的改进多分类器算法可有效用于尺寸超差故障诊断。     

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。     

基于注意力机制的一维卷积神经网络行星齿轮箱故障诊断

针对行星齿轮箱故障信号成分复杂和时变性强的特点,提出了基于注意力机制的一维卷积神经网络(１D-CNN )行星齿轮箱故障诊断方法.首先,将行星齿轮箱各类故障状态的原始振动信号进行分段处理,作为模型的输入;其次,利用一维卷积神经网络对行星齿轮箱的原始振动信号学习齿轮故障特征,结合注意力机制( AM )对特征序列自适应的赋予不同的权重,增强故障特征信息;最后,利用 Softmax 分类器实现行星齿轮箱的故障诊断.通过故障实验验证以及与其他模型的对比,该故障诊断模型具有较强的学习能力,诊断性能优于其他的深度学习模型,有较好的工程实际意义.     

神经网络在滚动轴承故障诊断中的应用

提出了基于神经网络的滚动轴承故障诊断方法,以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别,经过实验表明,该方法对于滚动轴承的故障诊断具有一定的应用价值,并可方便地推广到类似的诊断领域。