蚁群神经网络在变压器故障诊断中的应用

针对蚁群算法收敛速度慢的问题, 提出了一种改进方法, 通过为蚁群算法增加一种收敛因子, 使其在信息素的全局更新中为每次迭代产生的最优路径赋予额外的信息素增量, 降低了算法陷入局部最优解的可能性。分析了改进蚁群算法的收敛性, 并对其寻优能力进行了测试, 结果表明, 改进蚁群算法具有较强的寻优能力和较快的收敛速度。用改进蚁群算法优化神经网络并将其应用于变压器的故障诊断, 与BP神经网络诊断结果对比, 蚁群算法优化神经网络具有更快的收敛速度和更高的诊断精度。     

大型低速柴油机增压系统故障诊断的研究

提出一种适用于船用柴油机涡轮增压系统故障诊断的方法,即基于径向基函数（ＲＢＦ）神经网络模型诊断方法,并对该系统的征兆／故障样本集进行设计;采用ＭＡＴＬＡＢ语言编制仿真程序,实现增压子系统故障诊断的算法和程序设计。仿真实验结果表明本文所提出的诊断方法是可行的。     

大功率船用柴油机智能诊断系统的研究与实现

通过对船舶柴油机故障诊断仿真系统的模型,结构原理与功能的研究,着重介绍了基于ＲＢＦ神经网络故障智能诊断方法,并以实例对涡轮增压系统和气缸组件与燃料系统故障进行分析判断,指出开发实船柴油故障诊断的计算机辅助分析系统具有指导意义。     

基于蚁群神经网络船舶发电机故障诊断

BP神经网络在船舶发电机故障诊断中有广泛的应用,但由于BP网络采用的是沿梯度下降的搜索求解算法,存在收敛速度慢、且容易陷入局部极小等问题,给故障诊断带来不便.为此,采用蚁群优化算法代替反向传播算法训练神经网络的权值和阈值.以船舶发电机中的同步发电机为例,利用训练后的蚁群神经网络对其进行故障诊断,并把BP神经网络和蚁群神经网络的训练和诊断结果相比较,结果表明蚁群神经网络具有较好的训练性能、收敛速度、诊断精度和良好的故障识别率,应用于船舶发电机的故障诊断中,具有较好的应用前景.     

MATLAB环境下的船用柴油机故障诊断的模拟研究

提出一种基于径向基函数神经网络模型应用于船用柴油机故障诊断的方法,设计相应系统的征兆／故障样本集,运用ＭＡＴＬＡＢ环境下的实用工具箱－ＮｅｕｒａｌＮｅｔｗｏｒｋｓＴｏｏｌｂｏｘ对ＨＵＤＯＮＧ－Ｂ＆Ｗ６Ｌ６０ＭＣＥ大功率船用低速柴油机涡轮增压系统的故障诊断进行模拟计算,仿真结果表明,这种方法是成功的。     

改进的ACO-BP混凝土坝位移监控模型研究

为解决BP神经网络收敛慢和易陷入局部极小值的问题,利用蚁群算法(ACO)智能搜索和全局优化的特点优化BP神经网络,对其初始的权值、阈值进行寻优,从而加速神经网络的训练过程.针对标准蚁群算法在搜索中可能耗时过长以及容易陷入局部最优的问题,从路径选择策略和信息素更新方式对蚁群算法进行了改进,并与BP神经网络相结合建立了改进的ACO-BP混凝土坝位移监控模型.通过对某混凝土坝工程进行实例分析,证明了所建模型拟合及预测的有效性.     

基于Pareto蚁群算法的MVB周期轮询表优化设计

合理的多功能车辆总线(MVB)周期轮询表有助于均衡网络负荷、提高网络处理偶发信息的能力、保证实时通信的可靠性.为此提出一种有效的轮询表设计方法.将MVB周期轮询表的设计抽象成离散优化问题,根据IEC 61375-1国际标准和可调度性要求建立约束条件,将均匀度和相邻基本周期时间差作为优化目标,利用Pareto蚁群(Pareto ant colony,P-AC)算法求解.每个优化目标对应自己的信息素,信息素采用蚁群系统的规则更新,总信息素由两者加权得到,非劣解基于拥挤距离方法维护.与已有的优化算法相比,Pareto蚁群算法优化得到的轮询表均匀度更好,能够更有效地均衡网络负荷.     

增压柴油发动机无负荷测功的研究

探讨了增压柴油机无负荷测功原理 ,设计了包括软件、硬件等在内的测试系统 ,利用微机 ,在台架上对C61 90Z - 1型涡轮增压柴油机进行无负荷测功 ,并与台架试验相比较 .为增压柴油机无负荷测功及故障诊断提供了一种简便的方法     

量子化信息素蚁群优化特征选择算法

蚁群优化算法凭借其正反馈机制和强大的搜索能力被广泛地应用于各类优化问题求解上.本文试图将蚁群优化算法应用于特征选择领域并提出了新的量子化信息素蚁群优化(quantized pheromone ant colony optimization, QPACO)特征选择算法.相比于其他基于蚁群优化算法的特征选择算法,QPACO算法中采用了量子化信息素的启发式策略,改变了传统的信息素更新策略,因此避免了在搜索特征时的局部最优问题.实验采用了KNN分类器来指导学习过程,利用源于UCI数据库的多组数据集进行了相关的测试,实验结果表明,QPACO算法在分类精度、精确率、召回率和维度缩减率等方面均具有良好的性能.     

一种求解TSP问题的混合算法

结合粒子群算法、蚁群算法、重力搜索算法提出了一种新的混合算法——TSP-GPAA.该算法将粒子群算法和重力搜索算法加入到蚁群算法中,利用粒子群算法的全局搜索能力解决了蚁群算法的初始信息素匮乏的问题,并且重力搜索算法将粒子群算法和蚁群算法参数进行优化,明显提高了蚁群算法的优化性能.实验表明新算法对于解决TSP问题是有效的...     

基于自适应LS-SVM的柴油机进排气系统故障诊断

 提出了应用自适应最小二乘支持向量机和小波包能量特征的柴油机进排气系统故障诊断方法。对气门间隙异常、气阀漏气等几种常见故障和系统正常运行进行小波包分解,提取频带能量作为支持向量机的输入特征向量;然后,利用自适应优化算法对最小二乘支持向量机进行优化;最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行故障分类和识别。对比实验表明,与BP神经网络和采用交叉验证的传统最小二乘支持向量机相比,该方法可克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,提高了传统最小二乘支持向量机算法的寻优速度,在样本数较小时仍可取得较好的效果,能有效诊断柴油机进排气系统故障。     

变异蚁群神经网络及其对DTC转速的辨识

将变异机制引入基本蚁群算法中，然后利用这种变异蚁群算法去优化神经网络的权值，有效地解决了神经网络容易陷入极小点的缺点，同时又远比只采用单一的基本蚁群算法提高了收敛速度，从而得到一种时间效率和求解效率都比较好的启发式方法，即变异蚁群神经网络．通过对直接转矩控制中电机转速进行辨识的仿真实验，结果表明：这种变异蚁群神经网络兼具了神经网络和蚁群算法两方面的优点，不仅具有广泛的映射能力，还明显提高了运算效率，用变异蚁群神经网络构造的转速辨识器能够准确地跟踪电机转速的变化，使系统具有良好的动态性能．     

基于改进灰狼算法-BP神经网络的智能巡检机器人电磁兼容故障诊断

智能巡检机器人巡检电力线路时可能受到电磁干扰而影响工作甚至发生故障,为有效地完成智能巡检机器人电磁兼容故障的诊断,本文提出一种基于改进灰狼算法优化BP神经网络(TGWO-BP)的故障诊断模型。由于智能巡检机器人电磁兼容故障征兆与故障原因之间具有复杂的非线性关系,采用一般BP神经网络诊断模型存在着收敛速度较慢,易陷入局部最优,诊断准确率偏低的缺陷。针对以上问题,文中利用改进灰狼算法优化BP神经网络的权值与阈值,将优化后的BP神经网络应用于智能巡检机器人电磁兼容故障诊断。仿真结果表明,相比于GWO-BP神经网络和一般BP神经网络,TGWO-BP神经网络诊断模型收敛速度加快,网络泛化能力增强,故障诊断准确率提高。     

GA-Elman网络的网络控制系统预测

为了消除网络时延对网络控制系统的影响,采用Elman神经网络预测系统时延采样值,并用遗传算法优化神经网络权值阈值.实验仿真表明:经遗传算法优化后的Elman神经网络具有很好的预测精度及动态性能,能够消除时延的影响,并验证了该方法对时延采样值预测的有效性.     

柴油机故障诊断技术的现状及展望

柴油机作为一种复杂动力机械,其运行状态监测和故障诊断技术越来越受到人们的关注。在柴油机故障诊断领域,信号处理、故障特征提取及识别方法已初具雏形,但离实用化还有一定距离。笔者分析了柴油机常见故障及影响因素,综述了现代柴油机故障诊断技术中常用的各种基于振动信号的时频分析法、瞬时转速波动法、铁谱及光谱分析法、灰色系统理论诊断法、神经网络诊断法及专家系统诊断法的原理、特点及不足,最后指出了柴油机故障诊断的难点和发展方向。     

基于复Morlet变换和改进AlexNet神经网络的柴油机气门间隙异常故障诊断方法

针对柴油机缸盖振动信号非线性、非平稳的特点,以及传统故障诊断方法需要先验知识且特征提取费时费力的缺点,提出了一种基于复Morlet变换和改进AlexNet神经网络的柴油机气门间隙异常故障诊断方法。首先通过复Morlet小波将柴油机缸盖振动信号转换为时频图,该变换包含了信号的时频域信息,比单一的时域或频域信号更适合分析柴油机缸盖振动这种非平稳信号;其次将时频图输入至AlexNet神经网络进行特征自动提取并建立故障诊断模型,解决了传统手工提取特征费时费力且需要专家经验的问题;然后通过Batch Normalization和Dropout技术改进网络结构,并优化神经网络超参数以提高模型的准确度和计算效率;最后将本文方法与传统的故障诊断方法应用于柴油机气门间隙异常故障诊断并进行对比,发现其诊断准确率最高,验证了所提方法的优越性。     

基于分形和神经网络的柴油机振动诊断方法

提出了一种基于分形理论和神经网络技术的柴油机振动诊断方法,首先对柴油机的振动信号进行小波降噪,然后提取相应的不同迭代阶数的广义分形维数,并将其作为RBF神经网络的输人参数,以运行工况作为输出参数训练神经网络模型．训练后的神经网络可以利用测量的振动信号来判断柴油机的故障状况．实验及仿真结果表明：采用的小波降噪技术可以较好地再现振动信号特征,有效提高故障识别率;同时基于分形和神经网络技术的诊断方法在柴油机故障诊断中是有效可行的,对于单个故障的正确识别率达到了100％,具有较高的工程适用性,对其他复杂机械的振动诊断同样具有参考价值．     

基于聚类蚁群算法的物流最优路径

在物流网络系统中,物品的配送是重要的一环,一个科学的物流配送路径,不仅能在一定程度上降低物品的配送时间,而且能有效的降低运输资源的占用,这极大的降低了物流企业的运营成本。针对物流配送路径的最优解问题,有大量的学者进行了相关研究,主要有遗传算法、蚁群算法、生物地理学算法等,其中以蚁群算法应用最为广泛;但这些算法都只是在物流运输的路径上进行优化,并没有考虑空载率以及客户对送货时间的要求。为了克服此缺点,本文在蚁群算法的基础上加入空载率和时间窗的要素,对传统的蚁群算法进行优化。实验结果表明,与传统的蚁群算法相比,该算法可以有效的节约物流运输资源。     

两种优化容错神经网络在输配电网诊断模型中性能的评估

为提高故障诊断系统的容错能力,提出了将故障信息受随机因素畸变的扩展故障样本集引入神经网络(neural network,NN)的容错训练,以提高NN的容错性能,通过基于蚁群优化算法(ant colony optimization algorithm,ACOA)和遗传算法(genetic algorithm,GA)构造2种优化NN,用于高压输电线系统和配电网故障诊断,并进行容错性能的评估．仿真测试表明,基于ACOA法诊断模型的容错性能都要优于广泛应用GA的诊断模型,分别提高5．91%和4．95%．ACOA优化NN不仅具有较好的泛化能力,且具有快的收敛速率．     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型，并基于正交试验获得的训练样本对网络进行学习，以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础，用蚁群算法来学习神经网络的权系数。利用反演结果，建立快速拉格朗日快速计算法（FLAC）模型，对地表沉陷进行预测。结果表明：用蚁群算法训练神经网络，可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。