神经元控制器在感应电机矢量控制中的应用

神经网络具有自学习、自适应能力，用于控制时可以不依赖控制对象的数学模型．为实现对交流电机快速和精确控制，基于单神经元设计出用于感应电机矢量控制的自适应碰饺和转速控制器，利用神经元的自学习功能在线调节连接权重，实现自适应控制．并将此设计应用于交流电机矢量控制系统中，数字仿真实验表明此方法设计的控制器可克服传统PID控制器在电机参数改变时控制性能差等不足，动态特性好，鲁捧性强．该设计结构简单，实际应用时易于实现数字化．     

基于神经网络的传感器故障监测与诊断方法研究

提出了一种基于神经网络的传感器故障监测与诊断的新方法。该方法先用BP网络的预测输出和传感器实际输出之差来判断传感器是否发生了故障，然后用函数型连接神经网络模拟传感器的输出特性函数，通过计算神经元连接权值的变化，确定传感器哪个输出特性参数发生了变化，最终推断传感器发生了哪一类故障。该方法的特点是只需要知道一个传感器的信息。电阻应变式力传感器故障诊断实验结果证明了该方法的实用性，为传感器故障监测与诊断提供了一条新途径。     

柴油机故障诊断的Fisher判别分析方法

针对柴油机故障诊断中往往出现故障的症状在识别空间重叠这一问题进行了研究，采用Fisher判别分析方法，在识别空间使各类故障自身进行聚类，而不同故障类别间则放大差异，实际运用结果表明，这种方法对比较复杂的难以区分的故障现象有效的。     

A classifier based on rough set and relevance vector machine for disease diagnosis

A new intelligent method for disease diagnosis based on rough set theory (RST) and the relevance vector machine (RVM) for classification is presented as the rough relevance vector machine (RRVM). The RRVM mixes rough set’s strong rule extraction ability with the excellent classification ability of the relevance vector machine through preprocessing initial information, reducing data, and training the relevance vector machine. Compared with traditional intelligence methods such as neural network (NN), support vector machine (SVM), and relevance vector machine (RVM), this method manages to identify disease samples objectively and effectively with less transcendental information. Biography: LI Dingfang (1965–), male, Professor, Ph. D., research direction: computational learning theory, computing in science and engineering.     

基于EEMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出基于总体平均经验模态分解(EEMD)和支持向量机的齿轮故障诊断方法.通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断齿轮的工作状态和故障类型.实验结果表明:文中提出的方法能有效地应用于齿轮的故障诊断.     

基于模糊神经网络的MVB故障诊断算法

针对多功能车辆总线具有随机性和不确定性导致故障诊断准确率较低的问题, 设计一种基于模糊神经网络的MVB故障诊断算法. 首先根据MVB故障类型给出诊断模型, 然后采用减法聚类生成数量较少的模糊规则, 最后采用T-S模糊神经网络对故障进行分类. 在MATLAB环境下对该算法的拟合能力及诊断准确率进行仿真分析的结果表明, 该算法简化了模糊神经网络结构, 有效提高了故障诊断准确率.     

人工神经网络在车辆故障诊断中的应用

人工神经网络具有适合于解决复杂的非线性问题的特点,因此经常被用于车辆故障诊断。该文介绍人工神经网络的基本原理以及网络结构,通过利用Matlab人工神经网络工具箱,建立某车辆动力总成BP单网络结构的故障诊断模型,提出基于人工神经网络的车辆故障诊断方法。由于各类人工神经网络在处理复杂问题时均有不足之处,该文进一步研究混合网络的工作原理及其在车辆故障诊断中的应用,并认为此类方法将是人工神经网络在车辆故障诊断研究领域的主要发展方向。     

多时滞不确定非线性系统传感器鲁棒故障诊断

提出了一种带有多时滞不确定非线性系统的传感器鲁棒故障诊断方案,非线性仅与系统输入和输出有关,不确定性包括系统输入和状态等环节;通过构造观测器对状态和输出进行估计,得到具有鲁棒性的阈值;若系统的实际输出与估计输出之差(即残差)超出阈值,说明有故障发生,同时用自适应跟踪器对故障进行跟踪;在理论上证明了该方案的鲁棒性、灵敏度和稳定性,最后通过仿真说明了该方法的有效性。     

基于多角度特征提取的舵机故障诊断方法

针对舵机故障中的抖动问题,提出一种基于多角度特征提取的故障诊断方法.利用短时分析法分帧舵机数据,以获得短时平稳的时间序列;引入能熵比概念提取舵机数据帧内的电流特征,并利用动态时间规整思想提取舵机数据帧内的位置特征,形成多角度特征以增强输入特征的显著性.在此基础上,利用双向长短时记忆网络提高后续舵机故障分类过程的准确性.通过某型舵机抖动实测数据的仿真,并与传统长短时记忆网络的故障诊断结果比较,验证了所提方法的有效性.     

液压泵故障诊断稀疏编码方法研究

针对液压泵故障特征难以提取、诊断过程复杂、自动化程度低等特点,将稀疏编码方法应用于液压泵故障诊断.通过对液压泵泵壳处振动信号进行时频域变换,将变换后的信号作为样本,采用K-SVD算法对训练样本进行字典学习以获取字典,利用正交匹配追踪算法对测试信号进行分解与重构,通过不同类别字典对测试信号的重构率大小进行故障种类识别,实现液压泵故障分类.通过试验验证并与BP神经网络、支持向量机对比,结果表明稀疏编码方法具有对故障识别速度快、准确率高、稳定性好等优点,可以有效地实现对液压泵故障的诊断.