一种基于神经网络的免疫识别故障检测模型

提出了一种基于神经网络的免疫识别故障检测模型.该模型根据免疫识别原理来构造神经网络检测器,通过训练将被检测对象的故障模式信息存储于分布的检测器中,检测器用于捕获被检测对象的异常模式特征,当检测器与特征样本匹配时则激活该检测器,根据检测器的激活情况来发现故障,并给出了相应的训练算法.通过滚动轴承损伤检测的仿真实验,表明该方法对由轴承损伤冲击造成的信号突变保持了较高的灵敏度和分辨率,对于滚动轴承的监测具有一定的应用价值,并可方便地推广到其他类似的工业应用领域.     

基于神经网络技术的飞机舵面故障趋势预测研究

在飞机舵面故障诊断系统中,及时准确的故障预报对提高飞机的安全性具有极其重要的意义,针对飞机舵面故障预报系统的设计要求,建立了神经网络故障预测模型以及训练算法,该预测模型采用三层BP网络模型,还对神经网络的预测精度给出了评价函数.最后,为了验证所述方法的有效性,结合风洞实验数据,对某机舵面故障模式之一的方向舵卡死进行了预测和分析,并与传统的ARMA方法进行了比较,结果充分表明了该神经网络预测模型的有效性和优越性.     

基于动态模拟的化工过程故障诊断

化工过程中的故障检测与诊断多通过对历史数据和知识的分析来进行.提出了一种新的故障检测与分析方法,利用动态模拟来监测化工过程,并在过程发生异常时及时进行故障诊断.这种方法所针对的是可由动态模型内部参数来表征的一类故障,这些参数可通过动态模型的在线校正获得.该方法不需要设计观测器来估算过程的不可测变量,还可以将故障检测和诊断任务同时进行.该方法被应用于了重力水箱系统和庚烷芳构化反应器系统,并同传统的参数估计方法进行了比较.     

基于神经网络的异常入侵检测系统

针对神经网络检测器本身的网络结构和算法进行改造可获得好的性能,但无法从根本上解决误报率和漏报率等问题,通过对程序行为的深入研究,对程序行为进行动态建模,提出了一个应用BP神经网络检测器针对程序行为异常的入侵检测模型,从而更准确地发现程序行为的异常。通过Apache服务器为例论证其可行性。     

引入反向传播机制的概率神经网络模型

既有的概率神经网络模型存在概率函数难以估计和空间复杂度高的缺点,提出引入反向传播机制的改进模型用以弥补以上不足. 改进模型继承了概率神经网络模型的分类原理和结构特征,同时应用了多层感知器神经网络模型的反向传播算法进行函数和参数学习,由此解决了函数估计和空间复杂度高的问题. 通过三组数值实验的验证,结果表明该模型还有着较强入指标重要性的识别能力和较高的分类精度. 该改进模型是一个新的、适用范围较广和准确度较高的模式分类方法,可辅助管理决策,具有实际意义.     

考虑故障因素的交通检测器布设优化问题研究

交通检测器对于交通管理部门的意义重大.本文在原有经典确定性交通检测器布设优化模型的基础之上，考虑了不确定的检测器故障因素，建立了新的两阶段交通检测器随机布设优化模型.模型在经典的Sioux-Falls网络上进行了实验，求解结果表明，考虑故障因素对交通检测器布设模式有很大改进. 研究结果对交通管理部门决策有实践意义.     

基于神经网络的假设检验故障诊断算法研究

传统的χ2检验法通过比较先验信息与量测信息进行故障检测,当先验信息所依赖的模型出现错误时将无法进行有效的故障检测和故障隔离。提出利用神经网络的方法结合χ2检验法进行故障诊断,训练神经网络来跟踪系统模型,则正确的先验信息保存在训练好的神经网络中,系统模型输出与网络模型输出之差作为故障诊断的依据。针对INS/GPS组合导航系统进行算法仿真,该算法能够快速、准确地判断系统故障源,通过故障隔离和系统重构,使系统在故障情况下依然保持正常工作。     

基于长短期记忆神经网络的自适应容错方法

针对传统的全球导航卫星系统/惯性导航系统(global navigation satellite system/inertial navigation system, GNSS/INS)紧组合系统容错方法对故障处理方式单一、环境适应性差的问题，提出了一种基于长短期记忆神经网络的自适应故障容错方法。该方法基于长短期记忆神经网络建立GNSS伪距、伪距率预测模型。发生故障时，通过分量检测法定位故障观测的维度，并引入相对差分定位精度分析故障观测对系统定位精度的影响，从而实现隔离与重构策略的动态选择。利用实测数据从可见星数、几何构型、故障持续时间3个角度设置多组环境进行仿真实验。仿真结果表明，所提方法对复杂环境具有更好的适应能力，可有效降低故障存续期间系统的定位误差，提高系统的故障检测性能。     

基于记忆原理的Web入侵预警系统

为了克服预警系统普遍存在的有效记忆存储模式和预警反应模式缺失问题,降低虚警率和漏警率,通过分析Web攻击的一般过程和生物记忆的基本原理,建立了基于记忆原理的Web入侵预警系统模型。在该模型中,应用短时记忆容量限制理论来节省系统大量的存储空间,为系统的分布式扩展提供了良好的条件;应用长时记忆理论使系统能检测较长时间跨度的入侵行为;感应阈技术又能灵活调整系统的灵敏度。该系统建立在实时基础上,能及时有效地产生警报数据。实验检验证明系统能有效地对异常访问行为产生警报,变化形式灵活,对于短时间的爆发式异常访问和时间跨度比较大的异常访问行为都能给出准确的警报。     

基于神经网络的输电线路故障检测研究

在研究现有架空输电线路故障检测系统不足的基础上,提出了一种基于神经网络的输电线路故障检测系统.该系统以复杂结构的10KV架空输电线路为研究对象,利用分布在线路上的数据采集设备得到线路电气参数的相应数据并进行编码;通过载波通信将数据传送给控制中心;在控制中心对各参数数据解码和去噪;然后将每个参数进行分段数据采样输入经反向传播算法(即LMBP算法)训练的三层结构的神经网络进行分析,最后进行统计处理输出故障信息.采用EMTP仿真实验表明,本文故障检测系统准确率较其它故障检测系统有较大提高.     

基于EMICA-KRR的长输管道压力监测与泄漏定位方法

为解决长输管道压力监测过程中泄漏突发,难以实时预警并精确定位的问题,提出一种基于集成改进独立分量分析(EMICA)和核岭回归(KRR)的管道泄漏故障检测与定位方法.首先,建立基于EMICA算法的故障检测模型,提取并分离压力数据中的高斯信号和非高斯信号并构造相关统计量,实现故障信号分离与主分量选择;然后,根据EMICA模型获得的故障信号,进一步构造基于KRR算法的故障诊断模型,拟合数据得出故障信号压力变化幅值,实现泄漏信号的选择与泄漏故障的定位;最后进行TE(田纳西-伊斯曼)过程的数值仿真实验以验证算法的性能.仿真结果表明:EMICA-KRR算法拥有更良好的信号分离能力,可以准确识别泄漏故障信号并精确定位管段失效位置,克服了传统方法的低效、延时等缺点.     

考虑关键故障的测试优化选择

针对现有测试优化选择方法中因关键故障为小概率故障而容易被漏检的问题,提出了一种有指向性的对关键故障进行有效检测和隔离的方法。首先从系统安全性角度,分析了关键故障的重要性。然后基于相关性矩阵,以测试代价最小为优化目标,以故障检测率与隔离率和关键故障检测率与隔离率为约束,建立了考虑关键故障的测试优化选择模型,最后采用基于质心改进和惯性权重自适应调整的二进制粒子群算法进行求解。仿真实验结果表明,考虑关键故障的测试优化选择方法可以有效消除因关键故障漏检而对装备安全造成的严重威胁。     

基于改进联邦滤波的故障隔离与系统重构

为解决故障隔离与系统重构(FIR)问题提出了改进的联邦滤波算法。采用带有备份主系统的联邦滤波结构,避免了由于主系统故障而引发灾难性后果,并针对这一结构提出了分级联邦滤波FIR策略,保证在任何一个子系统故障的情况下的滤波连续性和滤波结构完整,并提高了后续故障的检测能力。在融合算法上提出了分时融合反馈的联邦滤波信息分配方式,大大降低全局被污染的可能性,并提高了系统对渐变故障的检测能力。将该算法应用于多传感器组合导航系统中,仿真结果表明在任何一个子系统故障情况下,滤波器都能提供连续、准确的导航信息。     

基于OLS算法的RBF神经网络高速公路事件探测

高速公路事件是指破坏正常交通流并造成交通阻塞的非重现随机发生的事件。事件发生后对其进行快速可靠的探测对减少交通延误、保障道路安全、减少环境污染具有十分重要的意义。文中提出了一种基于模糊聚类技术和RBF神经网络的混合智能高速公路事件自动探测算法，同时改进了用于RBF神经网络训练的OLS(正交最小二乘)选择算法。仿真实验证明，改进的OLS选择算法大大提高了RBF神经网络的训练速度，同时具有无须事先确定RBF中心的优点，将之运用于公路事件探测可以获得满意的性能。     

基于暂态挖掘的非线性时间序列故障预报

针对实际工程系统故障建模困难、现有故障预报方法实时性差的问题.从一类挖掘的角度,设计了一种基于一类支持向量机的时间序列暂态挖掘算法,提出了一种既不需要系统近似模型也不需要故障训练数据和先验知识的直接故障预报方法.在系统运行的同时实现学习和预报.提高了实时性.同时该方法简单易用,克服了传统方法在预报故障前需要预测系统未来状态的缺点.具有很强的应用意义.以釜式反应嚣为对象进行的仿真实验证明了方法的有效性.     

基于免疫克隆选择算法的多用户检测技术研究

为了解决最佳检测器计算复杂度较高的难题，提出一种精简有效的克隆选择算法。把人工免疫系统和神经网络系统的信息处理机制引入到CSA提出了免疫克隆选择算法。所提ICSA通过使用随机Hopfield神经网络制备疫苗构成新的免疫算子，把新的免疫算子结合到克隆选择算法中，不仅加快了克隆选择算法的收敛速度，并提高了克隆选择算法的全局收敛能力。然后在CDMA系统利用此算法设计了新的多用户检测器。仿真结果证明了ICSA检测器能够快速收敛到全局最优解，并且无论抗多址干扰和抗远近效应能力都优于传统方法和一些应用优化算法的多用户检测器。     

基于在线SVM的多用户检测算法及仿真

基于传统支持向量机的多用户检测算法运算量大、耗时久,无法满足实时性要求,为了解决这一问题,结合OSVC方法提出了一种新的多用户检测算法。该算法通过实时增加训练序列,利用KKT条件构造当前训练样本集,实时地调整最优分类超平面。仿真实验表明,该算法所需的支持向量较少,能有效地降低运算负载,抑制了多用户干扰和环境噪声,性能较MMSE多用户检测器有明显的提高。     

Feature evaluation and extraction based on neural network in analog circuit fault diagnosis

Choosing the right characteristic parameter is the key to fault diagnosis in analog circuit. The featureevaluation and extraction methods based on neural network are presented. Parameter evaluation of circuit features is realized by training results from neural network; the superior nonlinear mapping capability is competent for extracting fault features which are normalized and compressed subsequently. The complex classification problem on fault pattern recognition in analog circuit is transferred into feature processing stage by feature extraction based on neural network effectively, which improves the diagnosis efficiency. A fault diagnosis illustration validated this method.     

基于测试重要度的Petri网序列优化算法

针对故障诊断测试序列优化问题,提出一种基于测试重要度的Petri网序列优化算法。该方法依据测试代价原则,并引入测试重要度函数,采用Petri网全局搜索算法,在传统测试优化目标测试费用和故障检测率的基础上,选择包含故障信息量大的测试,有效缩减测试序列的长度,并结合测试代价的反馈计算,减少总体测试费用。研究表明,所提出的优化算法克服了传统算法陷入局部优化的缺点,能够有效地减少总体测试代价。