分级小波神经网络在故障诊断中的应用

提出一种分级小波神经网络结构,可实现单一故障样本训练的神经网络与组合神经网络相结合,对单一故障和多发故障都能做出正确的判断,诊断结果准确可靠.     

组合多重神经网络动态系统鲁棒故障检测与诊断

利用Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据理论，通过组合多重神经网络分类器，对一控制系统中的校正网络进行故障检测与诊断．单个神经网络分类器对某些特定的特征量进行分类，对应实际系统特征量的网络输出值与相应训练用特征集的网络输出均值之间的广义距离为单个分类器输出的实际系统属于某类的度量值．证据理论采用简单支撑集假设下的证据组合形式，最终的输出为综合多个神经网络输出后的结果．实际应用表明，此方法可以检测与诊断出单一分类器不能发现的故障，同时也减少了利用单个分类器对不同故障进行检测与诊断时的不精确性     

一种全连接粒神经网络分类方法

全连接神经网络需要大量的数据支持，才能训练好一个分类网络，往往现实中没有提供大量的数据供给网络训练。针对全连接神经网络缺少数据训练会使网络分类效果不佳这个问题，研究粒计算理论，从不同角度增广数据并进行粒化，提出一种全连接粒神经网络的分类方法。首先，该网络对所有样本进行单特征参照样本相似度粒化，形成参照样本粒子。同时引入邻域判别函数进行邻域粒化，形成邻域粒子。一个样本上的多个特征粒子构成一个粒向量，将构造的粒向量输入到该网络进行分类，进而提出了全连接粒神经网络。在多个UCI数据集上实验，用全连接粒神经网络和不同的分类算法进行比较，其结果表明了所提出的全连接粒神经网络分类方法的正确性与有效性。     

多光谱卫星云图的SOFM-PNN网络耦合的云分类模型

针对单一类型的神经网络分类器难以正确区分和有效识别复杂云类特征的缺陷,本文基于静止气象卫星云图多光谱云类样本,通过计算、分析云图灰度、梯度与纹理特征,提取了云分类最佳判别因子,建立了自组织网络（SOFM）与概率神经网络（PNN）的综合云分类器优化模型．该分类器首先利用自组织网络对云类样本进行无监督初始分类,确定出相似样本子集;随后用概率神经网络对初始分类误差进行有监督修正和分类结果的二次优化判别．试验结果表明,该分类器可有效提高云类判别效果,分类结果的总正确率达到92．4％,Kappa系数为90．82,明显优于单一的统计分类器判别效果．     

汽轮发电机多故障诊断的SOM神经网络方法

汽轮发电机组的振动故障具有多样性的特点,经常出现多种故障同时发生的情况.传统的BP神经网络方法可对单一故障有效诊断,若要对多故障进行诊断,则需对各种多故障样本进行学习,使输入空间在训练过程中被样本空间完全覆盖,将大大增加样本空间及学习训练负担,同时网络归纳、联想能力随之大幅度下降,诊断难以实施.因此,将自组织特征映射(SOM)神经网络应用于汽轮发电机组的振动多故障诊断,用单一故障样本对网络进行训练,根据输出神经元在输出层的位置对多故障进行判断.经实例分析证明,该方法可对多故障进行有效诊断.     

基于Volterra级数与神经网络的非线性网络的频域故障字典诊断法

提出了用Volterra频域核(传递函数)作为故障特征对非线性定常动态网络进行故障诊断的方法，即计算出网络响应在各种常见故障状态下的Volterra级数解的各阶频域核(3～4阶即可)，并将其输入给BP神经网络(BPNN)．利用BPNN的分类功能建立故障字典，对实测的故障网络的各阶频域核进行测试样本分类，实现故障诊断．给出了各阶频域核的统一递推算式，并讨论了Volterra频域核的实验测量方法以及基于人工神经网络(ANN)的求解方法．     

基于遗传自适应RBFN的歼击机故障分类方法

在模式识别领域中,如何实现更高精度地分类一直是个核心问题.提出了将自适应RBF神经网络与遗传算法相结合的方法,其中自适应RBF神经网络通过对样本判断,自动实现对RBF网络添加新的隐层节点,或者将样本归于已存在的隐层节点所属的类.遗传算法用于寻找最优的网络宽度值.两者相结合最后确定一个隐层节点数与类别数相同的简省的网络.用歼击机故障数据进行仿真,比较结果表明此方法能实现更高精度的分类.     

基于组合神经网络和模糊聚类的话者分类

基于话者分类的自适应语音识别是实现非限定人、大字表语音识别的一种很有前途的有效方法．本文设计了一种用于话者分类的主从式组合神经网络，以神经预测模型作为从网络，可以从短语音（一个音节，约０．３秒）中有效地提取、规正和压缩话者个人性信息；主网络采用具有很强聚类功能的自组织特征映射网络．针对话者个人性信息的模糊性，提出了模糊系统聚类算法和双类心聚类算法．实验验证了组合神经网络对于话者分类的有效性以及模糊聚类算法对不同文本的语音样本具有较好的适应性     

基于小波分析和Kohonen神经网络的滚动轴承故障分析

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,在对振动信号进行采集和处理的基础上,提出了小波变换与Kohonen神经网络(SOM)相结合的滚动轴承故障诊断新方法.运用该方法在滚动轴承实验台上进行实验,用小波分析提取振动信号的特征值后,应用SOM网络对数据进行分类得到各种故障类型的标准样本,通过故障样本与标准样本...     

一种基于模糊推理的神经网络学习算法

提出了一种新的神经网络学习算法．相对于其他学习算法，该算法侧重于网络参数的调整，通过对样本集的模糊推理、调整和分类学习来实现自适应的神经网络学习．结果表明，该算法能大大提高神经网络的学习速度和学习效率，并能从样本集中得到反常样本和小概率事件样本，对小概率事件样本有很好的学习能力．     

可诊断非线性电路直流故障的神经网络方法

测后诊断速度和诊断精度是模拟电路故障诊断性能的主要衡量指标。文中将神经网络的自学习和分类技术应用于非线性电路直流故障诊断，把反向传播（ＢＰ）网络训练成一部能诊断软、硬单故障的故障字典。考虑元件参数容差对诊断的影响，提出了优选训练样本的具体方法。此外，重新定义了ＢＰ网络的输出误差函数，使网络在训练时有较大的自由度。ＢＰ网络高度并行的信息处理能力决定了这种新型故障字典的诊断速度非常快。仿真实验结果表明，神经网络方法的综合性能要优于传统的故障字典法。     

汽轮发电机组故障诊断的复合式进化网络

提出了一种复合式神经网络结构,并用于大型汽轮发电机组的故障诊断．该神经网络集成一系列的ＢＰ网络,来完成故障分类任务．每个ＢＰ子网络只有一个输出结点并对应于一种特定的状态．子网络的权值通过基因算法进化确定,从而使训练过程可以实时进行．通过这种方法不仅可以对已知故障进行分类,而且可以对存在的新的故障进行识别．一种基于这种结构的实用诊断系统已经投入使用．     

基于神经网络的模拟电路故障诊断

探讨了基于故障字典法和基于神经网络的故障诊断方法,利用自组织特征映射神经网络进行模拟电路故障诊断,根据神经网络的输出结果可以判断发生故障的类型.自组织特征映射神经网络聚类能力强、速度快,因此很适合复杂系统的故障诊断.     

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,提出一种基于改进灰狼算法(improved grey wolf optimizer, IGWO)优化BP神经网络(IGWO-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,利用IGWO-BP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,IGWO-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。     

一种基于RBF神经网络的传感器故障诊断方法

针对传感器故障，提出了一种基于RBF神经网络的集成故障诊断方法，用RBF神经网络建立传感器故障模型，对系统的状态和故障参数进行在线估计，然后将故障参数与修正的Bayes分类算法（MB算法）相结合，进行传感器故障在线检测、分离和估计。对连续搅拌釜式反应器（CSTR）的仿真结果表明，该集成故障诊断方法能够对多重传感器进行故障进行快速准确的分离和估计，并对传感器故障具有容错性。     

基于神经网络的故障诊断推理方法

针对传统诊断技术的局限性,研究了基于ＢＰ模型神经网络的故障诊断推理方法,它只需选择足够的具有代表性的故障样本训练神经网络,将代表故障的信息输入给训练好的神经网络,根据神经网络的输出结果,就可以判断发生故障的类型．神经网络一旦训练好,由于其具有容错性,不仅能诊断出已经出现过的故障,还能在一定范围内诊断出从未出现过的故障,使故障诊断智能化和简单化．仿真结果表明,基于神经网络的故障诊断方法是行之有效的     

递阶结构进化神经网络在故障诊断中的应用

主要研究进化神经网络在旋转机械故障诊断中的应用 ,提出了一种基于递阶结构的遗传算法与进化规划相结合的神经网络学习新算法 ,利用该算法可以同时对网络进行结构优化和权重求解。通过旋转机械故障分类应用实例 ,与传统的 BP训练算法作了比较 ,证明基于递阶结构的进化神经网络算法不仅在权重训练方面比传统 BP训练算法更加快速稳定 ,避免陷入局部极小点 ,而且同时对网络结构进行了优化 ,得到了结构更为简捷的旋转机械故障分类网络     

基于改进信息熵和LSTM网络的轴承故障诊断

针对传统的时频域故障诊断方法无法对故障实现自适应识别和分类,且准确率较低的问题,提出一种基于改进信息熵(improved information entropy, IIE)的长短时记忆网络(long-short time memory network, LSTM)方法。首先对原始信号分别进行集合经验模态分解(ensemble empirical mode decomposition, EEMD)和变分模态分解(variational mode decomposition, VMD);将包含故障信息的所有本征模式分量(intrinsic mode functions, IMF)进行信息熵的求取;通过信息熵反映IMF的信息量和峭度指标对描述冲击成分的优势改进信息熵,构成特征向量;最后结合LSTM处理非线性数据的优势,利用组合特征训练LSTM网络建立诊断模型。实验结果表明：该方法能准确、高效地识别多种故障,准确率要比单一的EEMD-LSTM、VMD-LSTM、人工神经网络等传统方法更高。     

基于改进型深度网络数据融合的滚动轴承故障识别

针对传统智能诊断方法依赖于信号处理和故障诊断经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合softmax分类器,针对数据集不平衡问题引入加权损失函数、正则化以及批量归一化等模型优化技术搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。模型从原始实测轴承振动信号出发逐层学习实现特征提取与目标分类。实验结果表明,优化后的深度学习模型可实现对早期微弱故障、不同程度故障的精确识别,在不平衡数据集上也可达到95%的识别准确率,并且模型拥有较快的收敛速度和较强的泛化能力。     

Fuzzy ARTMAP neural network for seafloor classification from multibeam sonar data

This paper presents a seafloor classification method of multibeam sonar data, based on the use of Adaptive Resonance Theory （ART） neural networks. A general ART-based neural network, Fuzzy ARTMAP, has been proposed for seafloor classification of multibeam sonar data. An evolutionary strategy was used to generate new training samples near the cluster boundaries of the neural network, therefore the weights can be revised and refined by supervised learning. The proposed method resolves the training problem for Fuzzy ARTMAP neural networks, which are applied to seafloor classification of multibeam sonar data when there are less than adequate ground-troth samples. The results were synthetically analyzed in comparison with the standard Fuzzy ARTMAP network and a conventional Bayesian classifier. The conclusion can be drawn that Fuzzy ARTMAP neural networks combining with GA algorithms can be alternative powerful tools for seafloor classification of multibeam sonar data.