基于RBF神经网络和定性趋势分析的传感器故障诊断

针对传感器偏置故障及漂移故障,提出了一种基于RBF神经网络和定性趋势分析的传感器故障诊断方法.该方法充分利用控制系统闭环回路测控信息,建立RBF神经网络预测器,通过将RBF神经网络的预测输出值与传感器实际输出相比较获取残差序列,根据残差首先判断传感器是否发生故障,然后用定性趋势分析方法获得传感器偏置故障和漂移故障的辨识...     

基于多级RBF神经网络集成的传感器故障诊断研究

针对诊断传感器偏置故障及漂移故障的难点问题，提出了一种基于多级RBF神经网络集成的传感器故障诊断方法。该方法充分利用控制系统闭环回路测控信息，建立多级神经网络集成观测器模型。将输出与传感器实际输出相比较获取残差序列，获得基于残差序列的传感器偏置故障和漂移故障的辨识策略，实现控制系统传感器故障在线诊断。将三容水箱液位控制系统作为仿真对象，仿真结果表明该方法不仅可以提高单一神经网络的运算精度，而且采用RBF神经网络集成方式还要优于其他集成方式，可以快速准确地检测和分离传感器故障，辨识传感器故障类型、故障大小以及故障发生的时间。     

基于神经网络的整流罩空调系统传感器故障诊断

针对卫星整流罩空调系统中传感器故障问题,分析了其典型故障模式及影响因素,构建了传感器故障诊断系统模型,提出了利用空调监控系统采集的历史数据建立径向基神经网络估计器的传感器故障诊断方法。将估计器应用于空调系统表冷器控制单元,对传感器的偏置故障和精度下降故障进行了模拟故障仿真应用实验,实验结果表明了该故障诊断方法的有效性和正确性。     

两级信息融合技术在柴油机故障诊断中的应用

针对传统神经网络在故障诊断中因测点信息多而导致的网络庞大、收敛困难等问题,引入集成神经网络,提高了融合诊断效率;同时引入基于D-S证据理论,这种决策融合方法解决了集成神经网络各个子网诊断结果不一致的问题。在应用于柴油机故障诊断时,首先对测取的正常和故障样本进行小波包AR谱分析,同时提取各个特征频带的能量分别作为集成神经网络对应子网的输入进行诊断,当其无法确定诊断结果时,再运用证据理论进行决策融合输出最终诊断结果。试验证明:基于集成神经网络和D-S证据理论的两级综合诊断模型提高了诊断的准确性和可靠性。     

基于改进核极限学习机和集成学习理论的目标机动轨迹预测

为了提高目标轨迹预测的精度以及预测模型的泛化能力,提出基于改进蝙蝠算法优化的核极限学习机(Kernel Extreme Learning Machine,KELM)和集成学习理论目标机动轨迹预测模型。构建KELM模型,并采用改进的蝙蝠算法对KELM的参数进行优化;以优化后的KELM神经网络为弱预测器,结合集成学习算法生成强预测器,通过训练不断优化强预测的结构和参数,得到一种基于集成学习理论的目标机动轨迹预测模型;基于不同规模的样本,将所得预测模型与逆传播神经网络、支持向量机和极限学习机等模型进行对比分析。仿真结果表明:所提目标机动轨迹预测模型具有较好的预测精度和泛化能力。     

基于小波神经网络的MEMS陀螺输出预测方法

为了解决弹载MEMS陀螺实时输出预测问题,提高陀螺输出预测精度并减小计算量,通过分析弹载陀螺信号时间序列特性,结合小波分析和神经网络两种方法的优势,提出了一种基于小波神经网络的MEMS陀螺输出预测方法。选取并优化神经网络结构参数,利用实测陀螺数据对建立的小波神经网络进行训练,并预测出未来一段较短时间的陀螺输出值。与陀螺实测值和ARMA模型预测结果的对比发现,小波神经网络方法有效地提高了MEMS陀螺输出预测的精度、减小了计算量,从而验证了该方法的有效性和精度。     

RBF神经网络在单轴旋转惯导系统轴向陀螺漂移辨识中的应用

在激光陀螺单轴旋转惯性导航系统中,单轴旋转可以自动补偿垂直于旋转轴上的惯性器件误差,却不能消除旋转轴方向上惯性器件的误差,因此单轴旋转惯性导航系统的导航精度主要由轴向陀螺漂移决定.提出了一种基于径向基函数神经网络的轴向陀螺漂移辨识方法,利用系统纬度误差和温度变化量作为训练集,针对系统热态、冷态两种情况对RBF神经网络进行训练,对轴向陀螺漂移的辨识精度达到0.0003°/h.试验结果表明:该方法能够有效地辨识轴向陀螺漂移,使系统达到较高的导航精度,满足实际应用的需要.     

粗糙神经网络的航空电子系统故障诊断方法

提出了一种基于粗糙神经网络的航空电子系统故障诊断方法.该方法运用粗糙集理论进行知识规则的提取,用提取的规则对航空电子系统输出数据进行分类,再用神经网络对每一类进行辨识,最后用粗糙集分类结果与各个神经网络输出进行综合得到系统一步预测结果,将该预测结果与航空电子系统实际输出进行阀值比较,进而进行故障诊断.实际应用表明该方法可行并能够有效地检测系统故障,故障诊断率高.     

模拟电路的DCNN-ELM软故障诊断

为提高模拟电路的软故障诊断能力,提出一种基于深度卷积神经网络(DCNN)特征提取的极限学习机(ELM)诊断方法.先利用DCNN在特征提取方面的优势,从含有电路故障信息的信号中自主提取有辨识力的特征;利用ELM出色的分类性能,构建获取特征的故障诊断模型;通过Sallen-Key带通滤波器电路的故障诊断实验对提出方法进行了验证.仿真结果表明,提出的基于DCNN的故障特征提取方法优于传统KPCA与KSLPP方法,与ELM分类器集成后得到的诊断准确率达到98.2％,有助于改善模拟电路的故障诊断精度,从而验证了其可行性和有效性.     

基于系统仿真的故障检测与辨识技术研究

本文将系统仿真技术应用于故障检测与诊断(FDD),提出了通过实测信息在线交互减小解决理论轨线偏差的思想,建立了基于系统仿真FDD逻辑结构,针对MIMO系统和线性动态-测量系统构造了具有良好统计性质的故障辨识算法,为故障检测、故障辨识、故障时间的确定和故障模式识别提供了实现的可能性。本文的思想和方法不但可用于CVDS的故障检测与诊断,对大规模复杂系统的故障分析也具有借鉴和参考价值。     

基于多级神经网络的类型融合

研究了基于多级神经网络的类型融合方法。这种多级神经网络分为传感器子网和融合子网两部分。传感器子网是一种基于专家规则的模糊神经网络,根据专家规则确定网络结构,网络节点和传递函数都有明确的意义,避免了普通神经网络层数和隐层节点数难以确定的缺点。经过训练的传感器子网能够实现各目标类型的置信度分配,然后用融合子网对多个传感器子网输出结果进行融合,得到目标类型的最终判决。在融合子网中,加入了各传感器的可信度,使融合结果更可靠。仿真结果表明,此方法鲁棒性强,识别率高。     

基于NNLI技术的齿轮箱故障诊断

将NNLI技术应用到齿轮箱的故障诊断中,提出了基于NNLI的特征提取方法,并将该方法与神经网络结合起来,进一步提出基于NNLI特征提取的神经网络故障诊断方法,给出了两种不同的网络分类器,通过齿轮箱故障诊断实例验证了该方法的有效性。     

采用神经网络技术降低机电设备BIT虚警

机电设备 Ｂ Ｉ Ｔ 的突出问题是虚警率高，重要原因之一是 Ｂ Ｉ Ｔ 系统传感器通路故障。本文选取神经网络技术进行传感器通路故障诊断，剖析某大型船舶动力装置机电设备 Ｂ Ｉ Ｔ 系统中传感器通路的故障机理和类型，得到其故障样本数据，经过神经网络学习训练后对实际系统进行故障诊断和识别，实验结果表明该方法简洁、有效，能够有效地诊断故障并识别出故障类型，具有实用价值。     

基于粗糙神经网络和网络撕裂的故障诊断方法

利用网络撕裂法逐层将复杂装备撕裂为较为简单的单元,并充分利用粗糙集和神经网络融合方法的优点进行故障诊断。提出了基于粗糙神经网络的网络撕裂故障诊断方法,总结出基于粗糙神经网络和网络撕裂的故障算法流程图。以L-F滤波器为例进行实验,结果证明:该算法明显优于普通的基于粗糙神经网络的故障诊断方法,网络结构得到简化,训练速度得到加快。     

基于粗糙集与神经网络相结合的模拟电路故障诊断

针对当神经网络输入端维数比较大造成在模拟电路故障诊断中BP神经网络结构庞大,从而影响到诊断速度以及正确率的问题,结合粗糙集理论和神经网络在信息处理方面的优势,建立了一个基于粗糙集理论和BP神经网络相结合的模拟电路故障诊断模型。通过对某装备位置调节器板的故障诊断过程表明,该模型简化了网络数据样本的维数,优化了神经网络结构,提高了系统的诊断正确率与诊断速度。     

基于BP神经网络的装备故障诊断专家系统研究

分析了神经网络和专家系统的特点,提出了基于BP神经网络与专家系统结合的某装备的故障诊断方法,构造了BP神经网络的装备故障诊断专家系统的诊断模型,克服了传统专家系统在知识获取和表达的薄弱环节,并用了某型装备的故障实际数据进行了验证,结果表明了神经网络与专家系统结合是一种有效的诊断方法。