通用量子门神经网络在齿轮故障诊断中的应用

为进一步提高齿轮故障诊断能力,结合目前神经网络机理的研究进展,建立了一种基于通用量子门的量子神经元模型,提出了通用量子门神经网络(universal  quantum  gate neural network,UQGN)算法。首先,该算法将转换后的量子态训练样本作为输入。然后,利用量子旋转门和通用量子门完成旋转、选择、翻转和聚合等一系列操作,并完成网络参数的更新。最后,将训练后的结果输出。在数学上,证明了UQGN算法的泛化能力。利用该算法对齿轮的正常、齿面磨损、齿根裂纹和断齿4种情况进行了模式识别。实验结果表明,与普通神经网络和普通量子神经网络相比,UQGN算法在泛化性能、鲁棒性、准确率和执行时间等方面具有较好的效果。     

神经网络在车辆发动机故障诊断中的应用

从应用角度分析了BP神经网络设计中网络的层数、隐含层的神经元数、学习速率、期望误差等的选取问题,并提出了相应的改进方法.将神经网络技术引入到发动机故障诊断中,提出了一种适于发动机故障诊断的BP神经网络模型.设计出了一套能进行发动机故障诊断的实验系统,并通过模拟气门间隙故障进行了实验验证.     

概率神经网络PNN在发动机故障诊断中的应用

介绍了概率神经网络的模型，分析了其特点，并探讨了基于PNN的发动机故障诊断方法。通过MATLAB进行仿真试验，结果表明基于概率神经网络的故障诊断方法可以最大程度地利用故障先验知识，提高发动机故障诊断的准确率。     

神经网络在发动机燃油系统故障诊断中的研究

文中提出了一种基于人工神经网络的发动机故障诊断方法,建立了发动机燃油系统故障诊断系统的BP网络结构。经实验验证表明:该燃油故障诊断系统具有较高的准确性,并且易于操作和使用。     

BP神经网络在气象仪故障诊断中的应用

针对气象仪常见的几类故障分别建立相对应的子神经网络,并总体组成一个总的神经网络系统来诊断气象仪的故障方法,以帮助维修人员快捷、准确、自动地诊断出故障原因,以降低故障处理时间,提高运行效率。     

BP神经网络在机械故障诊断中的应用

根据BP算法神经网络模型,阐述BP神经网络应用于机械故障诊断的基本步骤,归纳总结BP神经网络在机械故 障诊断中的应用及实例,提出存在的问题和发展方向。     

BP神经网络在滚动轴承早期故障诊断中的应用

滚动轴承是旋转机械中应用普扁而又易损的元件之一，其故障在机械故障中占有很大的比例．因此，轴承故障诊断、特别是早期诊断很受重视．本文将神经网络应用于轴承早期故障诊断，简要说明了ＢＰ神经网络的基本原理、算法及特点，介绍了实验数据的分析过程和参数选择原则．实验结果表明，选择适当的网络结构进行训练、学习和检验，可以把良好轴承、内环缺陷轴承、外可缺陷轴承、滚子缺陷轴承及具有三种综合缺陷的轴承区分开来，并能初步估计出缺陷的大小．     

BP神经网络在机床故障诊断应用中的改进

在分析了传统BP神经网络缺点的基础上,对其进行了改进.学习因子按照所设计的函数进行动态调整,增加了势态项,并在激活函数中加入了陡峭因子.将改进的BP神经网络与传统BP神经网络进行了对比,验证了改进BP神经网络的有效性,适合数控机床的故障诊断.     

BP神经网络在旋转机械故障诊断中的应用

神经网络由于其本身具有的优越性，已广泛应用于各个领域中的分类、联想问题。本文将ＢＰ神经网络理论应用于风机故障诊断中，取得了较好的结果。     

改进的BP神经网络在故障诊断中的应用

介绍了BP神经网络的结构和学习方法,针对BP网络存在局部极小值和收敛速度慢等问题．提出采用一种基于Levenbe rg-Marquardt算法(LM算法)的改进BP网络,最后通过汽轮机故障诊断实例的仿真研究,结果表明改进算法的性能明显优于常规BP算法,经改进算法训练的网络能大大提高故障的在线诊断能力．具有广泛的应用前景和应用价值。     

基于ART-并行BP神经网络的柴油机故障诊断研究

造成柴油机故障的因素十分复杂,既存在单一类的故障,也存在多故障并存的现象,而且还会出现新型故障,仅仅依靠单一神经网络技术的故障诊断已经很难满足对柴油机的有效诊断要求。本文在信息决策层融合的基础上,以自适应谐振理论ART和误差反向传播并行BP两种神经网络为基础,建立了用于柴油机故障诊断的新型神经网络模型,以对柴油机系统工作过程多种故障进行诊断识别。通过与单一神经网络诊断识别结果的分析和比较,验证了该神经网络诊断模型的可行性,它能够进行多传感器信息综合诊断,既能识别单故障和并发故障,又具有识别新型故障的能力,可有效地提高对柴油机故障诊断的准确性和可靠性。     

基于BP神经网络的齿轮故障诊断

通过介绍神经网络的模型算法,根据齿轮的四种故障类型,采用BP神经网络对其进行训练和诊断,得到了较为理想的结果,为及早发现和预防机械故障提供了可靠的理论依据。     

EMD和SOM神经网络在燃气发动机故障诊断中的应用

提出了EMD和SOM神经网络相结合的燃气发动机故障诊断方法。将燃气发动机振动信号进行EMD分解,提取前几个IMF分量的能量构成故障诊断的特征向量,输入SOM网络进行聚类,再将测试样本输入训练好的网络模型进行故障识别,网络输出结果采用U矩阵图法进行显示。对燃气发动机正常、气门间隙大、排气阀漏气3种状态的信号分析结果表明,该方法可以有效地提取非平稳信号的故障特征,网络模型结构简单,对大数据量样本的聚类与识别准确率高,输出结果清晰、直观、可视性强,该方法为燃气发动机故障诊断提供了新的途径。     

小波包和BP神经网络在齿轮箱故障诊断中的应用

研究如何采用处理非平稳性的实用方法以提高监测诊断效率及水平是国内外专家一直研究的课题之一。小波包技术将信号中不同的分量无冗余、无疏漏、正交地分解到独立的频带内,这些频带里的信号能量守衡,每个频带里信号的能量对于状态监测和故障诊断都是十分有用的信息。本文对齿轮箱振动信号应用小波包分解提取故障特征向量,进一步用特征向量训练前向传播BP人工神经网络,建立齿轮运行状态分类器,对齿轮故障进行识别。实验结果表明,本文方法对齿轮箱故障诊断十分有效。     

基于BP神经网络的汽车故障诊断的研究

研究了一种基于BP神经网络的汽车故障诊断方法。主要结合了专家系统判断推理的思想,通过多个子BP神经网络形成一条诊断链,从故障征兆出发,对汽车故障进行分级连续诊断,使故障诊断范围逐级缩小,最终确定汽车故障的具体原因。该方法符合人的逻辑思维,实现简洁,同时具有很高的诊断精度和很好的鲁棒性,可行性强。     

基于小波包-模糊神经网络的发动机泵机组故障诊断

提出了利用小波包分解、神经网络和模糊诊断的方法进行发动机泵机组故障诊断;运用小波包频带能量分解,可以在不丢失振动信息的情况下降低信号的维数,提高神经网络的识别能力;运用了神经网络使故障诊断具有自适应、自学习能力,对发动机泵机组的各类故障进行分类和训练,得到了满意的效果.     

反向传播网络在CNC系统故障诊断中的应用

数控（ＣＮＣ）系统故障是影响ＣＮＣ机床加工精度与效率的重要因素之一，因此，怎样提高故障诊断效率一直是该领域的重点研究内容。本文介绍了反向传播（ＢＰ）神经网络在ＣＮＣ系统故障诊断中的应用，给出了诊断算例。结果表明，ＢＰ网络在数控系统故障诊断方面有着重要的应用价值，为数控机床故障诊断开辟了新途径     

应用混沌神经网络诊断发动机磨损故障

利用混沌神经网络,采用混沌动力学中的Logistic映射构造神经元,对发动机的相似早期磨损故障进行了有效诊断。通过故障模拟实验,对不同类型初期磨损故障的振动数据进行了采集和分析,发现其频谱特征具有较大的相似性,且各种初期磨损故障的李雅普诺夫指数大于0,具有混沌特征。用一般方法难以区分不同类型的初期磨损故障,而混沌神经网络能够有效地识别这些相似故障模式,对于发动机磨损故障的早期预防具有积极作用。     

BP神经网络模型在旋转机械故障诊断中的应用

本文利用神经网络模型建立了旋转机械常见故障的类别与征兆之间的映射关系.并利用这一模型对几种常见故障进行了分析诊断,诊断结果表明本方法精度高,结果可靠,对于工程应用具有一定的实用价值.