基于小波包信息熵和小波神经网络的异步电机故障诊断

采用一种基于小波包信息熵和小波神经网络的方法对异步电机进行故障诊断。将故障信号进行小波包预处理,并在此基础上提取信号的小波包能谱熵和小波包系数熵,构成信号的信息熵特征向量。训练小波神经网络使其在输入特征向量后能有效检测并输出故障模式,以实现对单一故障和复合故障的诊断。通过内嵌的方式把小波变换融入神经网络,具有良好的自适应分辨率和容错能力,可以有效避免局部最小值以及收敛速度过于缓慢的问题。试验表明,基于小波包信息熵和小波神经网络的方法能很好地进行异步电机的故障诊断,且该方法优于同参数下的BP神经网络模型。     

基于径向基概率神经网络的高压加热器故障诊断

应用径向基概率神经网络实现高压加热器的故障诊断。介绍了RBPNN网络的结构和学习算法;总结了高加的故障集、征兆集和故障特征数据。在Matlab环境下给出了高加故障诊断的具体实例,表明该方法是一种可行有效的高加故障诊断方法。     

基于小波变换和径向基神经网络的签名识别

主要研究利用小波变换和径向基神经网络进行签名图像的分类识别.它包括不同签名图像和相似签名图像的分类识别.所提出的方法包括小波域的图像特征提取和利用径向基神经网络的模式分类.采用小波的多分辨分析方法对签名图像进行时频分析特别有效.熵和能量相关特征的概念用于小波域.径向基神经网络具有快速的收敛速度和分类能力.实验仿真证实了...     

径向基函数神经网络

本文介绍了径向基函数神经网络的基本结构，学习算法及收敛条件。     

提升小波包和神经网络在轴承故障诊断中的应用

针对轴承故障信号的特点,采用9／7提升小波包和概率神经网络（Probabilistic Neural Networks）相结合的算法对轴承故障进行诊断。首先对原始数据进行小波变换,并对其进行特征提取。然后利用概率神经网络对得到的特征向量进行类别判定。在VB和Matlab设计的故障诊断仿真实验平台上,验证了9／7提升小波包和概率神经网络混合的故障诊断方法满足实验要求．     

基于小波包神经网络的级联式变频器故障诊断仿真研究

以级联式变频器为研究对象,重点研究功率器件开路故障的诊断方法．对变频器输出电压进行小波包分解,寻求变频器正常和故障情况下的输出电压频带能量的变化规律．选取输出电压能量变化大的频带能量值作为特征向量,利用BP神经网络进行故障诊断．研究结果表明,小波包神经网络在级联式变频器故障诊断中具有较高的可行性和有效性．     

基于小波包变换的故障诊断

由于小波包变换在信号分析与处理中,具有良好的局部化品质,本提出了一种基于小波包变换的故障诊断方法,并应用于控制系统动态测试过程的故障检测。计算和实验结果表明：该方法可以快速有效地进行故障检测与定位。     

小波包特征熵-神经网络在轴承故障诊断中的应用

提出了一种基于小波包特征熵-神经网络的轴承故障诊断新方法。首先对采集到的轴承的振动信号进行三层小波包分解,提取小波包特征熵,然后构造信号的小波包特征向量,并以此向量作为故障样本对三层BP神经网络进行训练,实现智能化故障诊断。仿真结果表明该方法有效可行。     

基于小波神经网络的油泵故障诊断

依据小波神经网络技术的各种优点,提出采用三层BP小波神经网络构造故障诊断模型,对油泵进行故障监测和诊断.该故障诊断方法对神经网络训练、故障特征参数提取和对应神经网络状态输出等均实现了数据库管理,对油泵多种常见故障取得了满意的诊断效果,不仅具有特征自动提取以及较强的自学习和自适应功能,而且操作维护简便.研究结果表明:信号的小波分析和神经网络识别的融合将为油泵状态监测与故障诊断系统的建立提供新的方法和更简便的途径;对油库安全维护与故障诊断具有重要意义.     

基于小波包分析的滚动轴承故障诊断

应用小波包分析方法构造滚动轴承故障信号的能量特征向量,再以此作为神经网络的输入,对滚动轴承故障进行分类,实践表明,能量特征向量较显著的表达了故障,有较好的诊断效果.     

基于小波包负荷特征提取和径向基网络的短期负荷预测新方法

准确的负荷预测是电力系统做出合理调度的重要依据.提出基于小波包能量和神经网络理论的短期负荷预测新方法,将负荷序列进行小波包分解,提取小波包能量作为径向基神经网络负荷序列的输入特征量.大量的预测实例分析表明,所提出的预测方法具有稳定性和准确性.     

基于径向基神经网络滞环电流跟踪控制的有源电力滤波器

以并联有源电力滤波器为研究对象,建立了该滤波器的滞环跟踪控制的MATLAB仿真模型,分析了该模型及并联有源电力滤波器的工作原理,提出了一个可以实现数字化控制的滞环跟踪控制算法——基于径向基神经网络的滞环电流控制算法.将该算法编写成MATLAB中的S-函数,并封装成S-函数模块.将该模块应用到有源电力滤波器的MATLAB仿真模型中.最后通过运行该模型验证了算法的可行性.     

基于DBI-小波包分解和改进BP神经网络的轴承故障诊断方法研究

针对轴承故障诊断问题,以振动信号为分析对象,提出DBI-小波包分解和改进BP神经网络的诊断方法。采用4层小波包分解获取振动信号的不同频带特征,引入戴维森堡丁指数（Davies-Bouldin index,DBI）定量评价小波包分解结果,确定小波基函数为FK22时达到最佳分解结果。采用改进的BP神经网络对不同频带特征识别,引入弹性梯度下降法解决传统BP神经网络收敛速度慢和梯度消失等问题,提高网络训练速度。同时,针对BP神经网络隐藏层层数及各隐藏层节点个数难以确定的问题,设计正交实验对不同参数组合效果进行验证,选出最佳参数,避免盲目低效调参。对电机滚动轴承进行验证,结果表明平均故障识别准确率达到98.833%。     

基于小波和神经网络的传感器故障诊断

提出了一种新的基于小波包变换和BP神经网络的传感器突变故障诊断方法。根据小波变换在时域和频域都具有良好的局部化特性对信号特征进行精确定位,根据传感器输出信号的小波包分析提取能量变化率的特征向量,利用BP神经网络进行传感器故障分类。这种方法无需预先建立传感器模型和测量传感器输入信号,通过对小波包系数的削减,减少了冗余数据,提高了故障检测的实时性。仿真实验结果表明了该方法的有效性。     

基于小波包-GABP的滚动轴承故障诊断分析

为提高诊断滚动轴承故障的效率和准确率,本文将小波包变换、BP神经网络和遗传算法三者相结合,提出了一种基于小波包和GABP神经网络的故障诊断模型。由小波包的分解与重构在滚动轴承故障原始信号中提取有效的故障特征向量,并利用遗传算法优化BP神经网络,然后训练和诊断滚动轴承信号的故障类型。同时,运用Matlab软件把采集的数据进行仿真分析。仿真结果表明,相对于传统BP神经网络,利用遗传算法优化的神经网络对故障的诊断正确率更高,并且收敛速度较快,说明由遗传算法优化的BP神经网络在故障诊断方面具有较好的效果,而且遗传算法的引入使轴承故障诊断的适应度和准确率更高。该研究为滚动轴承的故障诊断提供了理论基础。     

基于小波包LVQ网络的传感器故障诊断

提出小波包分解提取各个节点特征能量与LVQ神经网络进行故障模式分类的传感器故障诊断方法.小波包三层分解得到各个节点的分解系数,通过一定的削减算法使得故障瞬态信号的特征得到加强,再根据重构的时域信号计算各个节点对应的能量,作为特征向量训练LVQ神经网络.通过正常状态及各种故障模式下的特征数据训练,LVQ网络具有了传感器故障诊断的功能.最后,通过火箭发动机试车台液氢管路流量传感器数据对训练之后的LVQ神经网络进行检验,验证了这种方法的实用性和有效性.     

径向基函数神经网络实现数字地图压缩

提出了一种基于径向基函数(RBF)神经网络的数字地图压缩方法，给出了网络训练的具体算法。与一般RBF网络的构造方法不同，该网络结构的所有参数是通过学习方式同时获得的，因此大大增强了其适应性。数字仿真表明该方法具有自动适应地形、参数配置合理、在线计算量小等特点。     

竞争型径向基过程神经网络时序分类器

针对时序分类问题,提出一种竞争型径向基过程神经网络时序分类器.给出了复合竞争过程神经元单元的定义,引入复合竞争过程神经元隐层,利用竞争型径向基过程神经网络输入为时变函数的特点,由复合竞争过程神经元单元完成对过程式输入信息的模式匹配和时空聚合运算,给出了具体学习算法,省去了输出层线性连接权的计算,简化了网络结构和训练过程,提高了网络泛化能力.最后以UCI数据集多变量时序分类问题验证了分类器的有效性.     

径向基神经网络在摩擦学中的应用

建立了润滑油摩擦学特性影响规律的径向基神经网络模型，可以较准确地计算和预测润滑油摩擦系数与负荷之间的关系，并进一步基于神经网络给出了两种不同润滑油之间的泛函数关系．为摩擦学设计和程序化计算和分析提供了一种方便且有效的工具．     

径向基神经网络在摩擦学中的应用

建立了润滑油摩擦学特性影响规律的径向基神经网络模型,可以较准确地计算和预测润滑油摩擦系数与负荷之间的关系,并进一步基于神经网络给出了两种不同润滑油之间的泛函数关系.为摩擦学设计和程序化计算和分析提供了一种方便且有效的工具.