差分进化小波神经网络在微动齿轮故障诊断中的应用

构建立了三层小波神经网络,给出了小波神经网络结构及算法,给出了差分进化的原理和实施步骤.给出了微动齿轮的机械振动机理和故障特征,将微动齿轮故障分为无故障、齿轮断层、齿轮面磨损脱落、齿轮面损伤,齿轮面裂痕等五种故障,通过振动试验测试故障信息,将其作为小波神经网络的训练样本,将差分进化应用于小波神经网络结构和参数的优化中.仿真结果表明差分进化小波神经网络能够有效避免神经网络不收敛的缺点,提高学习速度,采用差分进化小波神经网络进行微动齿轮故障诊断,具有较高的诊断精度和效率,可以有效应用于其他系统的故障诊断工程中.     

基于差分进化小波神经网络的刀具磨损状态识别

提出应用小波神经网络进行刀具磨损状态识别的方法,给出了具体的识别流程。构建了小波神经网络,并实现了差分进化对网络参数的优化。通过检测加工现场的切削力和切削声音信号,将其进行信号处理后作为小波神经网络的训练样本,将差分进化应用于小波神经网络结构和参数的优化中,最终实现刀具磨损状态的识别。仿真结果表明差分进化小波神经网络能够有效避免神经网络不收敛的缺点,提高学习速度,采用差分进化小波神经网络进行刀具磨损状态识别,具有较高的诊断精度和效率。     

基于自适应小波神经网络的故障分类

结合小波变换和社会网络理论,提出了一种自适应小波神经网络,网络在学习过程中对小波的尺度参数和平移参数进行自适应调整,最大限度地对信号进行特征提取,并研究基于自应小波神经网络的机械故障分类方法,对轴承的分类实例结果表明该网络分类准确、可靠性高。     

基于差分进化Takagi-Sugeno模糊神经网络的电网故障诊断模型

为有效处理电网故障中存在的不确定性,提出一种基于改进差分进化Takagi-Sugeno模糊神经网络的电网故障诊断模型。该模型基于分布式并行处理的思路,根据配置的继电保护和断路器对每个元件而非整个电网建立相应故障诊断模型。为提高诊断模型的准确性,对差分进化算法的缩放因子和交叉率进行自适应改进,并将改进算法用于优化各模型的前件参数和后件参数。仿真结果表明,与其他神经网络相比,该模型能够成功诊断存在拒动、误动的复杂故障,提高了电网故障诊断的容错性。     

基于小波神经网络的电路故障诊断方法

本文根据小波神经网络故障诊断的基本思想,提出了一种基于“小波系数特征故障”的小波预处理神经网络模拟电路故障诊断方法。实验仿真结果表明,使用该方法提取故障特征加快了BP神经网络的训练速度.能迅速有效地进行故障检测和定位。     

基于改进小波神经网络算法的电力变压器故障诊断方法

大型电力变压器作为电力系统的枢纽设备,其运行可靠性直接关系到电力系统的安全与稳定.针对基于BP算法的小波神经网络存在收敛速度慢、搜索空间局部极小及易引起振荡等不足,本文以变压器油中溶解气体为分析对象,提出采用动量项和变学习率改进小波神经网络的变压器故障诊断算法.选择400组油中溶解气体含量作为小波神经网络训练及故障识别样本,对训练过程和仿真结果进行对比分析.实验结果表明:较之比值法,改进的小波神经网络故障诊断算法在故障识别准确率和收敛时间方面表现更优.     

基于小波-神经网络的模拟电路IDDT故障诊断

动态电源电流测试(IDDT)对模拟电路故障诊断非常有效,而小波变换能够有效提取动态电流的故障特性。因此提出一种基于小波-神经网络的模拟电路IDDT故障诊断方法。利用小波变换具有时频局部化特性,分别对模拟电路正常模式和故障模式的IDDT采样信号进行特征向量提取,建立故障字典;然后利用神经网络具有非线性映射优点,对各种状态下的特征向量进行分类决策,实现模拟电路的故障诊断。     

基于小波网络的某放大电路故障检测

为了提高某放大电路故障诊断与故障定位的快速性和准确性,引入了小波网络对电路板进行故障诊断。神经网络具有良好的非线性映射及函数逼近能力,小波分析具有良好的时频局部化性质。将两者结合构成小波网络用于故障诊断,具有自适应分辨性和良好的容错性。实例证明该方法能够实现故障检测及定位,具有准确率高的特点。     

基于差分进化算法的Stewart-Gough平台的设计优化

利用差分进化算法对Stewart-Gough平台进行优化。首先,对Stewart-Gough平台的对称结构和非对称结构进行了介绍;其次,通过综合考虑工作空间的限制,工作空间内存在奇异结构以及成本高这3个因素的影响定义了目标函数;最后,选定用于优化的工具为差分算法,并使用差分算法对Stewart-Gough平台进行了优化。优化结果表明,合理选择Stewart-Gough平台的结构及其参数,可达到最大化有效载荷或最小化每条腿上所需要的力(用以抵消外界施加在动平台上的力)的目的。与其他算法相比,差分算法具有较好的全局寻优能力,选用差分进化算法作为优化工具,优化及仿真过程借助MATLAB来实现。     

基于小波神经网络的车辆发动机故障诊断

为有效诊断车辆发动机的柴油系统故障,本文将小波变换与BP神经网络相结合,用小波变换来抽取故障的特征向量,以此作为BP神经网络的输入参数,从而构建了小波神经网络。该方法依据小波变换模极大值来研究油管中柴油压力信号的奇异性来抽取故障特征向量,首先利用故障采集数据来获得学习样本,然后根据网络训练来构建起BP神经网络输出与输入间的非线性映射,从而依据特征向量输入进BP神经网络进行诊断故障。通过实验我们发现该方法有较好的的诊断效果。     

轴承故障的自适应小波神经网络分类

提出了一种用于故障分类的自适应小波神经网络,网络第一部分利用小波伸缩平移系把信号分解到不同频道上进行特征提取,第二部分对提取的特征信息进行学习或判断.推导了该网络的学习算法,并应用其对轴承进行了故障分类,结果表明该网络分类准确,可靠性高.     

基于小波神经网络的滚动轴承故障诊断

根据滚动轴承振动信号的频域变化特征,利用小波分析对其建立频域特征向量,准确地提取了故障的特征信息,结合RBF神经网络训练速度快的优点,将RBF神经网络应用于轴承故障特征的选择,并利用所确定的特征及RBF分类器进行故障诊断。实验结果表明,该方法可实现滚动轴承故障的可靠诊断。     

基于小波神经网络柱塞泵液压系统的故障诊断研究

为了能够有效地对柱塞泵液压系统进行故障诊断,该文深入研究了小波神经网络在其中的应用.首先,分析了小波神经网络的基本原理,确定了小波神经网络的结构;然后,研究了小波神经网络的算法,选取了具有全局最优的粒子群优化算法.接着,设计了小波神经网络训练的流程;最后,对柱塞泵液压系统进行了故障诊断研究,经过仿真计算,最终得出小波神经网络具有故障诊断正确率高和诊断速度快的优点.     

基于LSTM-RNN的配电变压器负荷预测模型研究

针对配电变压器负荷非线性动态特性导致的负荷预测困难、预测精度低等问题,基于长短期记忆循环神经网络(LSTM-RNN)建立了配电变压器负荷预测模型。根据无锡地区某配变台区自2017年以来的最大负荷、最小负荷、日最高温度、日最低温度、天气情况等参数,通过LSTM-RNN构建该配变台区的短期负荷预测模型,用于预报该配变台区未来几天的最大负荷。试验结果表明,预测结果误差均在10%以内,表明LSTM-RNN应用于配电变压器负荷预测建模是可行的。     

配电变压器故障及损坏原因分析

针对配电变压器烧毁事故,分析了原因,提出了安装、维护、定检等防范措施。     

基于离散差分进化算法的齿轮优化设计

根据机械设计中大多数优化变量属于混合变量的实际情况,提出采用基于离散变量方法解决机械优化设计问题。开发了一种不同变量自由设置间距的离散差分进化算法,连续变量采用合适的微小间距,离散变量采用工程规定间距。结合机械约束处理的自适应罚函数方法,以典型机械产品———齿轮和齿轮轴重量最轻优化实例为例,进行数值实验。结果表明该算法可以非常方便地处理约束优化问题,与粒子群算法实验对比,具有较高精度和可靠性。离散变量优化结果无需作圆整后处理,避免了圆整处理带来的系列问题。     

基于小波神经网络的液压传感器的故障诊断研究

为了能够提高液压传感器故障诊断的精度,深入地研究了小波神经网络在其故障诊断中的应用.首先,建立了小波神经网络的数学模型;接着,分析了小波神经网络的算法和实现步骤;最后对液压传感器的六种故障模型进行了故障诊断,诊断结果表明小波神经网络具有较高的诊断精度.     

小波神经网络故障预后模型的建立及其工程应用

故障诊断技术面临两大难题 ,第一如何“测量”故障的发育 ,第二如何预测一个有故障的机器或构件还能正常运行多久。本文用小波基函数神经网络技术解决了这两大课题。首先建立了小波基函数神经网络故障预后模型 ,用高斯基函数和Marr小波函数作为尺度函数 ,基函数中心的计算用二进展开函数和k次聚类函数。诊断实践表明 ,当轴承内表面产生间隙以后 ,应用训练后的小波基函数神经网络能够成功地对其间隙的发育进行预测。     

基于小波--神经网络模拟电路故障诊断方法的研究

对模拟电路提出了一种基于小波神经网络的故障诊断方法 ,该法用小波变换作为故障信号的预处理器 ,大大地减少了神经网络的输入数目 ,从而简化了神经网络的结构和减少了它的训练时间 ,并提高了辨识故障类别的能力。在简介该法故障诊断的基本原理后对实例电路进行了故障划类 ,小波函数及故障特征选择 ,给出了计算故障类别特征的仿真编程及故障类别的识别方法     

基于差分进化算法的二次回归在矿井通风机故障诊断中的应用

针对矿井通风机故障诊断过程中样本数据有限的特点,提出了一种经差分进化算法优化的二次回归诊断方法。将样本数据分为建模数据和测试数据,测试结果表明该方法具有适用性强、操作简单、精准度高,且无需太多样本数据等特点,值得推广。