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,提出了一种基于神经网络集成的传感器故障诊断方法。该方法将传感器输出看做时间序列,通过加噪声生成抖动数据,建立多组神经网络,以获得神经网络集成预测器输出。通过将预测器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,实现传感器故障在线诊断。应用结果表明该方法可以提高神经网络的运算精度,从而快速准确地检测和分离传感器故障,辨识传感器故障类型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。     

基于K-means-RBF的机载传感器评估

针对传统RBF神经网络存在的高维数据学习训练问题,采用K-means聚类算法设计RBF神经网络数据中心,建立基于聚类RBF神经网络的机载传感器精度评估模型,运用改进的RBF神经网络对机载传感器系统进行精度评估研究.仿真研究结果表明,与传统RBF神经网络评估算法相比,该算法有效减少评估时间,提高预测精度,表明算法是合理和有效的.     

RBF神经网络在飞艇单发停车故障中的应用

针对飞艇单发停车故障,提出了一种基于径向基神经网络的模型跟随非线性重构控制策略,并使用遗传算法对RBF网络进行了优化.该方法通过响应误差构造神经网络的学习规则,神经网络的输出驱动系统向着消除误差的方向运动.理论分析和仿真验证表明,该控制策略具有良好的重构性能和鲁棒性.     

一种基于解析冗余关系的半定性故障隔离方法在航天器推进系统中的应用

针对航天器推进系统的时变特性以及随机因素给故障隔离带来的困难,提出了基于Z-检验分析和解析冗余关系相结合的半定性故障隔离方法。基于状态空间转换的思想,运用基于系统诊断键合图模型建立的解析冗余关系挖掘系统时不变的结构特征空间信息,并对解析冗余关系残差进行趋势分析获取时不变、具有残差变化方向的故障特征矩阵,针对存在随机因素对残差定性化的影响,利用了Z-检验分析对残差进行定性化获取观察特征,通过观测特征与故障特征的比较进行系统故障隔离。将该方法应用于推进系统的故障隔离中,结果证明了该方法能有效避免获取推进系统时变诊断准则以及来自系统建模和参数测量等随机因素的干扰,提高了推进系统故障隔离的鲁棒性。     

支持向量机动态多分类方法

针对支持向量机分类中存在盲区的问题,在分析多分类支持向量机构建方法的基础上,采用二叉树支持向量机,通过类型知识库动态更新,建立了二叉树支持向量机动态多分类模型;选取径向基函数作为核函数,给出了提高多分类模型性能的核参数和惩罚因子寻优遗传算法;以卫星整流罩空调系统表冷器控制单元为仿真实验对象,建立了传感器偏置故障、漂移故障、完全故障和精度下降故障的多分类模型,验证了提出方法的有效性。     

六维力传感器静态解耦方法

在系统分析六维力传感器线性解耦基本原理的基础上,依据各向同性指标比较分析了基于克拉默法则和最小二来法线性解耦算法的优劣,建立了RBF神经网络非线性解耦模型.研究结果表明:与克拉默法则相比,最小二乘法得到的标定矩阵具有更优的各向同性;以径向基神经网络逼近广义力向量和输出电压之间的函数关系可大大减小六维力传感器的线性误差和维间耦合,其总体误差低于1％FS.     

基于PCA-RBF网络的储运过程管道堵塞故障诊断方法

针对现代储运过程管道堵塞故障诊断时,提取的过程参数多导致诊断速度慢、性能差等问题,提出了基于主成分分析（PCA）和径向基函数（RBF）神经网络故障的诊断方法。首先利用PCA方法对储运过程高维历史数据矩阵进行特征提取,提取的故障特征信息作为训练集,并给出故障特征信息的分类号;然后将其作为RBF神经网络分类器的输入输出进行故障模式识别。仿真实验表明：该方法应用于储运过程管道堵塞故障诊断,不仅大幅度地降低了诊断模型的训练时间,而且提高了诊断正确率。     

基于BP神经网络的极移预报*

为了提高地球定向参数极移的预报精度,建立了一个极移数据预报模型。利用傅里叶分析研究插值基础序列的周期特性,验证了基础序列重采样的可行性,提取插值基础序列数据的趋势项,利用多输入-单输出BP神经网络建模预报不同跨度的残差序列,合并趋势项和残差序列得到最终的极移预报。预报结果表明,选取合适的插值基础序列得到的预报极移精度较高,此BP神经网络能够有效地应用于地球定向参数极移的预报。     

RBF神经网络在异步电机故障诊断中的应用

将径向基(RBF)神经网络应用到电机的故障诊断中,建立了异步电机的RBF神经网络诊断模型。为了克服RBF神经网络学习算法的不足,引入了差分进化(DE)算法,并且利用了差分进化(DE)算法的全局搜索能力来优化RBF神经网络基函数的中心、宽度以及网络的连接权值,以获得最优的网络模型。仿真结果表明优化后的RBF神经网络的泛化能力和诊断精度都得到了大幅度提高。     

基于RBF神经网络的导弹自动驾驶仪故障诊断

系统地分析了某型导弹自动驾驶仪的结构功能,在此基础上提出了采用RBF(径向基函数)神经网络对自动驾驶仪进行故障诊断的方法;提出了用Gauss(高斯)函数对获取的数据进行归一化处理的方法,再用处理后的数据训练RBF神经网络。实验结果表明,训练后的神经网络能快速、准确地诊断自动驾驶仪的故障,为自动驾驶仪的故障诊断提出了一种新的方法。     

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。     

神经网络在雷达装备故障趋势预测中的应用

为了提高预测精度,在雷达装备状态监测与故障趋势预测系统中引入基于指数衰减的神经网络预测模型。通过普通BP网络预测模型引出基于指数衰减的神经网络预测模型,经验证预测精度较高。并介绍了雷达装备状态监测与故障趋势预测系统构成,此系统对于雷达装备的早期故障预测和预防性维修具有重要意义。     

DPCA和GRNN在燃气轮机故障诊断的方法

选取其关键部件—喷口加力调节器作为故障诊断研究对象,提出了一种基于动态主元分析(DPCA)和广义回归神经网络(GRNN)相结合的喷口加力调节器故障诊断方法。在燃气轮机专用试验平台对其进行试验,采集喷口加力调节器的高压转子转速、低压转子转速、燃油油量、燃油耗量等参数原始数据,对其进行预处理,并采用DPCA方法对其进行动态主元分析,提取其不同健康状态的主元,构建特征向量,采用特征向量构建GRNN神经网络故障诊断模型,并通过测试数据对该方法的有效性进行试验验证。为表明该方法的有效性,采用了基于GRNN和基于DPCA-RBF的方法对喷口加力调节器不同健康状态进行了诊断技术研究,并对不同方法所得到的诊断结果进行了对比分析。结果表明,采用DPCA和GRNN相结合的故障诊断方法能有效识别出喷口加力调节器不同的健康状态,具有很好的实际应用价值。     

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。     

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。