一种基于小波神经网络的故障诊断方法

在阐述了小波变换和BP(反向传播)神经网络概念的基础上,根据小波神经网络故障诊断的基本思想,提出了一种基于"能量-故障"的小波预处理神经网络故障诊断方法.实验仿真结果表明,使用该方法提取故障特征加快了神经网络的训练速度,能迅速地进行故障的检测和定位.     

基于小波神经网络的氧气顶回转炉口火焰温度多光谱测量

氧气顶回转炉(BOF)口火焰温度的分布是对炉内钢水温度和成分含量判定的一项重要依据。通过对炉口350~1100 nm光谱数据的分析,炉口火焰光谱为“带状”辐射重叠在连续的或“黑体”辐射上,在可见光波段有明显的辐射能力。以在南京钢铁公司炼钢炉前在线采集的400炉光谱数据为研究对象,应用小波分析和神经网络的两大类模型交叉结合的方式对炉口火焰温度进行建模预测,并对预测结果做出分析。结果表明,紧致型小波神经网络在预测中取得更佳的效果,基于多光谱测温理论的小波神经网络预测的结果与副枪测量的温度误差能够在理想的范围内。     

小波变换和神经网络的电路故障诊断

模拟电路的元件较多,相互之间的耦合性较强,容易发生故障。为了提高电路故障的诊断准确性,提出小波变换和神经网络的电路故障诊断方法。首先采用小波变换方法提取电路故障信息特征,然后采用神经网络分类提取的故障特征量实现对电路故障的诊断和分类识别,最后通过仿真实验进行性能测试,结果表明,该方法提高了电路故障检测的准确度,具有较好的实际应用价值。     

基于小波包能量分析的红外火焰信号识别

在设计红外火焰探测器的过程中,人工光源常常会引起探测器的误报.为有效区分人工光源与火焰信号,本文首先对采集的1种人工光源以及3种火焰信号进行分析,将采集的信号进行小波包4层分解,得到信号的能量谱.通过分析发现选取第2,3,4,7频段的能量值能够将这4种信号有效区分.为进一步验证实验结果,本文将双通道两路信号的第2,3,4,7频段的8个能量值作为一组特征向量,与BP神经网络结合进行模式识别.结果表明,通过这样的方法不仅可以区分火焰和人工光源,同时可以对3种火焰进行识别,其识别的正确率为84.1%.因此,基于小波包能量分析的方法提取这8个能量值作为特征值具有一定的可行性,能有效减少人工光源引起的误报,同时为火焰种类的识别以及以后的灭火自动化提供了新的可能性.     

火焰图像识别中常用算法综述

针对火焰图像识别问题,结合大量参考文献,总结了火焰图像识别中常用的算法,包括火焰图像区域的提取算法,火焰特征的提取算法以及火焰图像综合提取算法。根据参考文献的实验结果,归纳分析了各个算法的优点和不足之处,对于开展火灾图像报警工作有重要的指导意义。     

基于小波神经网络方法的心电图分类研究

心电图是诊断心血管疾病的重要依据。提出了基于小波神经网络方法的心电图分类研究，构造了基于小波神经网络的心电图分类器。使用实际数据进行了测试，结果表明：该分类器可以有效、快速地进行心电图分类，为心电图自动化诊断提供了条件。     

基于小波神经网络的模拟电路故障诊断方法研究

小波变换是一种时频分析方法,具有多分辨率特性,被誉为数学显微镜,而BP神经网络具有较好的泛化能力,很适合于判断电路状态属于哪种故障类型的分类问题。本文将二者结合起来,采用基于小波神经网络的模拟电路故障诊断方法。应用小波变换对模拟电路幅频响应的采样信号进行故障特征提取,然后利用BP神经网络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。通过对电路进行仿真,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。     

基于小波分析和神经网络的模拟电路故障诊断方法

提出了一种基于神经网络和小波分析的模拟电路故障诊断的系统方法。该方法通过对电路的可测性测度计算，选择电路的最佳测试节点，然后利用小波分析作为特征提取手段提取电路的故障特征向量，经归一化和主元分析（PCA）处理后。得到最优特征向量，最后输入到神经网络实现电路故障诊断。计算机仿真结果表明该方法具有更好的故障分辨率。     

基于小波神经网络非线性预测方法的研究

针对非线性预测问题,提出了小波神经网络算法．该算法采用权重贡献率分析法和关键神经节点法分析权重,精进模型,利用具有优良渐进性的递推预报误差法训练小波的尺度因子和平移因子,并提出了一种网络的改进算法．通过对导航设备的仿真预测,该算法优于同等规模的BP神经网络,其收敛速度快,预测精度高．     

基于薄盘激光器的火焰燃烧诊断系统

德国的一个研究小组已设计出一种基于Yb：YAG薄盘激光器的火焰燃烧诊断系统。他们希望这种小型系统最终可以装在“国际空间站”(ISS)上。     

一种基于小波-神经网络的模拟电路故障诊断方法

小波分析具有数据压缩和特征提取的特性,神经网络具有非线性映射和学习推理的优点。结合两者的特点,提出了一种基于小波与神经网络的模拟电路故障诊断方法,该方法用小波变换对电路响应信号进行特征提取,从而简化神经网络的结构,降低计算的复杂度,加快了训练速度。对实例仿真表明,该法能有效地对模拟电路进行故障诊断。     

基于小波神经网络的模拟电路故障诊断方法及LabVIEW实现

采用虚拟仪器开发平台实现了基于小波神经网络的故障诊断系统,以蔡氏电路为例进行故障诊断,通过采用不同的数据处理方法以及不同的神经网络模型,验证了文中所提方法的可行性.人性化的交互界面,可以方便的从虚拟仪器前面板中得到故障的类型和故障的位置.由此可以看出基于虚拟仪器的故障诊断技术具有很强的实用价值.     

基于小波神经网络的三相整流电路的故障诊断

应用带动量项和自适应学习率的小波神经网络解决了应用神经网络诊断三相整流电路时收敛速度慢,搜索空间局部极小,易引起振荡等问题。首先根据不同晶闸管的故障输出波形的不同,使用Multisim软件对三相整流电路的故障进行仿真模拟,然后用波形采集数据制作的样本对网络进行训练,最后训练好的网络可用于故障诊断。仿真表明,提出的方法比现有方法的收敛速度快,诊断误差小。     

模拟电路故障诊断的小波神经网络方法

利用小波和改进型BP神经网络相结合的方法,进行模拟电路故障诊断;通过分析被测电路的冲激响应,来识别电路中的故障元件;用小波对冲激响应信号进行多尺度分解,进行归一化后,提取特征信息作为神经网络的输入而进行分类。该方法减少了神经网络的输入、简化了其结构、并缩短了训练和处理时间。实验仿真结果表明:该方法能准确实现故障定位且准确率高。     

基于小波神经网络的模拟电路故障诊断研究

文章提出了一种基于小波神经网络的模拟电路故障诊断方法。这种方法采用正弦信号作为被测电路的输入激励,在时域中对输出信号采样来构造神经网络的训练和测试样本,将自适应学习率及附加动量BP算法训练后的小波神经网络应用于容差模拟电路故障诊断中。仿真试验表明,该方法减少了故障诊断时间和提高了网络的平均诊断正确率。     

基于小波神经网络的红外光谱发射率计算方法

红外光谱发射率是战机蒙皮重要的红外隐身参数之一,为消除大气等外界因素对红外辐射特性测试结果的干扰,建立一种基于小波神经网络的目标红外辐射亮度模型,利用这种模型对测试样本进行网络训练,建立3~5 μm 和8~12 μm 波段红外辐射亮度模型,进而计算不同波长下目标的光谱发射率。通过与标准黑体对比,验证所建小波神经网络模型的光谱发射率与黑体实际的光谱发射率相比,最大相对误差约为2%,并将该方法应用于飞机蒙皮的光谱发射率计算。     

小波-神经网络在故障诊断中的应用

根据旋转机械振动信号特点,提出了小波分析和概率神经网络相结合的故障诊断方法。该诊断方法利用小波分析进行预处理-获取机械故障特征向量,概率神经网络应用该特征及对应的故障类型建立非线性映射,实现故障诊断。通过计算机仿真和试验的结果,表明该方法运算速度快、对样本噪声有较强的鲁棒形,结构简单,工程上易于实现,为旋转机械故障诊断提供了实践方法。     

基于小波变换与BP神经网络的模拟电路故障诊断

利用小波与改进算法的BP神经网络相结合的方法进行模拟电路故障诊断,该方法使用小波分解作为预处理工具,对信号进行消噪和小波分解,然后提取特征信息,进行归一化处理,并作为BP神经网络的输入样本进行模式识别。该方法减少了神经网络的输入维数,提高了收敛速度和辨识故障的能力。仿真结果表明,该方法能准确快速地定位故障,且可有效地进行故障识别、改善神经网络结构以及提高故障诊断精度与速度。