基于模糊神经网络的船舶机电故障诊断分析

船舶机电故障诊断影响着船舶航行安全,关系着人类的生命财产安全。文章提出应用模糊神经网络对船舶机电故障进行诊断。模糊神经网络融合了模糊理论和神经网络的优点,可自适应从学习样本数据中提取故障模型,根据采集的样本训练出模糊神经网络的连接矩阵,再合成单个联想记忆网络,最终实现实时故障诊断。以某船舶发电机转子系统的监测数据为例,证明了此法的有效性,可广泛推广。     

测控装备故障诊断专家系统的设计与实现

通过分析测控装备故障诊断专家系统的目的和任务,将模糊神经网络理论与专家系统相结合用于测控装备故障诊断,建立了故障诊断专家系统的模型。探讨了故障诊断专家系统中知识库的构建及维护、不精确推理等问题。用面向对象分析方法分析故障诊断专家系统,并用软件加以实现。     

基于模糊神经网络和D-S证据理论的故障诊断方法研究

提出一种基于模糊神经网络和D-S证据理论的故障诊断方法.该方法利用模糊逻辑和神经网络的优势,通过数据融合充分利用各种信息,提高诊断的精度.经箅例证明,该方法可靠、有效,对于复杂装备的故障诊断有一定意义.     

基于模糊神经网络和D-S证据理论的故障诊断方法研究

提出一种基于模糊神经网络和D-S证据理论的故障诊断方法。该方法利用模糊逻辑和神经网络的优势，通过数据融合充分利用各种信息，提高诊断的精度。经算例证明，该方法可靠、有效，对于复杂装备的故障诊断有一定意义。     

基于分布式模糊神经网络的船舶机电故障诊断

为了更好地保障船舶航行安全,及时准确地对船舶机电设备进行监测分析,修理出现的故障,提出了一种基于分布式模糊神经网络的船舶大型机电设备故障诊断的方法.该方法融合了模糊理论和神经网络各自的优点,能自适应从学习样本数据中提取故障模型,能实时地进行故障诊断,且网络结构简单,训练速度快,准确率高.通过对某船转子系统的故障诊断实验,证明了此法的有效性和优越性.对于大型的复杂设备,基于分布式模糊神经网络的故障诊断方法优势明显,具有很好的应用前景.     

基于FNN的船舶舵伺服系统故障诊断研究

分析某型船舶舵伺服系统的故障信息,建立了模糊神经网络故障诊断模型.利用模糊逻辑处理数据以便于充分利用经验知识;利用神经网络诊断,避免了复杂故障树诊断系统的"匹配冲突"、"组合爆炸"和"无穷递归"等问题,并采用改进的BP算法训练神经网络,解决了收敛速度和收敛振荡的问题.诊断实例结果表明:该故障诊断系统具有较强的鲁棒性和泛化能力;该算法采用无模型化诊断,容易实现自学习,可不断完善系统性能,具有一定的理论和工程应用价值.     

基于模糊神经网络的RT-flex柴油机燃油系统故障诊断

介绍了RT-flex 60C柴油机燃油系统的常见故障类型,针对其故障类型提出了以传统的BP神经网络为主,利用模糊理论作为补充的一种智能故障诊断方法。建立了基于模糊BP神经网络的故障诊断模型,并运用MATLAB软件进行了仿真测试研究,阐明了该方法的有效性。     

基于模糊神经网络的水下机器人推进系统故障诊断

为了解决水下机器人推进系统运行可靠性问题，提出一种基于模糊神经网络的机器人推进系统故障诊断方法，用以解决故障诊断过程中信息的不确定性问题，并提高推进系统的整体可靠性。该方法在常规神经网络基础上，引入模糊推理形成一种新型模糊神经网络结构，提出一种最小调整的模糊神经网络学习率，完成模糊神经网络训练算法的推导。通过对水下机器人实施定速直航与转向等试验完成神经网络的在线训练，利用已完成训练的神经网络对机器人进行运动建模。通过比对神经网络模型估计值与机器人传感器的实测值获取残差信息，并对残差进行故障信息提取以实现故障诊断。将上述方法应用于仿真试验中，结果表明，基于模糊神经网络水下机器人推进系统故障诊断方法具有较高的可行性和有效性。     

基于模糊神经网络的燃气轮机故障诊断专家系统研究

针对神经网络和传统专家系统在燃气轮机故障诊断过程中各自存在的局限性,提出了一种将模糊神经网络和专家系统相结合的方法.解决了以往专家系统专家知识获取困难和不能描述模糊性知识的缺陷.通过已开发的某型三轴燃气轮机运行模拟器取得典型的故障样本完成了对模糊神经网络的训练工作,最后选取一定数量的测试样本对网络进行了测试,证明了系统的可行性.结果表明,该方法行之有效,在燃气轮机故障诊断领域中有很好的应用价值.     

模糊神经网络在轮机故障诊断中的应用与研究

为了实现对某船用轮机的故障诊断,本文以某船用轮机故障数据为研究对象,基于模糊神经网络算法,制定了合适的误差模型,对故障数据进行特征识别。研究表明:模糊神经网络算法具有较高的鲁棒性,并且诊断成功率较高,可为工程实践提供参考。     

基于神经网络理论的船舶结构可靠性优化设计

本文将人工神经网络理论应用于船舶纵向结构的可靠性优化设计中，采用模拟退火和玻尔茨曼机原理，在优化过程中可避开局部最优解，取得系统的近似最优解。     

网络遥操作机器人系统神经网络预测控制仿真研究

为了改善网络随机时延影响网络遥操作机器人系统稳定运行的问题,采用RBF神经网络对网络实测时延进行预测,取得较好的预测效果。结合Smith预估控制,提出了一种基于网络实测时延的遥操作机器人系统神经网络预测控制新方法,仿真实验结果表明了该方案的有效性和鲁棒性。     

Hydrodynamic inline force prediction on vertical cylinders: a comparative study of neural network and its adaptive wavelets (wavenets)

The design of the neural network model and its adaptive wavelets (wavelet networks and wavenets) was used to estimate the wave-induced hydrodynamic inline force acting on a vertical cylinder. The data used to calibrate and validate the models were obtained from an experiment. In the brain, wavelet neural networks (WNNs) use wavelets to activate their hidden layers of neurons. In WNNs, both the position and dilation of the wavelets are optimized along with the weights. In one special approach to this kind of network construction, the position and dilation of the wavelets are fixed and only the weights of the network are optimized. In the present study, the neural network procedure and the above mentioned approach were employed to design a WNN, a so-called wavenet, using feed-forward neural network topology and its training method. Then, a comparison of these two methods was made. Numerical results demonstrate that both networks are capable of predicting hydrodynamic inline force. Furthermore, the combination of the neural network concept and the wavelet theory i.e. wavenet provides a more robust tool rather than standard feed-forward neural network, considering its more appropriate ability to predict any other data which the network had not experienced before. The results of this study can contribute to reducing the errors in future efforts to predict hydrodynamic inline force using WNNs, and thus improve the reliability of that prediction in comparison to the ANN and other methods. Therefore, this method can be applied to relevant engineering projects with satisfactory results.     

基于神经网络的舰船运动模型辨识

通过神经网络对线性水动力系数、弱非线性水动力系数和强非线性水动力系数进行了研究,利用免疫模糊遗传算法对各神经网络辨识器进行优化,以确定舰船运动的待识别系数,并且进行了10°/10°Z形操舵运动、30°回转操舵运动和35°回转操舵运动辨识的仿真。结果表明:利用辨识所得的各种典型操舵运动曲线与利用原参数所得结果符合良好。     

基于RBF神经网络补偿的PMSM反步控制系统

提出了一种基于非线性控制策略的RBF神经网络补偿和反步控制相结合的方法,克服了传统PID控制对非线性控制的缺点．基于神经网络的控制器很好地实现了线性逼近,反步控制保证了系统具有良好的速度跟踪性能．仿真结果表明,该方法比PID控制更有有效性．     

基于模糊神经网络的海浪中舰船多自由度运动建模方法研究

基于切片理论计算在诸规则波中的舰船多自由度运动响应，并以此为样本训练模糊神经网络，最终建立起一种新的舰船在随机波浪中的多自由度运动模型，并通过算例验证该方法的实用性和可靠性。     

灰色系统与神经网络算法相结合的分析与研究

采用BP神经网络对模型参数进行预测,算法的学习训练速度和建模时间比较长;采用灰色系统理论对模型参数进行预测,对数据信息的学习和训练能力比较有限,两种算法都存在各自的缺陷,为了提高模型中参数的收敛速度和估计精度,本文将灰色系统理论和BP神经网络算法相融合,通过仿真可以看出,模型参数的估值精度比较高,误差较小,证明了该算法的有效性和鲁棒性。     

基于神经网络的舰船姿态信息谱估计方法

从最大熵谱估计入手,用ＴＨ网络这时地实现了对船用惯导系统姿态测量信号的最在熵一维谱估计。研究表明,由于神经网络的高度运算能力。该方法有效地解决了信号频谱处理过程中处理性能与运算量之间的矛盾,为现代谱估计了新途径。     

油船主船体隔舱划分的神经网络专家系统

本文在总结专家系统（ＥＳ）发展与现状的基础上，描述了油船舱划划分的神经网络专家系统（ＴＡＧＮＥＳ）的基本原理与结构，以及基于 ＴＡＧＮＥＳ的知识表示，获取与推理，提出了ＴＡＧＮＥＳ与其它领域神经网络专家系统的组合，系统地阐述了ＴＡＧＮＥＳ的理论体系，同时给出３８０００吨油船分舱仿真设计的部分算例，说明了应用神经网络专家系统这一新理论来进行油船分舱智能设计的有效性和实用性。     

基于混合学习算法的水下机器人神经网络辨识

借鉴Elman和Jordan神经网络的特点,构造了一种新的动态神经网络.该网络能对隐含层的历史进行状态记忆,实时调整过去的信号对现在值的影响,并且增加了输出层节点的反馈以增强神经网络的信号处理能力.将基于遗传算法(GA)和误差反传算法(BP)的混合学习算法用于神经网络权值的修改,既可提高收敛速度又能避免陷于局部极小值.最后,将改进的神经网络应用于水下机器人动力学模型辨识,仿真结果表明,基于混合学习算法的神经网络提高了学习的收敛速度和辨识精度.