基于PSO和属性约减的模糊神经网络机床故障诊断

数控机床伺服系统工作原理复杂。为了提高智能故障诊断的准确性,提出基于PSO理论和属性约束规则(RSM)的模糊神经网络算法。先对训练样本进行属性约减;由于PSO算法具有全局优化能力和BP算法具有局部搜索效率高的优点,利用它们训练神经网络,克服了传统方法收敛速度慢的缺点;并通过Matlab仿真证明,该方法具有较高的诊断准确性。     

基于小波包和IGA-BP神经网络的滚动轴承故障识别方法

为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。     

LM算法BP神经网络的数控机床主轴系统故障诊断

针对目前数控机床故障复杂、诊断困难的问题,提出基于人工神经网络的故障诊断方法。在研究传统BP神经网络故障诊断模型基础上,引入改进的BP算法-LM算法,建立机床主轴系统LM-BP神经网络故障诊断模型,对机床主轴系统故障进行分析与诊断,再通过Matlab仿真与传统BP神经网络相对比,仿真结果表明:传统BP神经网络存在较难实现快速、准确的故障定位问题,而BP神经网络LM算法作为故障诊断的核心算法收敛速度快、识别准确。该方案设计合理可行,有较好的应用前景,并给出应用了实例。     

基于多特征融合与GA-BP模型的滚动轴承故障识别

针对滚动轴承故障识别问题,基于遗传算法(GA)和BP神经网络等技术,提出一种GA-BP神经网络模型。该模型以训练数据的输出误差作为目标函数,利用遗传算法对BP神经网络的初始权值和阈值进行优化选择。将经验模态分解能量比和时域特征相结合的特征向量作为BP神经网络的输入,对滚动轴承不同工况下的故障进行识别。滚动轴承故障诊断的实例表明:该模型较传统BP神经网络模型具有更好的收敛精度、收敛速度和识别率。     

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,传统算法和改进算法分别对一组测试数据进行故障诊断,对比结果表明,所提改进算法较传统BP神经网络算法在诊断精度以及效率等关键指标上均有一定程度改善。     

基于改进PSO优化BP的数控机床热误差预测研究北大核心

热误差是影响数控机床加工精度的主因,为提高数控机床热误差模型的预测精度,提出了基于改进粒子群优化BP神经网络的数控机床热误差建模预测方法。针对BP易陷入局部最优、收敛速度慢,在标准粒子群算法的基础上,改进粒子的速度与位置更新策略,在此基础上优化BP神经网络的阈值和权值,并建立数控机床热误差预测模型;借助于MATLAB完成仿真实验,结果表明,与标准的BP神经网络和支持向量机相比,基于改进粒子群优化BP神经网络的数控机床热误差预测模型精度高、泛化能力强。     

基于PSO-BP神经网络的连铸漏钢预报

针对传统BP神经网络在训练过程中存在收敛速度慢、易陷入局部最优解的缺陷,将基于群体智能的全局寻优算法-粒子群优化算法引入到BP神经网络的训练过程,建立了PSO-BP神经网络漏钢预报模型;结合某钢厂连铸现场历史数据,分别对PSO-BP漏钢预报模型和BP网络预报模型进行了训练和测试;结果表明,PSO-BP漏钢预报的收敛速度较传统BP神经网络明显加快,其泛化能力和对漏钢温度特征的识别精度也有了较大提高。     

基于遗传-BP神经网络的航空发动机气路故障诊断研究

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。     

基于风驱动优化BP神经网络的滚动轴承故障诊断

提出一种基于风驱动优化BP神经网络的滚动轴承故障诊断方法。把BP神经网络权值和阈值作为优化参数,利用风驱动算法对其进行优化,提高了神经网络的训练效率和准确率。对滚动轴承的振动信号进行处理,提取其时域特征、频域特征、FFT谱特征、功率谱特征、小波包络谱特征作为轴承的故障特征。经测试,优化算法的诊断结果正确,减小了BP网络的训练误差和测试误差,验证了风驱动优化BP神经网络用于滚动轴承故障诊断的有效性和实用性。     

基于改进PSO优化模糊神经网络的数控机床故障诊断技术研究

数控机床故障具有隐蔽性和复杂性的特点,为了快速准确地识别数控机床发生的故障,结合粒子群算法全局搜索能力强、寻优速度快及模糊神经网络容错能力强、自适应性强的特点,提出了将模糊逻辑、RBF神经网络及粒子群算法有机结合的数控机床故障诊断方法。为了改善粒子群算法局部搜索能力,在标准粒子群算法的基础上,改进粒子群的速度更新公式和惯性权重,以此优化模糊神经网络结构参数,从而建立起改进PSO优化模糊神经网络的数控机床主轴伺服系统故障诊断模型。实验和仿真结果表明:与RBF神经网络、标准PSO优化模糊神经网络相比,改进PSO优化模糊神经网络的故障辨识准确性更高、泛化能力更强。     

基于循环神经网络的数控机床故障诊断研究

为快速对数控机床故障进行在线定位与诊断,提出基于循环神经网络的数控机床故障诊断技术。通过提取网络节点,建立基于循环神经网络的“门”判别结构;引入模糊边界理论,对机床故障特征空间进行分类;通过组织故障诊断样本的方式,完成规则可信度率的统计与判别,实现对数控机床故障的在线诊断。以CAK6150数控机床作为研究对象,经过数据归纳可知,在循环神经网络支持下,故障诊断数据的实际输出与理论值非常接近,且收敛速度较快,能够较好解决制造类企业的机械设备应用故障问题。     

数字孪生驱动的数控车床主传动系统故障诊断研究

数控车床主传动系统是机床的核心部件,其一旦发生故障会造成加工质量甚至作业安全问题。数字孪生技术能降低故障诊断的难度,但目前研究仍存在物理实体到虚拟实体转换效率低和神经网络过拟合问题。为了解决上述问题,提出一种基于数字孪生和正则化BP神经网络的故障诊断方法。建立数控车床主传动系统数字孪生模型,通过OPC UA通信完成了物理实体和虚拟实体间孪生数据的交换,对比分析正则化改善过拟合问题的4种方法,构建了丢弃法正则化BP神经网络故障诊断模型。通过对比不同信噪比下BP神经网络、丢弃法正则化BP神经网络和卷积神经网络的损失函数和预测准确度,验证了诊断模型的可行性和算法的适用性。     

基于参数策略的改进粒子群优化PNN神经网络刀具磨损研究

刀具磨损直接影响工件加工质量和尺寸精度,正确掌握刀具磨损状态及时换刀,减少机床停机时间,将直接提高加工效率。为提高刀具磨损状态识别准确率,提出一种基于参数策略的改进粒子群优化PNN(IPSO-PNN)神经网络识别刀具的磨损状态。相较于BP神经网络收敛速度慢、易陷入局部最优的缺点,IPSO-PNN神经网络结构简单、训练简洁快速。与BP神经网络和标准PNN神经网络仿真结果对比,结果表明:IPSO-PNN神经网络识别准确率高,收敛速度快,仿真耗时短,能有效提高刀具磨损识别准确率。     

遗传优化LVQ神经网络在设备故障诊断系统中的应用

为了提高设备故障诊断的准确度,采用LVQ神经网络来完成设备故障定位及识别,并借助遗传算法求解LVQ神经网络权重初始值。在设备故障诊断的建模过程中,根据实际故障情况和故障常见类别建立LVQ神经网络的设备故障诊断模型,充分挖掘LVQ神经网络在机械设备故障诊断细粒度的优势,为了防止因为故障细粒度诊断而造成收敛过慢的情况,对LVQ神经网络的权重和阈值初值进行遗传算法求解,然后在进行LVQ神经网络的迭代训练,得到稳定的LVQ神经网络故障诊断模型。经过实验证明,相比于传统的LVQ神经网络算法,采用基于遗传算法优化LVQ神经网络的设备故障分类,分类准确度更高,训练时间更快。     

基于BP神经网络数控机床切削能耗的研究

数控机床的能耗来源于工作时的电动机空载和切削过程中的负载消耗。分析切削过程中的切削速度、进给速度、切削深度等切削参数对数控机床能耗的影响;基于BP神经网络搭建数控机床能耗与切削参数的模型,简化了经验公式繁琐的计算过程;利用遗传算法对切削参数进行优化。对比试验表明:用优化后的参数进行加工,能明显地降低能耗,为加工过程能耗控制提供了一个良好的方案。     

基于BP神经网络的数控加工铣削参数优化

以DMC60H数控机床为试验平台,以壳体类铝合金零件加工为研究对象,提取数控铣削加工试验数据,采用BP神经网络建立数控加工铣削参数优化模型,通过对数控加工铣削参数试验数据的分析与研究,提出了试验数据与样本数据的处理原则,实现了样本数据的优化,提高了BP神经网络模型的收敛精度、收敛速度与预测精度,并分析了验证数据的构成比例。经生产验证:提出的数控加工铣削参数优化方法具有较强的实用性和一定的先进性,能有效提高加工效率,对实现数控机床综合应用效率最优化,实现高效低成本加工具有重要意义。     

基于遗传算法优化BP神经网络的液压系统故障诊断

液压系统作为控制和动力传输设备的核心部件,在现代工业生产机械中被广泛应用,准确诊断其故障具有提高生产效率和保障工作安全性等重要的工程意义。液压系统一旦发生故障往往是多故障同时出现,传统BP神经网络故障诊断算法往往不能满足多故障诊断准确率,提出一种基于遗传算法改进BP神经网络（GA-BP）的液压系统故障诊断方法,针对不同采样频率下多传感器信息融合的液压系统3种典型的故障模式进行对比分析。结果表明：GA-BP故障诊断算法相对于传统的BP神经网络具有更好的诊断性能。