数据驱动的变速器传感器故障诊断方法

针对基于模型以及基于规则的故障诊断方法的局限性,运用数据驱动的方法对变速器传感器进行故障诊断.使用逐步回归算法建立传感器模型,将实际传感器输出与传感器模型输出相减得到残差序列;用小波包变换(WPT)对残差序列进行分解,提取节点的香农熵作为特征值;最后,用概率神经网络(PNN)对不同传感器故障的特征值进行识别.使用硬件在...     

基于概率神经网络的悬索桥损伤定位研究

概率神经网络(下称PNN)以贝叶斯概率方法描述测量数据,因而PNN可以在有噪声情况下进行结构损伤检测·提出了运用传统PNN和自适应PNN进行结构损伤检测的方法与基本原理,并分别用两种PNN模型进行了悬索桥的损伤定位研究,还讨论了测量噪声对识别精度(IA)的影响·研究发现,运用自适应PNN进行损伤定位效果极大地优于传统PNN,且随着噪声程度的增大,IA减少     

概率神经网络在大气环境质量预测实证中的应用

概率神经网络(Probabilistic Neural Network,PNN)是一种基于概率密度函数理论且泛化能力很强的神经网络,其本质上是对径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的一种重要变形,特别适合于解决分类问题。由于PNN学习算法简单,训练和泛化速度快,因此可以满足实时处理的要求;训练也不需要太多样本,新的训练样本也很容易加入到以前训练好的分类器中,很适合于在线监测。为此本文利用PNN预警模型,结合遥感傅里叶变换红外光谱技术,对大气中的易挥发有机化合物(VOCs)进行遥感、实时、在线、多组分同时监测,起到及时预警的作用。本文所用的易挥发有机化合物为氯仿、甲醇、丙酮、己烷和甲苯等五组分混合体系。预测结果表明,该预警模型具有较高的预测准确率和良好的操作性。通过与传统的反向传播人工神经网络(BP-ANN)算法的对比实验,证明PNN优于BP-ANN算法。     

概率神经网络在导弹自动驾驶仪故障诊断中的应用

首先分析基于PNN网络进行某型导弹自动驾驶仪故障诊断的可行性,并研究诊断方法的思路和建立故障诊断网络的过程。然后建立自动驾驶仪I通道故障诊断的PNN网络,并进行诊断仿真。仿真结果表明,建立的故障诊断PNN网络具有较高的故障诊断正确率,诊断效果要优于BP神经网络,满足用于导弹自动驾驶仪故障诊断的要求。     

基于卷积神经网络的无人机识别方法仿真研究

为了提高卷积神经网络(CNN)的泛化性和鲁棒性,改善无人机航行时识别目标图像的精度,提出了一种CNN与概率神经网络(PNN)相结合的混合模型。利用CNN提取多层图像表示,使用PNN提取特征对图像进行分类以替代CNN内部的BP神经网络,采用均方差和降梯度法训练模型,通过将预处理的图像传输到CNN-PNN模型,对图像纹理和轮廓进行分类识别,并将此模型的仿真结果与卷积神经网络模型、卷积神经网络-支持向量机模型的结果进行对比。仿真结果表明,与其他两种模型相比,CNN-PNN模型具有更好的精准度,识别率高达96.30%。因此,CNN-PNN模型能够快速有效地识别图像,准确度和实时性较高,在图像识别等方面具有很好的应用前景。     

基于改进LSTM神经网络的化工过程故障诊断

针对现代化工过程中数据非线性、高维度以及动态时序等特点,传统的故障诊断模型对化工过程的故障诊断精度较低.基于此,设计了一种基于改进的长短时记忆神经网络(LSTM)故障诊断方法.首先,将采集的故障数据输入卷积神经网络(CNN),对数据进行特征提取和降维;其次,将处理过的数据输入改进的LSTM网络,进行深层特征提取;最后,把提取的深层特征信息输入到注意力机制进行特征“聚焦”,实现特征融合后输入softmax分类器实现故障分类.由田纳西-伊斯曼(TE)过程诊断实验结果表明,基于改进的LSTM网络的故障诊断方法在故障分类精度、训练速度方面都更优于递归神经网络(RNN)、门控循环神经网络(GRU)、卷积神经网络(CNN)和深度自编码网络(DAEN),在实际化工过程的应用有一定的优势.     

一类基于概率神经网络的语音识别模型

介绍了采用人工神经网络,特别是概率神经网络(PNN)技术进行语音识别的原理．提出了一类基于概率神经网络的解决元音识别问题的模型,并且通过一个试验,研究了用于语音识别的PNN模型中的参数设置．试验表明,该模型对于元音的识别具有较好的识别率．     

基于RS-ANN的汽车发动机故障诊断分析

利用粗糙集理论对知识的约简能力及神经网络的分类能力,构建粗糙集-神经网络（RS-ANN）故障诊断组合模型;并将该模型应用于汽车发动机故障数据进行实例验证,该模型诊断速度快,故障诊断正确率高.     

基于BAS优化PNN网络的电机轴承故障诊断方法

针对电机轴承故障识别准确率不高问题,提出了一种天牛须搜索算法(BAS:Beetle Antennae Search)与概率神经网络(PNN:Probabilistic Neural Network)相结合的滚动轴承故障诊断方法.该方法结合LLE(Locally Linear Embedding)算法得到振动信号的敏感特...     

基于改进AHP-FCE法的绿色房地产项目评估

为提高往复泵诊断的速度和精度,提出一种通过小波阈值分析处理往复泵振动信号的故障诊断方法。通过小波阈值分析,可以有效去除往复泵振动信号与故障无关的振动信息,然后进一步提取振动信号的归一化能量,将其作为特征值。将特征值与小波包能量分解图综合分析,结合概率神经网络(PNN)对采集后的信号进行往复泵泵阀故障模式进行识别。实验结果表明:小波阈值分析与PNN结合,可以将往复泵泵阀故障类型准确识别,提高了诊断的效率,可以为工业上往复泵的使用和维修大大节约成本,也为往复机械的故障诊断提出了新的解决思路。     

基于GA-IBP神经网络的故障诊断方法

针对BP(Back Propagation)神经网络在进行故障诊断时准确度低、收敛速度慢等问题,设计了一种基于误差指针改进的BP(Improved Back Propagation,IBP)神经网络,并通过遗传算法(Genetic Algorithm,GA)对这种改进后的神经网络进行优化,从而建立了基于GA-IBP神经网络的故障诊断模型.使用典型三相逆变电路中IGBT开路故障数据作为样本,对所设计的模型进行了仿真分析.结果表明:改进后的网络模型收敛速度优于典型BP神经网络和基于GA算法优化的典型BP神经网络,故障诊断精度分别提高15%和4.5%.     

预应力混凝土梁损伤识别的神经网络方法研究

文章通过有限元分析阐明了固有频率变化率和模态置信度在损伤识别研究中的重要意义,提出了以其为损伤指标的反向传播(backpropagation,BP)神经网络和概率神经网络(probabilistic neural network,PNN)的损伤状态识别方法。为验证所提方法的实用性,对11根多级损伤状态的真实预应力混凝土梁进行识别,并与基于固有频率变化率和模态置信度的普通理论方法进行比较。研究表明,普通理论方法实用性较差,很难有效识别各梁损伤状态;而BP神经网络和PNN识别方法均能有效应用于实际中,且具有很高的损伤识别精度,为结构损伤识别方法研究提供了新思路。     

应用麻雀搜索和概率神经网络的储能电池故障诊断

储能是构建新型电力系统的核心技术,其中,锂离子电池电化学储能是当前的主要形式,对实现“双碳”目标意义重大。故障诊断对于保障电池储能系统安全运营意义重大,尤其是微小故障的准确诊断能有效预防严重故障的发生,然而,传统故障诊断方法时效性差、精度较低,难以捕捉微小故障特征。因此,提出了一种应用麻雀搜索算法(sparrow search algorithm, SSA)改进的概率神经网络(probabilistic neural network, PNN)的储能电池微小故障诊断方法。首先,通过对锂离子电池故障类别分析故障特性,提取微小故障发生后的状态特征信息;然后,将磷酸铁锂储能电池故障信号分解成一系列特征向量并输入SSA-PNN模型;最后,开展了实验验证研究。结果表明,与传统的基于误差反向传播算法的故障诊断方法相比,基于SSA-PNN的故障诊断方法精度达到99.7%,具有更高的诊断精度和实时性。     

基于BAS-BP模型的变压器故障诊断

针对变压器故障诊断中BP神经网络诊断精度不够高的缺陷,提出一种天牛须搜索(BAS)算法与BP神经网络相结合的算法.将天牛须搜索算法寻优后的初始权值和阈值作为BP神经网络的初始权值和阈值,建立模型并进行仿真测试.结果表明,与传统BP神经网络相比,新模型有效克服了训练时间长、收敛速度慢的缺点,为变压器故障诊断提出了一种新的方法.     

基于改进概率神经网络的玉米与杂草识别

针对传统概率神经网络(Probabilistic Neural Network,PNN)在杂草识别中存在识别精度低和实时性能差等的缺陷,提出了一种基于改进概率神经网络(Improved PNN,IPNN)的玉米与杂草识别方法。首先对采集的玉米与杂草彩色图像进行变换、分割等预处理以便更好地提取特征,然后提取出13个颜色和不变矩特征,并采用次优搜索法从13个特征中选择最有效特征构建特征向量,最后对传统的概率神经网络进行改进以便解决识别精度低和实时性能差的问题。仿真结果表明,与PNN、GRNN(Generalized Regression Neural Network)和Extreme learing Machine(ELM)方法相比,IPNN方法能更好地识别杂草,识别率达95%以上;且耗时更少,是PNN的3.7%,更适用于实时应用的场合。     

基于遗传算法的ENN的变压器故障诊断

可拓神经网络结合了可拓学理论和人工神经网络技术.针对变压器故障诊断的特点,提出一种基于遗传算法和可拓神经网络的电力变压器故障诊断方法.介绍了双权可拓神经网络的结构;构造了基于遗传算法和可拓神经网络的故障诊断模型和算法设计,并将其应用到电力变压器的诊断识别;通过仿真实验验证了该方法简单易行、训练误差小、收敛时间快等优点.     

基于遗传算法和神经网络的远程减速机故障诊断系统的设计

通过对减速机故障形式的分析,采用BP神经网络建立故障诊断模型,利用遗传算法优化神经网络权值、阈值、网络结构,将遗传神经网络模型应用到远程减速机的故障诊断的设计中,比较单一的神经网络和遗传神经网络的训练误差曲线,得出遗传神经网络在训练速度和准确性上远远高于神经网络训练模型.     

基于遗传算法和神经网络的远程减速机故障诊断系统的设计

通过对减速机故障形式的分析,采用BP神经网络建立故障诊断模型,利用遗传算法优化神经网络权值、阈值、网络结构,将遗传神经网络模型应用到远程减速机的故障诊断的设计中,比较单一的神经网络和遗传神经网络的训练误差曲线,得出遗传神经网络在训练速度和准确性上远远高于神经网络训练模型。     

PNN在移动学习策略分类研究中的应用——以外语学习为例

测试了不同分布密度常数对于模型分类的影响,并与标准BP神经网络的分类结果进行对比.仿真结果表明,所建立的PNN模型的分类平均准确率为96.00%,标准BP网络模型的分类平均准确率为87.33%,PNN模型的分类准确率高、泛化能力强、模型建立过程简单且训练无须太多样本.验证了将PNN用于移动学习策略分类方案的可行性.     

传感器故障诊断方法研究

传感器故障诊断是当今研究的热点领域。本文采用理论推导的方法详细介绍了基于模型的传感器故障诊断方法：卡尔曼滤波法、多重假设检验等方法;也介绍了不基于数学模型的传感器故障诊断方法：表决法、神经网络法等,并对模型法和神经网络两类故障诊断方法的优缺点进行了分析和对比;最后,还分析了现有故障诊断方法的发展趋势。