基于遗传算法优化BP神经网络的提升机制动系统故障诊断

介绍BP神经网络的基本原理,提出合理的提升机制动系统故障诊断训练,分析神经网络存在的局部最优解和收敛速度慢等问题,利用遗传算法对BP神经网络进行改进。分别对原始的BP神经网络和改进后的神经网络进行仿真分析,结果显示基于遗传算法优化后的BP神经网络优势明显。     

基于小波分析和改进神经网络的采煤机截割部传动系统故障诊断

为了解决当前采煤机截割部传动系统故障诊断方法存在耗时长、误差大等问题,提出了基于小波分析和改进神经网络的采煤机截割部传动系统故障诊断方法。首先采集采煤机截割部传动系统故障数据,并采用小波分析对数据进行预处理,消除噪声的不利影响;然后提取故障特征并输入神经网络进行训练,采用粒子群算法优化神经网络的参数,从而建立采煤机截割部传动系统故障诊断模型。仿真实验结果表明,该方法提升了采煤机截割部传动系统故障诊断精度,大幅度减少了故障诊断时间,而且增强了抗噪声干扰能力。     

基于遗传算法优化的RBF神经网络的压力传感器故障诊断

提出了一种基于遗传算法优化的RBF神经网络故障诊断方法,此诊断方法首先利用小波包分解的方法对传感器电路的各种故障数据进行特征提取,再将所得的特征向量输入到遗传算法优化的RBF神经网络进行故障诊断。经过MATLAB仿真,此故障诊断方法不仅对传感器故障进行准确分类,而且提高了BP神经网络的收敛性,从而验证了此方法是可行的。     

基于模糊神经网络的采煤机变频器故障诊断系统

为了能够准确地对采煤机变频器进行故障诊断,深入研究了模糊神经网络技术在采煤机变频器故障诊断中的应用。建立了模糊神经网络理论模型,并且对传统的算法进行了改进。设定了模糊神经网络的输入和输出向量,设计出了合理的采煤机变频器模糊神经网络的结构。利用MATLAB数学计算工具对模糊神经网络进行训练,并且进行实验验证,结果表明模糊神经网络能够有效地对采煤机变频器进行故障诊断。     

基于粗糙集-RBF神经网络的采煤机截割部传动系统故障诊断

采煤机截割部传动系统故障源多,建立快速准确识别故障源的模型具有重要研究意义,因此提出了一种基于粗糙集-径向基函数(RBF)神经网络的故障诊断方法。首先对传动系统常见故障进行汇总分析,归纳为齿轮故障与轴承故障,通过粗糙集理论完成属性约简后得到最小条件属性集,然后根据粗糙集的最小条件属性集搭建RBF神经网络的拓扑结构。仿真结果表明,基于粗糙集-RBF神经网络的故障诊断模型结构更简单,训练效率及诊断准确性更高,在故障诊断中具有更好的应用效果。     

基于改进遗传算法的刨煤机故障诊断研究

刨煤机是薄煤层开采必不可少的设备,由于工作环境恶劣,经常出现故障,对其进行故障诊断是非常重要的,研究了基于改进遗传算法和概率因果模型的故障诊断方法在其中的应用。分析了刨煤机的工作原理;提出了改进遗传算法的原理,并且给出了相应的算法流程;研究了概率因果模型的基本原理,给出了故障诊断流程;进行了刨煤机的故障诊断仿真研究,仿真结果表明改进的故障诊断方法能够准确地诊断出刨煤机的故障类型,应用前景广泛。     

基于RBF神经网络的刮板输送机故障诊断

分析比较了BP神经网络和RBF神经网络在故障诊断方面的特点,以RBF神经网络为故障诊断工具,设计了刮板输送机故障诊断方案,构建了故障诊断模型,并对模型进行了样本训练。在此基础上,设计了故障诊断流程,编写了样本训练程序和基于RBF神经网络的故障诊断程序,开发了故障诊断人机界面,最终实现了刮板输送机整机在线监测和故障诊断。     

基于粗糙集-RBF神经网络的采煤机液压泵故障诊断

针对采煤机液压泵故障征兆多、故障诊断模糊性强的特点,提出了一种基于粗糙集-径向基函数(RBF)神经网络的故障诊断方法,对液压泵内泄漏故障进行诊断。运用粗糙集理论对液压泵原始故障数据集进行属性约简,去除输入冗余信息,得到最小条件属性集。根据最小条件属性集确定RBF神经网络初始拓扑结构,通过网络训练建立故障征兆和故障类别的映射关系,使用Python编程语言实现了故障诊断。试验对比表明,该方法网络结构更加简单,网络学习效率及诊断准确性更高,在采煤机液压泵中有很好的实际应用效果。     

基于计算机模拟技术的T500型采煤机液压系统故障诊断

采煤机液压系统非常复杂,一旦系统发生故障就会严重影响正常开采进度。以T500型采煤机液压系统为研究对象,在有源自回归模型理论基础上建立了模糊有源自回归模型,并以该模型故障特征信息作为RBF神经网络输入变量,对采煤机液压系统做出了准确、有效的故障分配判断。为煤矿井下掘进工作面开采设备的故障诊断提供了有效方法。     

采煤机故障诊断的研究

采煤机是煤矿生产的关键设备,为了提高采煤机故障诊断水平,本文分析了采煤机常用的故障诊断方法,并在专家诊断系统的基础上,引入了模糊神经网络,结果表明该方法能很好的提高采煤机的故障诊断水平。     

基于支持向量机的故障诊断方法研究

故障样本缺乏是制约智能故障诊断发展的重要原因。支持向量机是近10 a来提出的一种基于小样本的统计学习方法。将支持向量机分类算法用于滚动轴承的多类故障分类并与RBF神经网络进行对比研究。实验表明,在有限样本条件下,支持向量机算法比RBF神经网络具有更好的分类性能。     

基于RBF网络与自适应遗传算法的旋转机械故障诊断方法

针对RBF网络学习算法工作量大和类别数需预先确定的问题,通过引入具有自适应机制的的遗传算法,结合梯度下降法交互运算,提出了自适应遗传算法和径向基函数网络相结合的旋转机械故障诊断方法。通过对样本模式聚类和故障状态的分析,并利用自适应遗传算法优化相关的RBF网络,有效地解决了隐节点数和各参数的取值问题。应用结果表明,RBF网络和自适应遗传算法相结合提高了全局寻优效率。     

基于小波神经网络火电厂锅炉故障诊断的仿真研究

为了能够准确、快速地对火电厂锅炉进行故障诊断,系统地研究了小波神经网络在锅炉故障诊断的应用。提出了小波神经网络的数学模型;制定了小波神经网络的训练算法;以火电厂锅炉常见故障烟道再燃烧为例,对其进行了故障诊断的仿真分析,经过训练后的小波神经网络对锅炉进行故障测试,测试结果全部正确。     

基于GA-BP算法的齿轮箱故障诊断研究

为了解决BP算法的缺陷,建立了GA-BP相结合的故障诊断模型。利用GA算法优化BP神经网络权值和阈值,改善故障诊断性能。GA-BP网络对齿轮箱的工作状态进行故障诊断,仿真表明:该算法可以高效、可靠地运用于齿轮箱故障诊断中。     

基于SMO-SVM算法的变压器故障诊断

支持向量机是一种基于统计学理论的机器学习算法,它能在训练样本很少的情况下达到很好的分类效果。针对变压器的特性,提出了以RBF为核函数的非线性支持向量机的二叉树多分类变压器故障诊断模型,利用序贯最优化算法(SMO)对样本进行训练,准确率较高。试验结果表明,SMO-SVM在变压器故障诊断中具有很大的应用潜力。     

基于模糊神经网络的刮板输送机故障诊断

对刮板输送机常见故障类型进行总结与分类,介绍基于模糊神经网络的故障诊断流程,分析刮板输送机故障的影响因素,建立基于模糊神经网络的刮板输送机故障诊断模型,研究模糊聚类的依据以及RBF神经网络的学习流程。为了验证基于模糊神经网络故障模型的有效性,以刮板输送机减速器的诊断过程为例,采用MATLAB进行仿真,仿真结果表明,基于模糊神经网络的故障诊断结果与实际情况一致,相比传统RBF神经网络,迭代次数更少,性能更优。     

基于自适应RBF人工神经网络的电牵引采煤机轴承故障诊断

将自适应RBF人工神经网络应用到电牵引采煤机轴承故障诊断 ,通过对轴承振动信号处理 ,证明此方法进行故障诊断具有及时性、准确性和灵活性     

基于声发射法掘进机故障诊断研究

为了能够提高掘进机故障诊断的准确率,确保掘进机能够正常稳定地工作,深入研究了声发射法在其中的应用。分析了掘进机的主要故障及原因;研究了掘进机声发射信号产生的机理;探讨了掘进机声发射信号监测系统的设计;结合小波神经网络法和声发射法进行了掘进机的故障诊断研究,诊断结果表明该方法具有较高的故障诊断精度。     

小波神经网络在数控机床热误差补偿中的应用

为了能够提高数控机床热误差补偿的精度和效率,深入研究了利用小波神经网络对数控机床进行热误差补偿的方法。首先,提出了小波神经网络的数学模型;然后,提出了基于遗传算法的小波神经网络模型的训练方法;最后,以数控铣床为例,利用小波神经网络对其进行了热误差补偿计算,并且得出了精度较高的数控机床的小波神经网络预报结果。