基于PSO优化RBF神经网络的反应釜故障诊断

针对单一径向基函数(RBF)神经网络在反应釜故障诊断中泛化能力不足的缺点,设计了基于粒子群(PSO)算法优化的RBF神经网络。利用PSO算法操作简单、容易实现等特点及其智能背景,对RBF神经网络的参数、连接权重进行优化,并用经PSO算法优化的RBF神经网络对反应釜故障进行仿真诊断。仿真诊断结果表明,PSO算法优化的RBF神经网络具有较好的分类效果,较RBF诊断模型精度高、收敛快,具有推广应用价值。     

基于神经网络预测器的传感器故障诊断

本文提出了一种基于神经网络时间序列预测器的传感器故障诊断方.法.通过神经网络对传感器输出时间序列建立神经网络预测模型,然后利用神经网络预测模型对传感器的预测输出和实际传感器输出之差,判断传感器是否发生故障.并利用神经网络动态跟踪特性进行在线故障诊断,辨识出了故障的大小特征.     

基于粒子群优化神经网络的传动箱故障诊断方法研究

在研究粒子群优化神经网络训练算法的基础上,训练BP神经网络使网络的收敛速度大大提高,避免陷入局部最优解;根据振动实验室两级传动箱实测数据,分析研究信号以及提取信号特征值,应用训练后的BP神经网络诊断传动箱的故障,实验表明效果良好。     

基于粒子群优化神经网络的传动箱故障诊断方法研究

在研究粒子群优化神经网络训练算法的基础上,训练BP神经网络使网络的收敛速度大大提高,避免陷入局部最优解;根据振动实验室两级传动箱实测数据,分析研究信号以及提取信号特征值,应用训练后的BP神经网络诊断传动箱的故障,实验表明效果良好.     

基于传感器网络的瓦斯传感器故障诊断

根据矿井巷道的地理特征,构建了一种用于辅助瓦斯监测的链状无线传感器网络,在分析煤矿瓦斯传感器的故障模式的基础上,提出了基于链状无线传感器网络的瓦斯传感器故障诊断技术,给出了基于该诊断技术的具体算法。在此基础上,利用Monte-Carlo模拟,研究了不同参数(瓦斯分布方差、阈值和采样频率)对算法性能的影响。仿真结果表明,在适当的阈值选择条件下,故障诊断系统的性能与瓦斯分布的方差成反比,与采样频率成正比。     

基于神经网络的气体传感器故障诊断

该文介绍了一种基于人工神经网络进行了气体传感器故障检测的新方法，文中利用单个气体传感器的输出信息为气体传感器建立了动态非线性神经网络气体传感器输出模型，并利用该模型进行在线故障检测，实际使用证明该模型具有良好的收敛性和稳定性，完全能满足对气体传感器故障在线检测的需要。     

基于粒子群优化的神经网络电机故障诊断系统

提取电机定予电流信号及转于振动信号,构成用于电机故障诊断网络的训练及测试样本.用BP神经网络建立诊断输入征兆与故障输出间的映射关系,引入改进粒子群优化的策略,对神经网络权值和阀值进行优化,提高了网络系统诊断的可靠性.仿真对比研究表明,经粒子群优化后的BP网络收敛速度显著提高,更适合于电机类故障诊断的要求.     

基于混合杂草算法的神经网络优化策略

通过对入侵式杂草优化算法(invasive weed optimization,简称IWO)和神经网络(neural networks,简称NN)特点的分析,提出了一种新的混合杂草算法(hybrid invasive weed optimization,简称HIWO)来优化NN的权值、阈值和结构.为了提升算法的效果,在HIWO中引入遗传算法(genetic algorithm,简称GA)的交叉算子和粒子群算法(particle swarm opmtimization,简称PSO)的矢量跟踪思想.构建了NN模型参数的IWO主副分区编码方案,根据个体适应度值的大小来动态调整隐层节点及连接权个数,并给出算法的整个实现过程.以转子实验台故障数据的四类谱熵作为HIWO-NN的训练样本,通过实例仿真与GA,PSO和IWO构建的NN结构进行比较.仿真结果表明,采用HIWO的NN能快速、准确地实现故障信号的分类,验证了该算法的有效性,为故障诊断提供了一种新的方法和手段.     

基于粒子群优化SOM神经网络的轴系多振动故障诊断

针对自组织特征映射神经网络(SOM)在多振动故障诊断中出现的不能对所有可能故障完整分类和明显区分的缺点,提出基于粒子群算法优化的SOM神经网络.利用粒子群优化算法易实现、收敛快等优点,对SOM神经网络的参数进行优化,并用优化后的SOM神经网络对轴系故障进行仿真诊断.仿真诊断结果表明,粒子群算法优化的SOM神经网络比SO...     

基于混沌粒子群优化的神经网络在旋转机械故障诊断中的应用

基于混沌粒子群优化算法提出一种根据群体早熟收敛程度和个体适应值来调整惯性权重的自适应混沌粒子群优化算法,算法兼顾全局寻优和局部寻优,能够有效地避免早熟收敛.使用自适应混沌粒子群优化算法训练神经网络并建立旋转机械故障诊断模型,实验结果表明,与粒子群优化算法、遗传算法训练神经网络相比,基于自适应混沌粒子群优化算法的神经网络能够有效改善神经网络的训练效率,提高故障模式识别的准确率.     

粒子群优化的神经网络在故障诊断中的应用

为提高齿轮箱故障诊断性能，建立了以齿轮箱振动信号的时频域特征为输入，以齿轮箱的主要故障形式为输出的神经网络。采用粒子群优化算法代替反向传播算法来训练神经网络的权重和阈值，利用训练后的神经网络对齿轮箱进行了故障诊断，并比较了基于粒子群优化算法与BP算法的诊断结果。结论是基于粒子群优化算法神经网络具有较好训练性能，收敛速度快，迭代步数少，诊断精度高，具有良好的故障识别率。     

带收缩因子的PSO算法在齿轮箱故障诊断中的应用

应用带收缩因子的粒子群优化算法训练神经网络的权值矩阵，使神经网络的收敛速度大大提高，避免了其陷入局部最优解的缺陷；根据振动实验室齿轮箱实验数据，分析研究故障信号的特点，提取相应的特征参数，应用训练后的神经网络诊断齿轮箱的故障，实验表明故障诊断率较高。     

基于PSO-RBFPNN的柴油机故障诊断

提出一种基于粒子群优化算法(PSO)和径向基概率(RBFP)神经网络的新型进化神经网络模型(PSO-RBFPNN).在实例研究中,该模型被应用于柴油机故障诊断中.试验结果表明,该方法具有运算效率高,收敛速度快的特点,是一种有效可靠的新型故障诊断技术.     

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.     

基于PCA神经网络和D-S决策的瓦斯传感器故障辨识

针对瓦斯传感器故障诊断时,存在提取的样本数据空间维数大、诊断实时性差、诊断结论的识别能力低和存在不确定性的问题,提出了一种基于主元分析(PCA)-神经网络和D-S证据理论集成的故障诊断策略。使用主元分析方法对高维故障样本空间数据进行降维,再结合神经网络分类器进行故障模式识别。并且运用DS证据理论对神经网络分类器的故障诊断结果进行数据融合。仿真实验表明:该诊断方法改善了神经网络对瓦斯传感器故障诊断准确率的同时提高了诊断速度,并且降低了故障结论的不确定性以及提高了结论的识别与决策能力。     

传感器的故障诊断技术研究

传感器故障诊断技术的研究对提高系统可靠性具有重要意义,本文综述了近年来国内外对传感器故障进行诊断的技术研究,主要内容包括硬件冗余,分析冗余、信号处理、人工神经网络方法等,简要地给出了有代表性的研究成果,并对传感器故障诊断技术的发展趋势和有待解决的问题作了一定的分析与探讨。     

基于CPSO-BP神经网络的柴油机排气门间隙故障诊断

针对柴油机排气门间隙故障信号不易提取的特点,提出了将混沌粒子群神经网(Chaotic particle swarm optimization-Back Propagation,CPSO-BP)聚类模型应用于柴油机排气门间隙故障诊断.首先,采用经验模式分解(Empirical Mode Decomposition,EMD)对柴油机振动信号进行分解,将得到的前6个模态函数能量百分比作为反映故障状态的特征参数,重构BP神经网并用混沌粒子群算法对其结构和权值进行优化;最后,基于优化的神经网对排气门间隙为0.2mm,0.4mm,0.6mm等3种故障工况的信号进行聚类.结果表明:所有样本的测试结果均与实际状况一致,该方法可以较好地用于排气门间隙故障诊断.     

基于IPSO-PNN的电动汽车故障诊断

为了提高电动汽车故障诊断的准确性,提出了一种基于改进粒子群(Improved Particle Swarm Optimization,IPSO)算法优化概率神经网络(Probabilistic Neural Network,PNN)的电动汽车故障诊断方法,即基于IPSO-PNN的电动汽车故障诊断方法.首先,研究了基于P...     

基于径向基函数神经网络的柴油机故障诊断

提出一种应用径向基函数(RBF)神经网络解决故障诊断问题的方法,并将其应用于柴油机故障诊断与识别。在RBF神经网络中采用了一种减聚类的学习算法来确定径向基函数的相应参数,从而使神经网络结构得到优化。实例仿真结果表明,RBF神经网络学习收敛较快,对故障识别性能好。     

基于粒子群算法及高斯分布的WSN节点故障诊断

在无线传感器网络(wireless sensor network,简称WSN)中通常需要对网络节点所测量的数据进行处理来判断WSN的运行是否可靠.针对传统算法存在计算复杂、能耗大的问题,提出一种基于粒子群优化算法及高斯分布的WSN节点故障诊断方法.根据粒子群优化算法规则简单和收敛速度快等特点,对节点所测数据进行优化并得到一个相应的阈值范围,通过高斯分布判断所测数据是否满足与所定阈值范围之间的关系来判定节点是否发生故障.试验结果表明,该故障诊断方法能及时、有效地发现WSN异常并诊断出故障节点,提高了WSN工作的可靠性.