基于改进BP神经网络的汽车发动机故障诊断

针对汽车发动机故障诊断过程中,传统算法收敛速度慢且精度欠缺等问题,提出一种遗传算法(GA)优化BP神经网络的故障诊断方法.在分析BP神经网络算法原理及缺陷的基础上,通过引入动量项提高算法收敛速度,并利用GA选择、交叉、遗传特性优化神经网络权值及阈值,从而进一步提高算法预测精度.仿真实验中,在经过对测试数据学习训练后,传...     

航空发动机气路静电监测系统研究

航空发动机因其气路部件长期工作在高温高压的恶劣环境中,是航空器故障的主要发生源,传统的发动机故障诊断技术实时性差,很难满足视情维修的需要。介绍了一种新的气路故障监测方法,可实时监控发动机气路部件的磨损状态,具有其它监测技术难以比拟的潜在监测能力。首先在分析原理的基础上,结合国外相关技术,初步建立了故障监测与诊断系统模型;然后进一步论述了系统组成及其功能实现,给出了发动机部件恶化程度的评定指标和分析方法;最后对研究方案和今后的发展提出了几点看法。     

基于遗传-BP神经网络的航空发动机气路故障诊断研究（英文）

为提高BP神经网络诊断发动机气路故障的准确率,利用遗传算法对BP神经网络的初始连接权值和阀值在解空间内进化寻优,再将优化结果赋给网络以梯度下降算法进行二次训练,再对待检故障样本进行诊断。结果表明:GA-BP网络在输出精度、收敛速度及收敛曲线平滑性上明显优于普通BP网络,为航空发动机故障诊断领域的研究提出了新的思路和方法,具有一定研究价值。     

基于FastICA的遗传径向基神经网络轴承故障诊断研究

针对电机轴承故障诊断效率低和诊断结果准确率不高的问题,提出一种基于FastICA的遗传径向基神经网络的优化算法。利用独立分量分析算法,将信号分离成多个独立的信号源;根据独立信号源构建独立特征向量;将分离所得的独立信号源作为样本,输入到遗传算法优化后的径向基神经网络中进行故障识别,并与其他分类算法比较。实验结果表明,对于电机轴承多信号的故障诊断,该算法具有更好的故障诊断能力。     

基于混合神经网络的数控机床故障诊断技术研究

为了实现数控机床故障诊断的自动化和智能化,提出了一种基于混合神经网络的数控机床故障诊断技术.首先通过一级BP神经网络对输入的故障信息进行分类,然后针对分类后的故障再通过二级ART神经网络实现故障的诊断和排除.基于两级混合神经网络的故障诊断系统不但具有故障自动诊断功能,而且还具有自学习和自组织等智能.     

基于遗传优化的BP神经网络

人工神经网络的优化学习是其研究中的一个重要课题.将遗传算法用于BP神经网络的学习,将遗传算法的全局搜索和BP神经网的局部搜索相结合,并设计一网络实例加以训练,达到了比较满意的效果.     

基于免疫神经网络的数控机床故障诊断研究

针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出一种基于人工免疫算法优化BP神经网络(IMBP)的数据机床故障诊断算法。介绍了常见的数控机床故障类型和分类,阐述了人工免疫算法和BP神经网络以及人工免疫优化BP神经网络算法的工作流程。利用免疫算法的全局搜索性能先对神经网络权值和阈值进行全局优化,加快了BP算法训练过程的收敛速度,减少训练过程所需要的时间。通过仿真性能测试分析,结果表明:与BP、GABP和IMBP 3种算法对比,比BP神经网络算法的数控机床故障预测诊断提高了18.3%,比GABP神经网络算法提高了12.05%,提高了数控机床故障诊断精度。     

基于BP神经网络的SCARA机器人故障诊断

以SCARA机器人为研究对象,在ADAMS软件中建立SCARA机器人模型,进行仿真。采集SCARA机器人大臂前后端、小臂前后端及底座等容易出现裂纹部位的加速度数据;在MATLAB中运用BP神经网络建立SCARA机器人故障诊断模型,实现利用BP神经网络对SCARA机器人故障进行智能识别与分类。结果表明：BP神经网络的计算结果与期望输出基本一致,验证了其准确性及可靠性。     

基于BP神经网络的液压系统故障诊断专家系统

本文尝试将BP神经网络应用于液压系统的故障诊断，阐述了基于BP神经网络的故障诊断专家系统的基本结构，以及知识库，正向推理机和解释机的实现方法。     

航空发动机管路系统振动机制及故障诊断研究综述

以航空发动机附件装置中的管路系统为研究对象,在总结国内外研究成果的基础上,对比分析了管路系统耦合振动机制及故障诊断等内容,指出了管路系统的非线性振动特征分析、振动故障机制与故障模式研究和管路系统的振动故障诊断是航空发动机管路系统振动消减和排故的研究方向。     

基于神经网络的电动机故障诊断设计

以神经网络模型理论和智能控制技术为基础,研究了径向基函数(RBF)神经网络的模型结构及其在交流电动机故障诊断中的实现方法。结果表明:RBF神经网络的训练速度更快,逼近误差更小,能够更加有效地解决交流电动机故障诊断问题。     

基于遗传算法的间接自校正模糊神经网络控制

针对一般神经网络训练算法训练速度慢和易陷入局部极小点的不足,文章提出了一种基于模糊神经网络的间接自校正控制系统,控制器是以高斯函数为隶属度函数的径向基函数(RBF)神经网络结构,利用改进的遗传算法(GA)对结构和参数进行同步优化.神经网络模型(NNP)利用弹性BP算法进行离线辨识.仿真与传统的模糊PID控制器控制进行比较,结果表明遗传算法大大改善了系统的性能.     

狼群优化LVQ神经网络的齿轮箱故障诊断应用研究

为了提高齿轮箱故障诊断的准确度,采用LVQ神经网络来完成齿轮箱故障定位及识别,并借助狼群优化算法来实现模型参数的优化。在齿轮箱故障诊断的建模过程中,引入狼群优化算法,将LVQ神经网络权重和阈值作为狼群个体,随机产生的多个权重和阈值组合个体构成狼群,并根据狼群游走、召唤和围攻等行为,不断更新狼群中个体狼的位置来获取全局适应度最大的头狼,得到最优权重和阈值,确定最优齿轮箱故障诊断模型。经过实验证明:采用基于狼群优化LVQ神经网络的齿轮箱故障分类,分类准确度更高。     

基于遗传神经网络的焊接接头力学性能预测系统

文中广泛收集和整理企业第一线的焊接工艺和焊接接头力学性能数据,并建立起相关数据库.应用遗传算法优化BP神经网络,建立焊接接头力学性能预测模型,实现碳钢、低合金高强钢以及不锈钢的抗拉强度、屈服强度、断后伸长率以及断面收缩率等力学性能指标预测.结果表明,材料成分和焊接工艺为影响接头力学性能的主要参数,应用遗传算法优化BP神...     

基于CORBA的柔性制造系统网络故障诊断系统研究

针对柔性制造系统（FMS）的异构性，在简要介绍CORBA体系结构的基础上，对利用CORBA技术构建FMS网络型异地故障诊断系统进行了研究，并介绍了具体的实现方法。基于CORBA技术构建的FMS故障诊断系统具有柔性，可移植性和可扩展性的特点。     

基于神经网络的金属变形抗力预测

以恒变速率凸轮压缩试验机得到的实验数据为基础,利用Matlab人工神经网络工具箱,建立了优质碳素结构钢的变形抗力预测模型。通过该网络的μ参数的自适应调整,提高了收敛速度,使金属塑性变形抗力的预测精度大为提高。     

虚拟环境下机床主传动系统故障诊断的仿真实现

本文介绍了用AutoCAD完成机床主传动系统三维实体造型，用VisualC 、Visual LISP等工具完成主轴箱轴承、齿轮、轴等部位在运行中出现故障时的立体动画。经压电晶体加速度传感器实时检测机床的振动信号，对这些信号进行分析(统计处理、频谱分析等)提取出故障特征，经人工神经网络、模糊决策及专家系统等手段进行决策，判定故障部位和程度，可在微机上直观地观察主轴箱在运行过程中，各故障具体部位及损伤程度的虚拟现实情况。     

基于BP神经网络的机械扩径工艺参数预测方法

文章给出了一种基于BP神经网络建立管筒形零件机械扩径工艺参数与成形精度控制参数间的映射关系,并将其嵌入遗传算法以实现工艺参数优化的机械扩径工艺参数预测方法。所涉及的工艺参数包括扩径率、管坯横断面圆度和模具外径与制品内径之比;成形精度控制参数包括制品外径及其横断面圆度误差。该方法能够很好地预测材质为X52、规格为(406mm～720mm)×9mm的管线钢管机械扩径的工艺参数,并给出一个满足其成形精度要求的最佳工艺参数组合。     

网络化制造模式下的设备维护与故障诊断研究

首先分析了传统制造模式下的设备维护与故障诊断特点，继而深入分析了网络化制造环境下设备维护与故障诊断所面临问题，提出了设备维护与故障诊断公共服务平台系统的解决方案，并建立了设备维护与故障诊断信息模型，为以后的进一步研究奠定了基础。     

Optimization of steel casting feeding system based on BP neural network and genetic algorithm

The trial-and-error method is widely used for the current optimization of the steel casting feeding system, which is highly random, subjective and thus ineff icient. In the present work, both the theoretical and the experimental research on the modeling and optimization methods of the process are studied. An approximate alternative model is established based on the Back Propagation(BP) neural network and experimental design. The process parameters of the feeding system are taken as the input, the volumes of shrinkage cavities and porosities calculated by simulation are simultaneously taken as the output. Thus, a mathematical model is established by the BP neural network to combine the input variables with the output response. Then, this model is optimized by the nonlinear optimization function of the genetic algorithm. Finally, a feeding system optimization of a steel traveling wheel is conducted. No shrinkage cavities and porosities are induced through the optimization. Compared to the initial design scheme, the process yield is increased by 4.1% and the volume of the riser is decreased by 5.48×10~6 mm3.