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.     

遗传算法优化的模糊神经网络在故障诊断中的应用

本文针对船舶柴油机故障诊断系统提出了一种基于遗传算法优化训练的模糊神经网络诊断方法,介绍了这种模糊神经网络故障诊断系统的结构及其参数形式,通过遗传优化算法对它的权值和阈值进行了学习优化训练。这种方法可以有效地避免通常所选BP算法训练易陷于局部极值的问题,最后将该遗传算法优化训练的模糊神经网络系统应用到船舶柴油机的故障诊断中,通过仿真研究,说明了该方法的有效性。     

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。     

L-M神经网络算法在汽轮发电机组故障诊断中的应用

针对汽轮发电机组的故障诊断,采用Levenberg-Marquardt算法建立多层前向人工神经网络,采用改进算法训练网络,克服了传统BP算法收敛速度慢,易陷入局部最小的缺陷.就BP网络的不足,提出了一种改进的BP神经网络模型,并使用L-M算法用于汽轮发电机组故障的诊断.经理论和实践证明:该方法有效地提高了故障诊断的精度和可靠度,为旋转机械故障诊断提供了有效方法.     

基于道岔动作电流的故障特征提取与诊断方法

为提高道岔故障诊断精度,提出一种基于粒子群算法(particle swarm optimization,PSO)优化反向传播(back propagation,BP)神经网络的道岔故障诊断法.先利用基于道岔转换状态、时间固定分段、时域统计指标的三种方式提取动作电流特征参数,以降低特征维度;再据三种特征提取方式分别建立基于PSO-BP神经网络的诊断模型.仿真实验结果表明,采用基于时域统计指标的特征提取方式能更有效提取动作电流的变化信息,利用PSO优化BP神经网络可实现网络参数的自动寻优,提高网络对故障分类的效果.     

基于模糊积分的潜隐性故障状态转移过程分析

探讨了潜隐性故障的概念,分析了多态系统状态转移的马尔可夫过程,提出了基于模糊积分信息融合技术的故障诊断方法,在利用HMM模型进行初级诊断的基础上,采用加权平均方法确定模糊密度,通过科学计算模糊积分值实现潜隐性故障状态综合诊断识别.最后以某雷达火控设备单元控制模块为例验证了其有效性.该方法克服了智能故障诊断训练样本获取难...     

基于IBA-SVM的变压器故障诊断

为提高变压器故障诊断精度,准确映射变压器故障类型和特征气体的非线性关系,提出一种基于改进蝙蝠算法(improved bat algorithm, IBA)优化支持向量机(support vector machine, SVM)的故障诊断方法.在蝙蝠算法(bat algorithm, BA)的基础上引入惯性权重和莱维飞行机制,有效提高了寻找最优SVM惩罚因子和核函数参数的能力.将改进后的蝙蝠算法用于SVM的寻找最优参数并建立故障诊断模型.实验结果表明,采用IBA-SVM模型进行故障诊断与采用固定参数的支持向量机模型和粒子群算法优化支持向量机模型相比故障诊断精确度更高,基于IBA-SVM的故障诊断模型的诊断正确率可达到94%,有效提升了分类准确度.     

基于改进多尺度排列熵的S700K转辙机故障诊断

基于提速道岔S700K转辙机故障的功率曲线在频域上的多重特征,提出了基于改进多尺度排列熵的多变量支持向量机(structured support vector machine, SSVM)故障诊断方法.首先对S700K转辙机动作功率曲线进行集合经验模态分解和小波分解,获得两类不同时间尺度的模态分量;再利用改进多尺度排列熵计算不同分量的故障特征参数,为了降低计算维度,应用核主元分析理论,在不损失信号重要特征的情况下,取大于95%贡献率的特征值作为故障特征向量;最后,引入基于决策树的SSVM算法,经过小样本训练得到树状最优故障间隔面,从而实现S700K转辙机故障分类.实验结果表明:该方法可有效判定S700K转辙机故障类型,进而提高故障诊断精度和效率.     

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.     

铁道信号系统安全计算机状态监测方法

基于隐马尔科夫模型(Hidden Markov Model,HMM)提出了状态监测和故障诊断的原理与基本流程。通过观测数据的提取与降维,正常态模型训练与改进,故障态模型训练等一系列措施,实现了两模冗余安全计算机的状态监测,对正常态与时钟偏离1%～10%等7种不同条件进行监测。监测结果表明:对数似然概率均值从-228.98降至-1 385.60,健康状态不断恶化。对1号处理单元(PU1)故障状态进行仿真监测时,将PU1故障与PU1故障态、正常态、安全容错管理单元(FTSM)故障态、通信控制器(CC)故障态以及系统受扰故障态进行比较,得到对数似然概率均值分别为-161.95、-13.72、-14.13、-40.17及-35.69,证明了系统所发生的故障是因PU1所致。监测方法能够有效实现安全计算机健康状态的检测,为铁道信号安全计算机监测技术提供理论支撑。     

基于蜻蜓算法和支持向量机的变压器故障诊断

电力变压器作为电力系统中变换电压、输送电能、分配电能的重要电力设备,其运行状态直接影响到电网的运行安全。为了提高故障诊断的准确率,提出了一种基于蜻蜓算法(dragonfly algorithm,DA)和支持向量机(support vector machine,SVM)的变压器故障诊断方法。利用蜻蜓算法DA对SVM分类器参数进行优化且以SVM分类预测准确率最大为其适应度函数。变压器故障诊断实例仿真结果分析表明:基于蜻蜓算法的DA-SVM支持向量机的变压器故障诊断与交叉验证法CV-SVM,基于遗传算法的GA-SVM,基于粒子群算法的PSO-SVM相比较,在变压器故障诊断中具有故障诊断准确率高,全局寻优能力强,收敛速度快,且稳定性好的优越性。     

基于改进ACGAN的齿轮箱多模式数据增强与故障诊断

针对现有生成对抗网络(GAN)难以高效率生成多模式的故障样本和训练不稳定问题，提出了一种改进辅助分类生成对抗网络(ACGAN),并将其用于齿轮箱多模式数据增强和智能故障诊断，以确保运载工具的安全运行；引入独立的分类器构建新型ACGAN框架，改善了经典ACGAN的分类精度与判别精度之间的兼容性；使用Wasserstein距离定义具有平滑特性的新型对抗损失函数，以此克服GAN易出现模式崩塌和梯度消失的缺点；引入谱归一化方法替代权重裁剪，限制判别器的权重参数，提高对抗训练过程的稳定性；为验证改进ACGAN的有效性和优越性，对齿轮箱的6类健康状态样本进行试验分析。分析结果表明：改进ACGAN生成的故障样本在数据层面和特征层面取得了更好的质量评估结果，其中基于结构相似度的评估指标平均优于对比方法0.249 3,基于最大平均差异的评估指标平均优于对比方法0.696 6;改进ACGAN的训练过程更加稳定，其损失函数具有更优的收敛性，同时在多模式故障诊断情景下具有更高的效率，其训练时间缩减为对比方法的20%;针对故障样本缺失的情况，改进ACGAN的生成样本能有效辅助深度学习智能故障诊断模型的训练，可将...     

神经网络结合遗传算法用于航迹预测

研究利用遗传算法对BP神经网络进行优化设计,建立了基于遗传算法的BP神经网络机动目标航迹预测模型。该模型克服了普通神经网络算法在训练过程中容易陷入局部最优点的缺陷,得到了更高的学习精度和更快的收敛速度。最后,用实测数据进行了验证分析,结果表明,基于遗传算法的神经网络的预测模型比单神经网络预测模型预测精度高,可用于航迹的预测。     

基于神经网络的汽车发动机故障诊断研究

将BP神经网络应用于汽车发动机故障诊断.利用实际测试的怠速不稳故障样本训练网络并进行测试.结果证明,BP神经网络应用于汽车发动机故障诊断,效果良好,具有较高的诊断效率和准确度.     

基于深度时频特征的机车轴承故障诊断

针对现有机车轴承诊断方法存在故障特征提取不理想、诊断精度低等问题,提出了一种基于深度时频特征的机车轴承故障诊断新方法;利用双通道一维和二维卷积神经网络(CNN)分别对输入的一维原始信号和连续小波变换(CWT)提取的二维时频信号进行深度特征提取;为使输入的一维原始信号简单而有效地反映出信号在时域的全局特征,上通道使用一维CNN,为使输入的二维时频域信号能多角度地反映出信号的细微局部变化,下通道使用二维CNN;在融合层中将上下通道特征自动融合成一个新的深度时频特征,并将提取到的深度融合时频特征经归一化指数函数进行故障分类识别;在此基础上,分析了某局机务段实测的7种机车轴承数据,验证了本文方法的实际工程应用价值。研究结果表明:基于深度时频特征的机车轴承故障诊断方法对7种机车轴承故障的平均诊断精度达到了100%,与一维CNN模型、二维CNN模型和支持向量机(SVM)模型相比,平均诊断精度分别提高了0.7%、1.9%和2.2%;本文方法提取的深度时频特征中每类故障分布间隔规则有序,类内间距很小,而单个一维CNN模型和二维CNN模型提取的特征的每类故障分布间隔不规则,类内间距较大,说明基于深度时频特征的机车轴承故障诊断方法提取深度特征的能力优越,是一种解决机车轴承故障诊断问题的有效模型。      

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     

基于遗传算法与小波神经网络的客流预测研究

针对轨道交通短时客流具有动态性、非线性、不确定性的特点,提出一种基于遗传算法与小波神经网络的轨道交通短时客流预测方法.该方法利用具有全局搜索最优的遗传算法优化小波神经网络,有效的避免了神经网络易陷入局部最小值的缺陷.在分析轨道交通短时客流的特征上,利用实测数据对模型进行验证.结果表明,相比遗传算法优化的BP神经网络模型,单一的小波神经网络模型其预测精度更高,误差更小,能在实际中应用.     

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。