神经网络ART模型在故障诊断中的应用

讨论了目前最成功的一种无导师神经网络模型──自适应谐振理论ＡＲＴ。分析了ＡＲＴ的工作原理，给出了ＡＲＴ的具体算法（已在ＰＣ－４８６上用Ｃ语言实现）；指出了ＡＲＴ的实质，并以“有轨自动物料搬运小车系统”为例详述了ＡＲＴ在故障诊断中的工作过程，获得了很好的结果。     

基于ART2神经网络算法改进的研究

ART2神经网络是按照自适应谐振理论建立的一种自组织、无监督的人工神经网络.通过分析经典自适应谐振神经网络聚类过程,针对传统ART2神经网络模型对分类的不确定性和网络权值模式漂移等不足,提出了基于算法改进的ART2神经网络模型.最后对改进的ART2神经网络进行了仿真,并与经典神经网络所做仿真的结果比较,验证了改进的ART2神经网络结构大大提高了分类的正确率,有效改善了模式漂移现象.降低了空间存储消耗.     

基于ART2神经网络的车辆感应波形识别的方法

在智能交通系统中,无论是在交通监控领域还是在不停车收费系统方面,对车辆进行自动分类都十分重要;环形线圈车辆检测器以其良好的适应性、稳定性和高效性在车辆监测方面得到了广泛的应用,同时利用同类型或同种车辆经过环形线圈产生轮廓相似的电磁感应波形这一特点也可以进行车型识别;对波形进行预处理,以波形轮廓的抽样、量化值作为特征向量,将特征向量作为ART2神经网络的输入向量,经ART2神经网络的自动聚类最终实现车辆感应波形的聚类与识别。     

改进的ART2型神经网络在故障诊断中的应用

针对传统ART2型神经网络的缺点,提出了一种增强了网络执行速度的改进的ART2型神经网络。改进后的算法避免了传统ART2因输入次序不同而导致的输出结果不同的缺陷。应用了一种新的方法计算输入模式与所有模式的相似度。为了解决传统ART2型神经网络的模式漂移问题引入了激活深度的概念。改善了ATR2型神经网络的适用性。     

基于胶囊神经网络的涡扇发动机故障诊断方法

针对航空涡扇发动机数据集故障分类准确率较低的问题,提出一种基于胶囊神经网络的涡扇发动机故障诊断方法。首先确定故障类型和关键变量,然后构建卷积胶囊神经网络模型,将分割的训练集数据输入模型进行训练,最后利用诊断模型诊断测试集数据并计算分类识别准确率。将所提算法在NASA涡扇发动机数据集上进行测试,证明了该模型的分类识别准确率有所提高,可为涡扇发动机的故障诊断提供帮助。     

基于小波-神经网络的电机振动故障诊断

针对电机振动信号的频谱特点,提出基于小波-神经网络技术的电机故障模式识别与诊断的新方法。利用小波包的多维多分辨率特性,对电机振动信号进行分解与重构,获得振动信号的突变信息,提取与电机故障相关的特征信息,将其作为特征向量输入ART2神经网络,对其进行训练。经过训练后的神经网络可对电机工作状态进行在线监测和实时故障诊断,并在转子实验台上进行了模拟故障仿真试验。通过对仿真结果的分析,证实这种诊断方法的可行性。     

改进ART1神经网络在航空发动机故障诊断中的应用

根据航空发动机故障诊断原理和飞参数据,提出了一种改进ART1神经网络故障诊断方法。该法对数据预处理后,运用四阈值法和二次判断建立故障代码消除“伪故障”,并对ART1神经网络的输入层进行了改进,在诊断突发性故障的基础上,增加了对因为部件原因而引起的渐变性故障的诊断。实验结果证明,该方法精确度高,噪声抑制力强,而且诊断准确,大大降低了虚警率。     

改进ART1神经网络在航空发动机故障诊断中的应用

根据航空发动机故障诊断原理和飞参数据,提出了一种改进ART1神经网络故障诊断方法.该法对数据预处理后,运用四阈值法和二次判断建立故障代码消除"伪故障",并对ART1神经网络的输入层进行了改进,在诊断突发性故障的基础上,增加了对因为部件原因而引起的渐变性故障的诊断.实验结果证明,该方法精确度高,噪声抑制力强,而且诊断准确,大大降低了虚警率.     

基于ART2神经网络的车牌字符识别

提出了ART2神经网络在车牌自动识别系统中的应用.ART2神经网络可以在非平稳的、有干扰的环境中进行无教师无监督的自学习,学习过程是自组织的实时学习,能迅速识别已学习过的样本,并能迅速适应未学习过的新对象.Zernike矩具有旋转不变性、位移不变性、比例不变性.该方法结合了Zernike矩和ART2神经网络的优点,在实验中取得了很好的效果,解决了车牌自动识别系统中字符识别的难题.     

基于FBP神经网络的航空发动机故障诊断

通过对人工神经网络（ANN）的深入研究,尤其是在改进算法方面作了大量的尝试,设计出了一种FBP神经网络。在采集了大量的飞机发动机故障信息后,并结合专家的经验数据,提出了适用于民航飞机发动机,特别是波音767和波音747所装配的JT9D发动机和PW4000型发动机的故障诊断系统。使在不对发动机进行解体的情况下能早期检测到故障隐患。     

基于粒子群神经网络的气阀机构故障诊断

提出应用粒子群神经网络和小波包能量特征的柴油机气阀机构故障诊断方法.为了克服BP算法的缺陷,将粒子群优化(PSO)算法应用于神经网络的学习算法中;为了避免PSO算法在全局最优值附近搜索变慢,采用了一种从PSO搜索到BP搜索的启发式算法;然后,通过模拟柴油机气阀机构的两种常见的主要故障:气阀漏气和气门间隙异常,采集气缸盖...     

基于BP神经网络的故障诊断技术研究

分析了传统的故障诊断方法的特点和缺点,在此基础上选择BP神经网络应用于故障诊断,详细探讨了BP神经网络的建模方法,根据设备的层次结构和特点,将集成神经网络应用于故障诊断,有效地克服了单一神经网络故障诊断的一些缺点,大大提高了故障诊断的效率和准确率.     

基于IMF复杂度和RBF网络的配气机构故障诊断

针对柴油机振动信号的非平稳特性,提出一种经验模态分解(Empirical Mode Decomposition,EMD)、复杂度和RBF(radical basis function)神经网络相结合的故障诊断方法;运用经验模态分解方法对特定时段的振动信号进行分析,计算前5个固有模式分量(Intrinsic Mode Functions,IMF)的Lempel-Ziv相对复杂度作为故障特征向量,并利用RBF神经网络可以快速逼近任意非线性函数及良好分类能力的特点,来实现对柴油机工作状态和故障类型的判别;最后,利用实际柴油机试验数据的诊断和对比试验验证了该方法的有效性。     

基于PNN的飞机发动机故障诊断研究

鉴于概率神经网络良好的分类性能,提出一种基于PNN的飞机发动机故障诊断方法,成功对三种典型飞机发动机转子故障做出了正确诊断。研究表明,PNN网络诊断准确,对测量噪声有良好的鲁棒性,具有较好的工程应用前景。     

基于神经网络的柴油机故障诊断方法

提出了一种基于三层BP网络的柴油机故障诊断模型，给出了一种基于黄金分割法的变步长学习算法。仿真结果表明，该算法比标准BP算法具有更快的学习速度，完全适用于柴油机故障诊断系统。     

基于神经网络的设备故障诊断

文中介绍了一种基于人工神经网络的设备故障检测和诊断方法,其ANN集是用基于知识的解析冗余关系组织的,并用遗传算法进行ANN的设计和训练。将该方案用于感应式发动机的故障诊断,以评估该方案的性能。     

基于改进BP神经网络的网络故障诊断研究

针对网络故障诊断过程中故障规则难以提取的问题,提出一种基于改进BP神经网络的故障诊断方法。以网络故障信息为样本对BP网络进行训练,利用其强大的自适应能力和非线性映射能力,建立起网络故障信息与故障模式输出之间的映射。同时,为了避免BP网络的学习算法陷入局部极小值,提高故障诊断的效率和精确度,采用L-M优化算法来对网络进行训练。另外,采取初期终止的方法提高BP网络的泛化能力。实例表明,该方法有效提高了网络故障诊断的有效性。     

基于BP神经网络的电子电路故障诊断技术

提出利用BP神经网络进行电子电路故障诊断的基本思想、基本步骤,并通过MATLAB软件编程,对实际问题的解决进行仿真,说明该技术的可行性和有效性,为电子电路的故障诊断提出新思路。     

基于神经网络的大规模模拟电路故障检测系统

设计了一个基于小波和神经网络的信号处理系统,该系统主要针对大规模模拟电路故障检测。针对传统诊断技术的局限性,讨论了利用神经网络方法分级诊断大规模模拟电路软故障的方案,通过小波变换提取故障特征,并利用神经网络的非线性映射特性逼近故障诊断模型。诊断结果表明基于人工神经网络的电路故障诊断方法是行之有效的。此方法具有广阔的应用前景,为大规模模拟电路故障诊断提供了新的理论依据和检测方法,并有希望研制成一套高效的检测设备。     

基于粗糙集-神经网络集成的故障诊断

综合粗糙集和神经网络的优点,提出一种基于粗糙集-神经网络集成的智能故障诊断模型.在数据采集和预处理的基础上,利用粗糙集(RS)理论对原始故障诊断样本进行离散化处理,并根据条件属性(集)对决策属性的正域的大小来选择属性,提取出对诊断故障贡献最大的最小故障特征子集,从而确定神经网络的拓扑结构;通过网络训练建立故障特征与故障之间的映射关系,采用神经网络集成的方法实现故障的诊断.通过热电厂发电机组的故障诊断实例,表明了这种故障诊断方法的工程有效性.