蚁群算法融合BP神经网络的齿轮故障模式识别

为了提高齿轮故障诊断的准确性,引入了一种蚁群算法融合BP神经网络的方法。根据齿轮的故障特征量,建立其神经网络的故障诊断模型。以网络的权值和阈值为自变量,通过蚁群算法的迭代运算,搜索出误差全局最小值,再进行网络的二次学习训练,最终实现对齿轮的故障诊断。实例仿真结果表明,该方法具有较高的故障诊断精度,可减少诊断的不确定性。     

基于BP神经网络的电缆沟监控模式识别方法

为了减少电缆沟盲目施工与偷盗等因素造成的损失和影响,引入一种智能的线路监控技术。该技术基于分布式光纤传感技术,利用BP神经网络对光纤传感器的四种常见的扰动信号进行模式识别。通过将光纤传感器得到的时域扰动信号用特定的程序处理后转换成图像,再经特定的图像处理流程后形成模式识别的样本。利用这些样本训练BP神经网络,并将训练好的模型应用到实际的电缆沟安全监控系统中进行测试。测试结果表明,电缆沟的总体识别成功率为98.16%,该识别方法还可以应用于光纤周界安防系统等领域。     

基于BP神经网络的齿轮箱故障模式识别

以双谱分析为基础,对分析的结果进行特征提取,提出了双谱-BP网络故障诊断方法,并以双谱为BP神经网络的输入特征向量,对所提出的方法进行了实验研究,结果表明所提出的双谱-BP诊断方法是判断齿轮箱故障类型的一种有效方法。     

基于BP神经网络算法的电缆局部放电类型模式识别

利用计算机技术的模式识别已被运用到了局部放电分析领域。与人工识别相比,其识别结果准确,识别速度快,有很大的发展潜力。现研究了基于BP神经网络算法的电缆局部放电模式识别技术,简述了模式识别的原理,重点研究了BP神经网络的结构及算法,并利用BP神经网络对电缆典型绝缘缺陷局部放电类型进行模式识别。     

基于BP神经网络的数控机床远程故障诊断系统

根据数控机床故障诊断的内容和使用需求．把远程监测和基于BP神经网络的故障诊断技术结合起来，组成为基于BP神经网络的数控机床远程故障诊断系统。     

基于BP神经网络与瞬态响应分析的电路故障诊断技术

论文研究了基于模式识别原理的人工神经网络电路故障诊断方法,结合仿真技术,应用瞬态响应分析把数模混合信号电路中数字电路部分与模拟电路部分统一进行诊断,探讨了模拟电路和数字电路特性相差太大难于诊断的问题。针对具体电路,利用MATLAB神经网络工具箱对电路进行仿真,结果表明,利用所提出的实现方法对模拟及数模混合电路进行了较准确的诊断,达到了预期的目的。     

基于神经网络的汽车防抱死系统故障模式识别

汽车故障诊断需要采集汽车各系统动态信号,对采集信息进行分析处理,确认其是否属异常表现,预测故障发展趋势。提出了一种采用BP神经网络获得对ABS故障模式识别预测的方法,采用BP算法对故障样本进行分类,通过对故障实例的训练和学习,提高了ABS执行器与传感器发生故障时的行为模式识别与诊断的能力。仿真结果表明了该方法的有效性。     

基于BP神经网络算法的柔性制造系统故障诊断

在分析和研究人工神经网络的前提下,将BP神经网络作为故障诊断的技术指导,以本校柔性制造系统中的电源管理模块故障诊断为实例,构建其智能诊断系统。通过3层BP神经网络,将输入端传感器收集到的特征量经中间层信息处理和输出层的进一步处理,使其达到网络性能目标,最终得到诊断数据。比较诊断数据与标准故障集的类型,获得准确的结果。结果表明:利用BP神经网络可以构建一个智能诊断系统,实现故障准确快速自动识别。     

小波包神经网络在轴承故障模式识别中的应用

基于不同点蚀模式的轴承振动信号的频域能量分布差异性,提出了基于小波包正交分解和BP神经网络的轴承点蚀故障模式识别技术。对轴承振动信号进行小波包正交四层分解,实现了信号空间完整拆分的同时得到了第四层由低频到高频的小波包分解系数,再分别进行单支重构得到各频段的成分。利用信号各频段的能量组成特征矢量作为神经网络的输入样本,对BP神经网络进行训练,获得模式识别网络;再用新数据进行网络的检验,结果证明网络的性能良好。     

基于BP神经网络的手写数字识别

数字识别是模式识别领域中重要研究方向之一,具有广阔的应用前景。文章在对BP神经网络基本原理研究的基础上,提出了利用BP神经网络方法来实现手写数字识别的方案。通过MATLAB仿真实验表明,基于BP神经网络的数字识别系统取得了良好效果。     

改进的BP算法用于控制图模式识别

研究3种改进的BP算法在控制图模式识别中的应用。应用Matlab神经网络工具箱对神经网络进行仿真，为了提高网络的运行速度，对样本数据进行预处理。仿真结果表明尺度共轭梯度下降算法的训练速度最快，识别的准确率也最高。     

基于改进BP神经网络的机械故障研究

BP网络易陷入局部最优和运算不稳定,提出附加动量下降法对其改进;通过改进BP与标准BP对旋转机械常见故障诊断进行对照分析,得出改进BP能够克服标准BP的固有缺陷。     

基于EEMD_BP网络的滚珠丝杠副故障模式识别

针对在机械故障诊断领域,对信号的时频域处理分析提取特征值往往不能准确判断机械故障状态的问题。在对数控机床滚珠丝杠副振动信号研究中,提出了利用集合经验模态(EEMD)方法分析受到噪声干扰的3种不同状态的滚珠丝杠副振动信号。利用BP神经网络理论,以振动信号的时频域特征值及EEMD分解得到内禀模态函数(IFM)特征值作为输入,建立BP神经网络模型,并通过实验验证诊断网络模型的可靠性。     

煤气鼓风机故障模式识别方法研究

为了克服BP神经网络收敛速度慢且容易陷入局部极小问题,提出了将遗传算法与神经网络相结合用于故障诊断的方法。综合遗传算法的全局搜索性和神经网络的并行快速性等特点,通过使用遗传算法优化神经网络的初始权值达到加快其收敛速度的目的。实例结果表明用遗传算法改进后的神经网络在故障模式识别中是可行有效的。     

基于PCA-改进BP神经网络的齿轮箱故障诊断方法研究

针对BP神经网络存在局部极小值和收敛速度慢等问题,文章提出了一种PCA-改进的BP神经网络的方法。实验表明,基于PCA-改进的BP神经网络的方法可以大大提高故障诊断的准确性,缩短了诊断时间。     

基于神经网络的柴油机燃油系统故障诊断

柴油机燃油系统是汽车柴油机的重要组成部分,其工作状态的好坏将直接影响汽车柴油机运行的安全性和经济性,它是汽车柴油机故障的主要来源。采用神经网络的方法,使用改进型的BP神经网络,对汽车柴油机燃油系统进行故障诊断,诊断结果表明该方法可行,适合于实时检测的场合。     

基于改进BP神经网络的机器故障诊断技术研究

机器故障诊断技术进入智能化阶段,利用人工神经网络诊断故障模式的优势十分明显.传统BP神经网络存在收敛慢,容易陷入局部最小等缺陷,提出了基于批处理的变速率的BP求解方法.根据问题描述,改进了BP网络故障识别模型,并以拖拉机的减速箱为例,建立模型进行故障模式识别,比较改进BP与传统BP的误差曲线,论证方法有效.     

改进的BP算法在磨粒识别中的应用

本文提出用改进的神经网络算法,建立适于磨粒分析的AWPRM模型,设计了智能磨粒识别分类器,实例表明,用该方法可以准确识别磨粒类型,并具有较好的推广能力。