基于模糊神经网络的切削参数预测方法

提出了一种基于模糊神经网络的数据挖掘算法,将模糊理论与神经网络技术结合,避免了单纯的神经网络结构复杂、网络训练时间长、结果表示不易理解等不足。经过模糊神经网络的建立和训练可达到精度要求。将试验值、单纯神经网络及支持向量机的预测结果进行比较,可以得出如下结论:当模糊神经网络的隶属度函数中的参数及神经网络连接权值的初始值合理时,其学习算法的精度高,收敛性好。     

基于递归神经网络的数控伺服进给预测模糊控制器设计

为进一步改善数控机床伺服进给系统的动静态性能,针对该系统的非线性、参数不确定性及对实时性和无超调的要求,提出了用传统模糊控制策略,结合递归神经网络预报系统未来输出值的功能,根据当前时刻误差和预测误差变化值,预测下一时刻的控制输出和系统在未来时刻的误差。仿真结果表明,与常规模糊控制和经典的PID控制算法相比,预测模糊控制使超调减小,鲁棒性强,响应快,具有良好的稳态精度、动态响应和抗干扰能力。     

BP神经网络在某型飞机发动机故障预测中的应用

飞机发动机是飞机的“心脏”,为了确保飞机的飞行安全,就必须能够对飞机发动机的故障进行有效的预测,并及时予以排除。本文介绍了神经网络故障预测原理,给出了神经网络模型在故障预测过程中的学习算法。并将该算法应用于某型飞机发动机的故障预测中。实验结果表明：用BP神经网络进行故障预测,不仅准确度高、效率高,而且可变被动维修为视情维修,具有良好的应用前景。     

基于模糊评判的故障预测系统研究

针对复杂武器装备 ,分析了其故障预测系统的要求 ,应用模糊数学理论 ,提出了构造基于模糊综合评判的故障预测系统 ,并研究了模糊知识库的建立方法和模糊推理机的运算模型及设计方法。     

一种基于神经网络的离心式鼓风机故障发生时间预测方法

在充分考虑了D350离心鼓风机故障来源的基础上,确定了风机后轴承轴瓦轴向、水平、垂直3个方向的振动速度作为故障预测的依据.并根据D350离心鼓风机故障发生时间预测的特点,设计了一个BP神经网络预测模型,然后再利用实验测得的一段连续时间的振动速度值来对BP神经网络进行训练,并验证了经过训练的网络预测结果的可靠性.最后将一组估计的振动速度值输入BP神经网络,对未来10天进行预测,预测结果表明与实际故障的发生时间非常接近.     

基于BP神经网络混凝土泵车臂架故障预测研究

针对混凝土泵车臂架结构复杂,故障频繁发生的特点,提出了一种基于BP神经网络臂架故障预测方法。臂架在工作过程中,工况参数的不同直接影响到臂架关键点应变大小。基于此,引入BP神经网络,选取臂架倾角、臂架加速度作为输入量,臂架应变作为输出量,构建了3层BP神经网络模型。通过构造试验方案获取样本数据,随机选取训练集、测试集,利用MATLAB工具对BP神经网络进行训练和验证,并对臂架故障进行了预测。实例验证了BP神经网络对臂架故障预测方法的可行性,该方法的提出相对于传统的现场监控方法更简便,并为臂架工况参数的选择提供了基础支持。     

基于模糊神经网络的航空发动机故障诊断研究

提出了一种基于模糊神经网络的航空发动机故障诊断方法 ,介绍了该方法的原理及实现算法 ,并利用某型发动机地面定检状态实测的数据作为样本数据 ,建立了基于模糊神经网络的航空发动机的故障诊断模型。通过该模型对起飞状态实测的发动机参数进行了辨识 ,结果表明该方法具有学习速度快、诊断精度高等优点。可用于航空发动机及其它装备的故障诊断。     

基于模糊神经网络的电力变压器绝缘状态预测方法

针对绝缘状态预测前未能解调变压器的差分频谱,存在绝缘电阻拟合误差大、绝缘子检测精度低和预测时间长等问题,提出基于模糊神经网络的电力变压器绝缘状态预测方法。基于变压器原理,对微分谱线进行解调处理,分析变压器特征量,构建模糊神经网络,引入鸡群优化算法改进模糊神经网络,将获取的变压器特征量输入优化后的模糊神经网络中,完成电力变压器绝缘状态的动态预测。实验结果表明,运用该方法进行绝缘状态预测时,绝缘电阻拟合误差小、绝缘子检测正确率高,以及预测时间短。     

基于神经网络模型的高铁轮对故障诊断和预测方法的研究

提出将高铁轮对运转时产生的振动信号作为样本,分析在高铁轮对运转中,其振动信号中均值、方差、均方值、峰度、裕度因子、脉冲因子等值的变化。由于时域振动信号分析具有很强的实时性,因此采用振动时域信号作为特征信号,提取出能量参数、峰度参数、波形参数、裕度参数、脉冲参数和峰值参数作为样本输入到神经网络模型中,提出利用概率神经网络模型进行高铁轮对故障诊断。利用径向基网络模型,分析历史故障数据,对故障初期显示出的信号特征进行分类,确定中心节点,预测出故障类型,保障高铁轮对可靠运行。     

基于LVQ神经网络的飞机减震器故障预测

针对起落架减震器密封失效导致油液泄漏故障,提出一种利用LVQ神经网络对故障进行预测的方法。利用维修信息中的总起落次数、密封件使用时间、密封有效期间的起落次数和运行环境影响因子作为输入向量,油液是否泄漏作为输出向量,建立LVQ神经网络故障预测模型。利用历史维修信息对预测模型进行训练,将当前维修信息输入已训练好的预测模型,实现故障预测。仿真实例表明,该预测模型具有简捷、高效以及预测精度高的特点,使用该预测模型预测时,无需对输入向量进行预处理,预测结果与实际情况较吻合。     

基于模糊神经网络的气体密封故障诊断

针对传统的依靠单一参数对密封状态监测的不足,利用模糊神经网络处理问题的能力,综合多种密封参数的信息,建立针对密封状态监测的模糊神经网络系统,提出基于模糊神经网络的故障诊断的方法。该方法确定泄漏量、端面温度、气膜厚度、阻封气泄漏量作为密封的监测参数,并确定各个参数的隶属函数;通过大量的历史数据、MAT-LAB模拟数据和专家知识分析得到各个特征参数值和修正值,建立5种密封状态的输出模式;通过隶属函数实现输入样本的模糊化;通过MATLAB编程来设计、优化神经网络结构,利用历史数据训练神经网络。通过实例分析验证了建立的模糊神经网络的实效性。     

基于LVQ神经网络的异步电动机故障诊断

应用小波包分析法和学习矢量量化网络对异步电动机的故障进行诊断。采用小波包分析法对采集的异步电机振动信号进行小波包分解,选取特殊频段的能量特征值作为LVQ神经网络的输入样本,通过训练,使构造的学习矢量量化网络能够反应能量特征值和故障类型的映射关系,从而达到故障诊断的目的。仿真结果表明,与常规方法相比,小波包分析法与LVQ网络结合构成的故障诊断分类器能更准确、更有效地实现异步电动机故障诊断。     

基于神经网络的模糊自适应PID控制方法研究

针对常规PID控制器不能在线修正参数以及模糊规则和率属函数对专家经验的依赖性,提出了神经网络模糊自适应PID控制器,从而综合了传统PID控制、模糊控制、神经网络控制的优点,使其具有PID控制的广泛适用性和神经网络的自适应和自学习能力,同时又具备模糊控制的非线性控制作用;仿真实验可知该控制器具有更快的响应和更好的平稳性.     

基于LMBP神经网络的故障预报方法及其应用

利用具有二阶收敛效应的Levenberg-M arquardt(L-M)算法优化BP的权值修正量,提出了一种快速收敛的LMBP学习算法,给出了基于LMBP神经网络的故障预报方法,并应用于某陀螺仪的故障预报。结果表明:较之BP和传统改进BP网络,LMBP网络有着更高的收敛速度;基于该网络的时间序列预测模型可以实现性能优越的非线性预报器,将其应用于非线性系统的故障预报能够取得良好的效果。     

基于模糊神经网络的直流电网故障诊断研究

介绍了模糊规则网络的原理,给出了神经网络模型在故障诊断过程中的学习算法,并将其应用于直流电网的故障诊断。结果表明：用模糊神经网络技术能够及时准确地对机器进行故障诊断,具有良好的应用前景。     

基于小波神经网络的机械故障预测

良好的局部放大特性和多分辨率学习特性使得小波神经网络比神经网络有更强的自适应能力、更快的收敛速度和更高的预报精度。本文构造了一个小波神经网络,给出了基于小波神经网络的机械故障趋势预测方法,并通过对煤矿提升机闸瓦间隙进行故障预测,验证其方法的可行性。     

基于粗集理论的模糊神经网络建模方法研究

智能控制研究发展到了模糊神经网络阶段,其中5层模糊神经网络结构的物理含义清晰,而Max-Min模糊神经网络反应快,实时性强。在分析两者优缺点的基础上,提出了基于粗糙集构建模糊神经网络的方法,并通过比较3种方法对同一个事例的建模,说明了基于粗糙集方法的优点。     

基于模糊RBF神经网络的滚动轴承故障诊断

针对现有滚动轴承故障诊断方法存在人为因素影响、表达模糊信息能力弱等问题。结合模糊评价和RBF神经网络的优点,选取3层小波包分解方法以获取评价因子,并使用正态分布型隶属度函数,构建了模糊RBF神经网络滚动轴承故障诊断模型。网络测试结果表明,该模型客观准确,诊断结果与实际情况一致。