基于引力搜索RBF神经网络的柴油机故障诊断

为了解决RBF神经网络的参数选择问题,以便提高柴油机故障诊断的精度,提出了一种基于引力搜索算法和RBF神经网络相结合的智能故障诊断方法.该方法首先采用减聚类算法确定网络隐层单元数,然后提出改进引力搜索算法优化RBF神经网络的参数.利用国际标准样本集对该方法进行分类测试,并将该方法应用于柴油机故障的诊断,仿真实验验证了该方法对柴油机故障的分类和诊断效果.     

基于混合遗传算法优化的舵减摇模糊控制系统

将混合遗传算法应用于船舶舵阻摇，充分发挥了模糊逻辑、神经网络和遗传算法各自的优势．采用模糊系统的自适应变节点的神经网络学习模糊神经网络参数，从样本数据中获取模糊控制规则，弥补了各自的不足．仿真结果表明上述算法为改进船舶舵阻摇效果提供了一个有效途径．     

基于神经网络方法的柴油机气缸压力识别

分析了柴油机气缸盖系统激励和响应信号的非线性特性,阐述了基于BP神经网络的柴油机气缸压力识别方法.对测试的振动响应信号进行时域统计平均和低通滤波后,训练BP神经网络,利用自适应梯度下降算法,自适应调节学习速率,提高网络精度,识别柴油机气缸压力.结果表明,恢复出来的缸内压力信号和实测信号十分接近,该方法对柴油机的实时在线控制、监测和故障诊断有重要的应用价值.     

船舶柴油机故障诊断技术的研究及展望

文章通过对船舶柴油机故障诊断机理的分析,介绍了船舶柴油机故障诊断的主要方法,分析了柴油机故障诊断的特点,并提出了柴油机故障诊断的发展方向。     

列车定位单元ODO故障分析及HMM的应用研究

列车运行过程中车轮会出现打滑抱死等现象,导致ODO(odometers)呈现功能故障状态,针对这一问题,进行了列车定位单元ODO故障分析及HMM(hidden Markov models)的应用研究.首先利用神经网络方法对ODO故障状态进行诊断;然后,引入基于HMM的故障诊断方法,从模式识别角度出发,建立ODO隐藏的故障状态模型,通过输入观测序列与分类器中的HMM匹配,得出ODO的故障诊断结果;最后,通过遗传算法对HMM中的参数训练部分进行改进.实例分析结果表明:利用神经网络进行故障诊断的故障识别率为33.3%,基于HMM的故障诊断方法对于正常和故障状态的诊断精度可达100%,总体诊断精度可达95%,利用遗传算法进行参数改进后经仿真对比表明:在训练速度上遗传算法可以较快到达稳态,训练精度提高了86%;在高噪声背景下用神经网络方法实现故障诊断具有明显缺陷,利用遗传算法可以改进B-W(Baum-Welch)算法易陷入局部最优的缺陷,基于HMM的故障诊断方法相较于神经网络方法有更高的准确性.     

神经网络与D-S证据理论分层融合的柴油机综合故障诊断方法研究

针对柴油机传统故障诊断方法处理数据量大、故障类型复杂多变的问题时存在诊断准确率不高的现状,利用数据融合原理,将神经网络和证据理论进行有机的结合,提出了神经网络和证据理论分层融合的柴油机故障综合诊断方法.该方法通过并行神经网络的结构提高局部诊断网络的诊断能力,并给出了基本可信度分配的客观化方法,充分利用各种故障的冗余和互补信息,可显著提高故障诊断的准确率.诊断实例表明,该方法能显著提高柴油机故障诊断系统的效率.     

基于模糊神经网络模式分类的数据挖掘算法

提出了一种基于模糊神经网络模式分类的数据挖掘算法--把模糊理论和神经网络结合起来,构造及训练模糊神经网络.给出了基于模糊神经网络的学习算法,通过仿真验证了该算法的正确性.     

基于信息融合的船舶机械故障诊断方法的研究

机械与材料工程学院严新平教授主持的科研项目“基于信息融合的船舶机械故障诊断方法的研究”，得到教育部资助. 1.项目研究目标 1) 设计适用于船舶柴油机故障诊断的信息融合体系. 2) 发表研究论文8篇，其中四大检索系统收录3篇. 2.研究内容 1) 研究基于油液、振动、热力参数监测的信息融合模型. 2) 研究小波分析和分形理论在磨损状态描述与识别中的方法. 3) 研究遗传算法和神经网络技术在船舶柴油机运动状态的趋势分析与使用寿命预测中的应用. 4) 开发船舶柴油机基于信息融合的故障诊断系统. 3.项目拟解决的关键问题 通过此项研究，着重解决(或部分解决)两个关键问题： 1) 利用振动和油液监测获得的信息，为通过信息融合模型实现机械动力学和摩擦学系统的状态描述. 2) 充分考虑船舶机械作业的特殊性，提出适用于现场应用的故障诊断方法与技术. 4.项目的创新之处在于可系统地综合振动、油液和热力参数监测方法，实现船舶柴油机故障诊断；可采用信息融合思想，研究动力学系统和摩擦学系统的信息特征及其相互之间的关系. 科技处(余区办) 章爱武     

基于减法聚类模糊神经网络高速公路混沌控制

研究了基于减法聚类的高速公路混沌系统模糊神经网络控制方法.提出通过数据挖掘技术建立交通流混沌控制器知识库的思想,设计了以密度、上游流量和最大李亚普诺夫指数作为输入,红灯时间作为输出的T-S模糊神经网络混沌控制器.采用减法聚类确定控制器结构提取模糊规则、控制器初始参数;应用模糊神经网络方法对控制器参数进行优化;结合遗传算法对聚类半径进行优化.仿真实验分析了该控制方法的控制效果,证明了该混沌控制方法的有效性.     

基于模糊理论与神经网络并行推理的发动机故障诊断方法

将模糊理论与神经网络相融合，针对汽油发动机偶发性疑难故障，采用模糊信息处理方法确定故障的类别，通过神经网络的逼近能力来实现对故障进行诊断的功能。与单纯使用神经网络进行故障诊断的方法相比，基于模糊理论与神经网络并行推理的发动机故障诊断方法在输入参数不是训练时的典型数据（同训练时输入数据差别较大）时，系统仍能对输入样本很好地归类，给出较高精度的诊断结果，尤其对于单一系统的复杂故障具有很好的识别能力，可以提高对发动机故障的诊断精度。     

粗糙集与神经网络在发动机故障诊断中的融合应用

电喷发动机运行的状态信息众多而复杂,故障与状态信息的关系模糊而不确定,如何从复杂的多元信息中获取有用部分并加以利用是电喷发动机故障诊断的关键.本文应用粗糙集理论对冗余信息进行约简,得到更为简明的诊断规则,将约简结果与神经网络相结合,建立了故障诊断系统.网络的训练对比结果表明,粗糙集理论的约简处理简化了神经网络结构,提高了网络的训练效率;通过实例验证了粗糙集理论与神经网络相结合进行电喷发动机故障诊断的可行性.     

粗糙集与神经网络在发动机故障诊断中的融合应用

电喷发动机运行的状态信息众多而复杂,故障与状态信息的关系模糊而不确定,如何从复杂的多元信息中获取有用部分并加以利用是电喷发动机故障诊断的关键.本文应用粗糙集理论对冗余信息进行约简,得到更为简明的诊断规则,将约简结果与神经网络相结合,建立了故障诊断系统.网络的训练对比结果表明,粗糙集理论的约简处理简化了神经网络结构,提高了网络的训练效率;通过实例验证了粗糙集理论与神经网络相结合进行电喷发动机故障诊断的可行性.     

基于LabVIEW的BP算法及其在发动机故障诊断中的应用

介绍了虚拟仪器技术,应用LabVIEW软件编制了基于BP算法的训练网络和诊断网络,使之能更有效地、直观地了解BP神经网络的工作状态,从而为汽车信号系统的分析和发动机故障系统诊断提供了有效的方法。     

小波包-神经网络在摆式列车倾摆控制系统故障诊断中的应用

针对摆式列车倾摆控制系统故障的特点，研究了神经网络结合小波包分析进行故障诊断的方法，采用小波包分解和信号重构的方法，将在摆式列车试验台上采集到的振动信号分解到不同的频带以提取有关的故障信息，并将振动信号各频带内的能量特征作为训练样本输入前向神经网络，用优于改进梯度下降法的Levenberg—Marquardt优化方法对网络进行训练，对倾摆控制系统的常见故障进行识别和诊断。实践表明，该方法对摆式列车倾摆系统故障的诊断是可靠的。     

基于数据的轨道电路故障诊断的混合算法

提出一种基于数据的神经网络混合算法故障诊断网络,用于轨道电路的故障诊断.考虑铁路信号需求,设计出符合神经网络训练快速性和有效性要求的BP-LM-PSO-GA混合算法,就是将轨道电路复杂网络分解设计为许多小的神经网络组态,通过综合这些小的神经网络诊断结论,得出最终结果,以解决单独设计神经网络带来的运算量问题;然后以广泛使用的ZPW-2000A型轨道电路为例,验证了该算法网络训练的快速性及故障诊断的有效性.最后给出了该诊断网络对轨道电路的诊断步骤.仿真结果表明该诊断网络具有可行性和有效性,为轨道电路故障诊断的应用提出了一条新途径.     

基于BP神经网络和振动测量的轴承故障诊断

根据BP算法神经网络模型,通过对轴承振动测量的分析,得到故障诊断的方法。阐述BP神经网络应用于轴承故障的基本步骤,包括BP网络结构、状态编码、网络训练、模式识别以及诊断实例分析。指出了BP神经网络在轴承故障诊断中的应用中存在的问题和发展方向。     

基于区间二型神经模糊系统的轨道电路故障诊断

针对目前铁路现场对轨道电路故障的判别仍然采用阈值法导致维护效率偏低的问题，提出将神经网络与模糊逻辑相结合，构建区间二型神经模糊系统（interval type-2 neural-fuzzy system，IT2NFS），通过诊断模型实现对轨道电路故障模式的智能识别. 首先通过结构识别建立初步的网络结构，采用均匀设计方法生成模糊集的均值，对训练样本进行相似性测试，生成标准差和初始后件参数；再通过递归奇异值分解，优化后件参数以减小输出误差；最后，针对常见的8种故障，从实验平台上采集样本共计9000个，其中6300个样本用于模型训练，剩余2700个用于实验测试. 实验结果表明:利用IT2NFS模型进行故障诊断时，每种故障类别的识别率均在82%以上，平均正确率为90.9%，仿真用时10.59 s.      

基于模糊支持向量机的变压器故障诊断

针对支持向量机对训练样本内的噪声和孤立点比较敏感,影响了支持向量机分类性能的弱点,利用模糊支持向量机的学习方法,构建了变压器故障诊断模型．采取一种基于二叉树的多分类方法,使用模糊C均值聚类算法求取模糊支持向量机的模糊隶属度,采用径向基核函数,并利用遗传算法对模糊支持向量机的参数进行寻优．实验结果表明,基于二叉数的模糊支持向量机模型相比BP神经网络、支持向量机有更高的诊断准确率,基于二叉树模糊支持向量机的变压器故障诊断方法是可行的．     

基于小波网络的船舶柴油机燃油系统故障诊断

采用小波变换和BP神经网络的辅助式结合,通过小波变换提取故障特征向量作为BP神经网络的输入值,设计并组建了小波神经网络;利用小波变换模极大值分析高压油管燃油压力信号的奇异性,提取故障特征向量;根据故障采集数据并建立学习样本,通过网络训练建立BP神经网络输入和输出间良好的非线性映射,进而通过特征向量输入BP神经网络来诊断故障。实验数据分析表明:该方法具有良好的诊断效果。