基于自适应模糊神经网络的发动机故障诊断

发动机是车辆的核心部件,及时有效地发现并排除故障,对降低维修费用,减少经济损失,增加发动机工作时的可靠性,避免事故发生具有重大的意义。以某型号发动机为研究对象,运用测试技术、信号处理、小波分析、神经网络和模糊控制理论,提出了自适应模糊神经网络发动机故障诊断。首先建立了发动机故障信号采集试验台,在试验台上人工模拟四种工况,通过加速度传感器采集正常工况和异常工况的振动信号。再利用小波理论对采集到的振动信号进行消噪处理,提高信噪比,并提取出故障信号的特征值,作为网络训练和测试的样本数据。用样本数据训练和检测自适应模糊神经网络,即对发动机故障进行模式识别。通过仿真分析,取得了很好的诊断效果;同时与传统的BP神经网络故障诊断方法进行对比,无论在诊断精度上还是学习速度上,模糊神经网络在故障诊断中更具有优势。     

基于神经网络模型的高架轨道噪声烦恼度预测

为了准确高效预测高架轨道噪声居民主观烦恼度,建立BP神经网络模型并对其进行优化,并对BP神经网络模型的训练和检验结果进行相关性分析,结果表明该模型具有很好泛化能力和学习能力。相较于多元线性回归,BP神经网络模型更适合应用于高架轨道交通噪声的烦恼度预测。将建立的烦恼度预测模型与通过仿真得到的噪声数据结合,可以为高架轨道交通噪声居民主观烦恼度的评估提供新的方法。     

基于模糊神经网络的烟度检测系统的研究

本对全流消光式烟度检测系统中的不确定因素进行校正，归结为模糊规则，并用模糊神经网络来提取这种规则，实现了烟度检测系统的误差校正。仿真分析表明，模糊神经网络应用于烟度的检测是可行的。     

基于小波分析和模糊神经网络的齿轮故障诊断研究

建立齿轮故障信号采集模拟试验台,结合小波分析特征提取方法和模糊神经网络对齿轮故障进行了诊断,通过实验仿真,取得了很好的诊断结果。相比于传统的BP神经网络诊断方法,无论在诊断速度还是诊断精度上,模糊神经网络更具有优势。     

基于神经网络的火炮射击振动衰减研究

振动对火炮的射击精度有较大的影响。建立了一种基于神经网络的火炮减振系统非线性动态模型，用位移和速度作为模型的输入，以控制量和其变化率作为输出，并给出了网络的学习算法。仿真显示，该控制器具有良好的稳定性，结构受控后振动衰减迅速，且控制器结构简单。     

基于神经网络-模糊PID的轧机非线性扭振智能控制

针对轧机传动系统扭振控制问题,建立含间隙非线性的轧机系统动力学模型。考虑到轧机扭振模型的非线性和参数不易测量的特点,提出神经网络和模糊PID相结合的控制器设计方法,以模糊PID为主体,通过引入神经网络改变模糊隶属度函数的中心值和宽度,最终得到最佳PID参数。设计神经网络-模糊PID智能控制器,并利用实际轧机参数与经典双闭环控制系统进行对比仿真。仿真结果表明所设计的智能控制系统对轧机传动系统扭振的抑制作用明显优于经典双闭环控制系统。     

基于粗糙集模糊神经网络的爆破振动预测

以某地下水封洞库爆破工程为研究对象,全面考虑影响爆破振动的各种因素,提出了基于粗糙集理论的模糊神经网络(RS-FNN)预测方法进行质点峰值速度和主频率预测。首先采用粗糙集理论获得最优属性集,然后对实测数据进行模糊处理,建立质点峰值速度和主频率的12-25-1 RS-FNN网络预测模型,并与基于萨道夫斯基经验公式的预测模型进行对比研究。研究结果表明:RS-FNN对质点峰值速度预测要优于经验公式,同时,RS-FNN也首次实现了对主频率的预测,为保障工程爆破安全提供了一定的理论指导。     

升船机地震鞭梢效应基于神经网络预测的MR智能半主动控制

磁流变（MR）智能阻尼器是利用磁流变液产生阻尼力的半主动控制装置，该装置具有机械构造简单，动力范围宽广，只需要较小的能量输入就能产生大的输出力，因此被证明能有效运用于土木工程结构来抵抗强烈地震和强风。但是由于磁路材料、线圈结构、控制电源等因素的影响，使得MR阻尼器存在明显的磁迟效应。目前，应用MR阻尼器作为控制装置的研究中对磁迟效应考虑较少。神经网络具有很强的自适应性和处理非线性问题的能力，能够对难以用数学方法描述的非线性对象进行精确预测和建模。运用神经网络来预测MR阻尼器的力学性能，通过对未来时刻输出力的精确预测来弥补磁迟效应所耽搁的时间，在此基础上实现基于神经网络预测的MR智能半主动控制。应用提出的方法来控制三峡升船机屋盖MR智能隔震系统以减小顶部厂房的地震鞭梢效应，仿真计算结果表明：神经网络预测能很好的解决MR阻尼器的磁滞效应对控制带来的不利影响，升船机顶部厂房层间位移和柱底弯矩均有明显的减小，能有效抑制升船机顶部厂房的地震鞭梢效应。     

压电智能悬臂梁神经网络预测控制

对表面粘贴压电元件的压电智能悬臂梁进行有限元建模和分析,获取了结构的动力响应数据。根据神经网络的非线性逼近能力,用动态递归神经网络对压电振动系统进行了系统辨识,建立了系统的预测模型。以此预测模型来代替传统广义预测控制算法中的受控自回归积分滑动平均模型,对压电智能悬臂梁进行振动主动控制的研究,并优化了控制系统参数。对一单输入单输出压电智能悬臂梁系统进行了仿真分析,控制效果良好,为智能算法在智能结构中应用有一定的指导意义。     

基于BP神经网络的爆破振速峰值预测

在分析爆破振动主要影响因素的基础上,建立了对爆破振动质点速度峰值进行预测的BP神经网络模型.将某露天铁矿的爆破振动监测数据分别与模型预测结果和应用传统经验公式进行预测的结果比较,发现由于每次爆破的地震波传播不同,直接应用萨氏公式的K、α值进行预测会引起较大误差,相比之下,BP网络模型的预测结果更为准确和可靠.     

故障诊断的模糊神经网络模型

论证了单症兆和多症兆诊断的模糊模型分别与一定条件的单层神经网络等价，从而建立了单症兆和多症兆诊断的模糊神经网络模型。基于模糊诊断原理，阐述了模糊神经网络模型是由若干独立单元组成的可扩充的组合式结构，进而提出一种修改或扩充子网络或子结点及其权重连线的可塑性学习方法。基于此模型建立了旋转机械故障诊断专家系统，以现场实际例子对模型的应用进行了说明。     

旋转机械故障诊断的神经网络方法研究

BP神经网络具有较好的非线性映射能力,可以描述频率特征和故障之间的关系,而概率神经网络学习规则简单、训练速度快、避免局部极小和反复训练的问题。根据两种神经网络的原理选择合适的参数建立两个旋转机械故障诊断模型,并利用模型对某旋转机械的故障数据进行处理,结果显示两种网络在故障诊断方面的实用价值。通过对故障数据的结果对比可以看到PNN网络比BP网络具有更好的容错能力。     

采用改进遗传神经网络的多载荷振动信号故障诊断

根据柴油机气阀机构运动规律,利用小波包分解提取缸盖振动信号的特征向量;针对多种载荷混合诊断的问题,采用二进制与实数混合编码的方式对使用遗传算法的误差反向传播（BP）神经网络的隐层结点数目、权值和阈值进行优化。通过实验检测,证明该方法在多种载荷混合振动信号诊断上,较一般方法学习、收敛速度快,检测准确率高。     

改进的BP神经网络在风机故障诊断中的应用

采用动量法和学习速率自适应的改进BP神经网络建立风机故障诊断系统。在网络训练过程中分别采用标准训练样本和含有白噪声的训练样本来训练网络,使网络具有一定的容错性。最后通过仿真实验和风机的故障诊断实例表明：改进的BP神经网络减少训练次数,提高了学习效率,而且有效地抑制网络陷于局部极小,是风机故障诊断的有效方法。     

WCPSO优化的小波神经网络在传动箱故障诊断中的应用

针对传动箱振动信号复杂及故障类型难以预知的问题,提出一种基于动态加速常数协同惯性权重的粒子群优化算法(WCPSO)优化的小波神经网络进行传动箱的故障诊断,并比较经WCPSO优化的小波神经网络和传统小波神经网络诊断的结果。结论是该方法能明显提高收敛精度,对多故障征兆有较好的故障识别率,是解决故障诊断问题的有效途径。     

一种改进模糊神经网络及其在故障诊断中的应用

构造了一种改进模糊神经网络模型，该网络由四层神经元构成，第二层为模糊化支，文中给出了该层的通用隶属函数表达式。计及否定规则的影响，提出了扩展通用隶属函数的概念，并结合汽轮发电机组振动故障的不同特征征兆，给出了其具体表达式。在该网络的第二层与第四层间建立了部分直接连接关系，根据不同征兆对故障诊断结果的重要度不同，赋予了部分连接的优先权值，阐述了建立部分连接的依据和优先权值的确定方法，给出了网络的具体学习算法，并从单故障和多故障识别两个角度，比较了该模型与某改进BP网络的诊断结果，证明了该模型具有较强的故障识别能力。     

A Fuzzy Neural Network for Fault Pattern Recognition

1　ＩｎｔｒｏｄｕｃｔｉｏｎＩｎｍａｔｈｅｍａｔｉｃｓ,ｆａｕｌｔｒｅｃｏｇｎｉｔｉｏｎｃａｎｂｅｓｕｍｍｅｄｕｐａｓａｍａｐｐｉｎｇｐｒｏｂｌｅｍｂｅｔｗｅｅｎｆａｕｌｔａｇｇｒｅ ｇａｔｅａｎｄｃｈａｒａｃｔｅｒａｇｇｒｅｇａｔｅ .Ｔｈｅｍａｐｐｉｎｇｂｅｔｗｅｅｎａｇｇｒｅｇａｔｅｓｉｓｃａｌｌｅｄａｍａｐｐｉｎｇｆｕｎｃｔｉｏｎ ;ｋｉｎｄｓｏｆｍａｐｐｉｎｇｆｕｎｃｔｉｏｎｓｃａｎｂｅｆｏｒｍｅｄｆｏｒｆａｕｌｔｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ .Ｔｈｅｔｒａｄｉｔｉｏｎａｌｐａｔｔｅｒ…     

旋转机械振动故障诊断的一种模糊神经网络方法研究

介绍了一种基于多层感知器的模糊神经网络分类器，并针对其在旋转机械故障诊断中的应用，研究了网络构造过程中输入和输出模糊化的问题。文中利用振动频谱特征就旋转机械中几种典型的故障模式，采用模糊神经网络方法作了识别，且将其与传统的ＢＰ网络及模糊诊断方法进行了比较。研究结果表明：将模糊神经网络方法应用于旋转机械工况识别是有效的，它在处理分类边界模糊的数据时比传统的ＢＰ网络和模糊诊断方法具有更大的优越性。     

p-范数模糊推理神经网络及其在滚动轴承诊断中的应用

针对滚动轴承故障分析的特点 ,构造了基于 p-范数模糊推理神经网络 ,指出它可以对 Sugeno- Takagi模型进行逼近 ,因而更便于学习 ,并克服了单纯前向神经网络训练中容易陷入局部极小及收敛速度较慢的缺点。该神经网络应用于滚动轴承的四类故障诊断 ,与实验结果符合很好 ,取得了良好的故障诊断效果