基于小波包特征熵的飞机液压系统故障诊断方法研究

为精确诊断飞机液压系统故障,提出了一种基于小波包特征熵的神经网络故障诊断新方法。对采集到的飞机液压系统压力信号进行小波包分解,提取小波包特征熵,然后构造信号的小波包特征熵向量,并以此向量作为故障样本,利用ART1神经网络进行训练,实现智能化故障诊断。试验结果表明,训练成功的ART1网络能够很好地诊断出飞机液压系统是否发生故障,为飞机液压系统故障诊断开辟了新的途径。     

基于并行禁忌神经网络和DS证据的飞机燃油系统故障诊断

飞机燃油系统是一个由许多相互联系的子系统构成的复杂总体,因而易于发生各类故障,当故障发生时会造成严重影响,为此,设计了一种基于禁忌神经网络和DS证据的飞机燃油系统故障诊断方法;首先,建立了飞机燃油系统的故障诊断模型,然后,建立了3层的BP神经网络故障诊断模型,并采用禁忌优化算法对BP神经网络进行参数优化,得到多个并行诊断的禁忌神经网络,输入样本数据对其训练并利用BP反向传播算法再次调优;最后将测试样本数据输入各禁忌神经网络,并将诊断结果作为证据采用DS证据理论进行融合,得到最终的故障诊断结果;实验结果表明:引入DS证据理论的故障诊断方法能有效克服单一故障诊断方法无法精确诊断故障的不足,诊断精度高,具有较大的优越性。     

小波变换在液压油缸泄漏故障诊断中的应用

针对液压油缸泄漏故障诊断中压力信号特征提取的难题,提出了通过监测压力信号,基于小波变换能量特征和BP网络的故障诊断方法。该诊断方法将压力信号进行小波分解后得到的各频带信号能量作为特征向量,输入到BP网络分类器中进行故障识别和分类。实验结果表明,该诊断方法能有效识别无泄漏、轻微泄漏、严重泄漏的三种状态,是液压油缸泄漏故障诊断行之有效的方法。     

基于小波神经网络的齿轮箱故障诊断研究

论述了小波神经网络的系统结构及算法,并根据齿轮振动信号的频域变化特征,提取特征向量作为输入,利用小波神经网络建立特征向量与故障模式之间的映射关系,建立了基于该算法的齿轮故障诊断模型。仿真结果表明：与传统的BP神经网络相比,该模型显著缩短了训练时间。该小波神经网络进行机械故障诊断是有效的。     

基于SOM算法和免疫神经网络的飞机燃油系统故障诊断

针对传统的飞机燃油系统故障诊断方法如硬件冗余方法和系统模型检测方法存在的飞机重量限制和难以建立精确数学模型的问题,设计了一种基于SOM算法和BP神经网络的故障诊断模型;首先,建立了系统故障诊断模型并对诊断原理进行了描述,然后,对故障征兆数据进行预处理,即先采用SOM算法进行连续属性离散化处理,再通过粗糙集互信息方法进行属性降维,以减少数据量和提高诊断效率;最后,建立了基于BP神经网络的故障诊断模型,为了进一步提高故障诊断精度,在采用免疫优化算法对BP神经网络故障诊断模型中的各参数即权值和阈值等进行优化的基础上,进一步采用BP反向传播算法进行参数调整,从而得到最终的故障诊断模型。通过飞机燃油系统故障诊断实例仿真实验证明了文中方法能较为精确地实现故障诊断,且与其它方法相比,具有较高的诊断精度和诊断效率,具有较大的优越性。     

基于卷积神经网络的飞机液压系统故障诊断

现代飞机系统的复杂度和集成度均大幅提升,使得其故障诊断存在难度高和准确率低等特点。采用一维卷积神经网络方法对军用飞机液压系统的故障诊断问题进行了研究,构建了满足多传感器数据分析要求的卷积神经网络模型。考虑到神经网络的输入来自不同的传感器数据序列,各数据序列之间的空间关系不明显,因此,即使网络输入是二维形式,而实际的卷积操作均在一维上进行。通过解决某飞机液压系统的故障诊断问题,证明将标准化后的多传感器数据序列及对应故障模式作为训练样本对卷积神经网络模型进行训练时,采用满足训练要求的网络对飞机液压系统进行故障诊断时具有较高的准确率。     

神经网络在控制系统故障诊断中的应用研究

飞行控制系统的故障诊断是保证飞行安全的重要手段.研究飞控系统的安全问题,针对飞控系统的非线性和复杂性,采用传统解析方法不能识别飞控系统故障的非线性特征,导致故障诊断准确率低的难题.为了提高故障诊断准确率,提出一种RBF神经网络观测器的故障检测与诊断方法.利用神经网络的非线性建模能力,把飞控系统中输入和输出信号作为神经网络输入与输出,通过神经网络的在线学习,得到需要的参数估计,根据网络预测值和实际输出之差与设定故障阈值的大小比较来判断故障.最后针对实际飞机的作动器三种典型故障建立仿真模型,给出了仿真实现结果,并加以分析.仿真结果表明,方法的故障诊断能力及泛化性均强于传统的解析方法,在故障诊断中很有实用价值.     

基于BP神经网络的变速箱故障诊断方法研究

针对变速箱的工作时间不能真实反映实际健康状况的问题,通过提取变速箱的振动信号作为状态参数,建立了基于BP神经网络的变速箱故障诊断模型;该模型首先提取振动信号中对故障反映灵敏的成分作为特征值,获得BP神经网络的训练数据,并通过对比确定最优的隐含层节点数,确定BP神经网络的结构参数;模型训练结束后,以验证数据为例进行故障诊断研究,并对诊断结果进行评估;评估结果表明,该模型准确度高,具有较好的应用和推广价值。     

基于ABC—BP神经网络的用电量预测研究

针对区域用电量的时效性、复杂性和非线性等特点,提出基于人工蜂群算法(ABC)优化BP神经网络(ABC-BP)的区域用电量预测分析模型;以BP神经网络为基础,将往年区域用电量作为用电置的预测样本,采用基于ABC算法对BP神经网络的各个权值和阈值参数进行优化,最后建立模型应用于区域用电量预测系统,为分析区域内经济发展水平、经济走势、产业分布状况及政策实施效果等问题提供有力支持;介绍了人工蜂群算法(ABC)和BP神经网络算法,详细阐述ABC算法优化BP神经网络的权值和阈值;通过实验仿真对比,提出的算法预测结果比仅仅使用BP神经网络算法以及粒子群优化BP神经网络算法更高,是一种有效可靠的区域用电量预测方法。     

基于集成神经网络的电机故障诊断

研究异步电机安全控制问题,为解决故障诊断和速度问题,提高电机运行效率,减小早期故障损失,提出了一种基于集成神经网络的电机故障诊断方法。方法采用定子电流和转子振动信号作为电机故障诊断的输入信号,应用改进的BP神经网络进行故障识别,分别用两个诊断子网络进行局部故障诊断,再运用神经网络融合算法进行全局决策的融合,从而提高诊断的准确率。仿真研究结果表明,故障诊断模型具有诊断准确率高、诊断速度快等优点,是一种比较实用的故障诊断方法,对电机进行故障监测、预报具有重要的实际意义。     

基于BP神经网络的故障诊断模型研究

滚动轴承是旋转机械中最常用的部件之一。滚动轴承很容易损坏，而它的工作条件通常比较复杂，很难对其故障进行准确判断。为了提高滚动轴承故障诊断的有效性，构建了一种新的基于改进量子蜂群算法和BP神经网络的滚动轴承故障诊断模型（IQABC-BP）。首先针对量子蜂群算法在种群初始化和进化过程中存在的问题，提出了一种改进量子蜂群算法，然后利用改进量子蜂群算法对BP神经网络的初始权值、阈值和隐含层单元数进行优化，建立了一种具有超并行超高速的基于改进量子蜂群算法的BP神经网络模型，并应用于滚动轴承的故障诊断中。实验结果表明，IQABC-BP模型收敛速度更快，故障诊断效果更好，具有很好的应用价值。     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用了改进的人工蜂群算法与BP神经网络融合生成的进化神经网络,并且使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先获取历史负荷数据,然后将收集到的数据应用于进化神经网络模型训练。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,寻找最佳的模型参数组合以提升预测精度。为了验证所提出的负荷预测方法的有效性,本文使用了火电网负荷数据进行测试。实验结果表明,在短期电网负荷预测方面,本文提出的进化神经网络比传统方法预测结果更加准确可靠。     

改进人工蜂群优化BP神经网络的分类研究

针对BP神经网络对初始权重敏感,容易陷入局部最优,人工蜂群算法局部搜索能力和开发能力相对较弱等问题,提出一种基于改进人工蜂群和反向传播的神经网络训练方法。引进差分进化思想改进人工蜂群算法,并对跟随蜂的搜索行为进行更准确的描述。用改进的人工蜂群全局搜索神经网络的初始权重,防止神经网络陷入局部最优。用新的方法对神经网络训练进行分类。实验结果表明,该算法相对于标准的BP神经网络,有效提高了分类正确率,泛化能力较强。     

经验模态分解与样本熵在并网型光伏逆变器故障诊断中的应用

摘要：针对光伏并网逆变器电路中故障信号的非线性、非平稳特点,提出一种基于经验模态分解(EMD)和样本熵(SampEn)的故障诊断方法。首先,利用经验模态分解对逆变器的三相输出电压进行分解,得到有限个本征模式分量(IMF),从中选取包含故障主要信息的前几个本征模式分量提取故障信息。然后,计算本征模式分量的样本熵,从而得到用于故障诊断的特征向量;最后,将逆变器开路故障进行分类和编码,将故障特征向量输入BP神经网络进行模式识别,从而达到故障诊断的目的。在Matlab环境下对光伏并网逆变器的故障诊断进行了实验,实验结果证明了文中方法能实现对光伏并网逆变器的故障诊断,且与小波包变换相比,该方法具有诊断效率高和准确度高等特点。     

基于混沌搜索的人工蜂群优化神经网络交通流预测方法

为了提高长时交通流的预测精度,提出一种改进的人工蜂群优化BP神经网络分时段预测交通流的方法。利用Tent混沌映射采蜜蜂放弃的新解,实现具有混沌搜索策略的人工蜂群算法,然后优化BP神经网络的权值和阈值,最终训练BP神经网络以求得最优值。利用该预测方法对合肥市黄天路全天的交通流分时段预测,实现了对长时交通流的准确预测,与传统的人工蜂群优化BP神经网络预测对比,能有效改善预测精度,降低预测误差。     

基于粒度粗糙熵与改进蜂群算法的特征选择

经典的人工蜂群(artificial bee colony, ABC)算法面临着收敛速度慢、易陷入局部最优等不足,因此基于该算法来进行特征选择还存在很多问题.对此,提出了一种基于粒度粗糙熵与改进蜂群算法的特征选择方法FS＿GREIABC.首先,将粗糙集中的知识粒度与粗糙熵有机地结合起来,提出一种新的信息熵模型——粒度粗糙熵;其次,将粒度粗糙熵应用于ABC算法中,提出一种基于粒度粗糙熵的适应度函数,从而获得了一种新的适应度计算策略;第三,为了提高ABC算法的局部搜索能力,将云模型引入到跟随蜂阶段.在多个UCI数据集以及软件缺陷预测数据集上的实验表明,相对于现有的特征选择算法, FS＿GREIABC不仅能够选择较少的特征,而且具有更好的分类性能.     

基于信息熵的改进人工蜂群算法

为了克服人工蜂群算法在处理复杂性问题时收敛速度慢、收敛精度不高、易早熟等缺陷,在原始人工蜂群算法的基础上引入信息熵。信息熵本身是不确定性的一种度量,由信息熵的值来度量人工蜂群算法中跟随蜂选择的不确定性,通过控制信息熵的值达到控制算法中跟随蜂选择过程的目的,实现算法的自适应调节。通过对测试函数和不同规模TSP问题的模拟仿真,对人工蜂群算法、蚁群算法和其他改进方法进行了对比,验证了所提出改进方法的可行性和有效性。     

基于ABC-SA混合算法的群控电梯优化调度

为解决电梯群控系统（Elevator group control system,EGCS）时间和能耗性能不理想的问题,提出一种基于改进人工蜂群的电梯群控多目标优化调度算法。首先,针对EGCS控制目标复杂性,建立具有多评价指标的群控电梯调度模型,依据该模型的适应度值进行合理派梯选择;其次,引入模拟退火准则优化基本人工蜂群算法结构以解决算法易陷入局部最优解的问题,使用混合改进的人工蜂群算法进行多目标优化调度。仿真结果表明,所提算法在侯梯时间、乘梯时间和停靠次数三个性能指标上对比基本人工蜂群算法均有所提高,有效说明该方法在求解柔性多目标群控电梯优化调度时具有一定的优越性。