基于遗传神经网络的旋转机械故障预测方法研究

许多大型旋转机械运行工况恶劣,非平稳、非线性特征明显,以及各种突发性、偶然性因素的影响,给基于振动信号处理的状态预测和状态维护分析带来困难。神经网络以其强大的处理非线性系统的能力在故障预测中得到广泛的应用,但由于其在追求高精度训练目标时易陷入局部极值,且收敛速度慢甚至发散。针对这个问题,提出了采用遗传算法对神经网络连接权值和阈值进行优化,这样不仅发挥了神经网络广泛的映射特性也使遗传算法的全局搜索优势尽显无疑。通过组合这两种算法,在提升网络学习的准确度方面,优点尤其突出,最终提高对旋转机械故障预测和寿命估计的性能,这在某环境模拟试验系统动力风机的轴承磨损故障预测中得到了验证。     

基于Elman神经网络的齿轮故障诊断研究

在齿轮故障诊断过程中,针对传统的BP神经网络具有学习、记忆不稳定等缺点,提出了将Elman神经网络应用于齿轮故障诊断中,建立了Elman神经网络的应用结构模型,介绍了该网络的训练算法,阐明了齿轮故障诊断的实现过程;结果表明该神经网络学习记忆稳定,具有很好的学习功能,诊断方法具有高可靠性,达到了预期效果。     

基于遗传神经网络的伺服机构健康状态预测

为了及时把握伺服机构的健康状态,为装备的管理维护与任务执行提供必要的决策支持,从装备的自然退化趋势出发,提出了一种基于遗传算法优化BP神经网络的预测模型。利用BP神经网络优秀的非线性映射能力构造预测模型,将神经网络初始权值阈值编码,利用改进的自适应遗传算法确定最优解。将该模型应用到伺服机构的健康状态预测上,并与标准BP神经网络及径向基神经网络做比较。结果表明该模型有更好的预测精度及收敛速度,从而验证了模型的有效性。     

基于神经网络的轨道车辆振动预测

车体振动加速度是反映车辆振动状态及轮轨接触品质的重要参数;基于NARX神经网络,结合车辆动力学模型,构建了轨道不平顺激励下的车辆振动加速度神经网络预测模型;为提高模型的预测精度,运用遍历法确定了网络的时延阶数、隐节点等模型参数;基于车辆系统SIMPACK模型仿真数据的验证结果表明,模型输出与目标输出具有较高的相关性以及较小的均方根误差值,模型能够较好的预测出车体振动加速度的变化趋势;最后采用实测数据进一步验证了模型的预测性能,证明了构建的神经网络模型可以准确预测车体振动加速度输出,并有良好的泛化效果。     

基于马氏距离的航空装备故障预测研究

故障状态类型的判别是航空装备故障预测系统的核心环节,它直接影响到故障预测的准确性;针对航空装备的故障状态类型判别问题,提出一种基于马氏距离的故障预测方法;首先介绍了马氏距离,其次建立了状态数据库矩阵及状态判别模型,并给出了基于马氏距离的故障预测流程;最后将该方法用于某型飞机火控系统的故障预测中,使得在线和离线的平均故障预测准确度分别达到98.48%和97.77%,表明马氏距离在航空装备的故障预测中有较好的应用和推广价值。     

基于状态维修的电子设备故障预测技术研究

为解决电子设备结构复杂,故障信息不足,故障预测困难,并且现有方法不能直接对电子设备进行状态预测等问题,文中提出了基于状态维修(CBM)的最小二乘支持向量机(LSSVM)和隐马尔科夫模型(HMM)组合故障预测方法;首先采取灵敏度分析法确定电路中要可能发生变化的元件,通过改变元件参数来设置电路的不同退化状态;其次建立组合故障预测模型;最后对该电路进行状态预测;结果表明,文中提出的方法能够直接预测电路的不同状态,进而实现直接预测电子设备的故障状态,预测精度可以达到93.3%。      

基于果蝇算法和灰色神经网络的电子装备故障预测方法研究

针对电子装备故障数据小样本、非线性的特点,在相空间重构处理原始时间序列数据的基础上,基于k折交叉验证和果蝇算法优化灰色神经网络模型参数,从而提出一种基于果蝇算法和灰色神经网络的故障预测方法,并以某型雷达高压电源监测数据仿真结果为例验证其模型性能;实验结果表明,相比已有方法,该方法在全局优化、收敛速度、预测精度方面都具有一定优势。     

基于Elman神经网络的磁场探头校准建模

针对大多数磁场探头都是在频域上校准、不能较好地满足测量电磁瞬变现象的问题,提出了一种基于Elman神经网络的磁场探头时域校准建模方法。利用Helmholtz线圈、浪涌发生器、示波器等仪器搭建了时域校准平台,对磁场探头进行校准实验,并采集浪涌发生器输出的电流波形和磁场探头的感应电压。分别以磁场探头的感应电压和Helmholtz线圈产生的磁感应强度数据作为输入输出,建立Elman神经网络模型。建模效果表明,所建模型能够准确地预测出磁感应强度的变化趋势,该校准模型具有一定有效性。     

船用燃气轮机状态趋势预测算法研究

燃气轮机是船舶动力系统的重要组成部分,为了提高船舶性能,需对其进行状态趋势预测;首先研究了常用的几种预测算法,总结了各自优缺点和适用范围,对常见预测方法的技术特点进行了详细分析;为提高船用燃气轮机状态预测精度,提出了组合优选和虚拟预测的思想,通过研究组合预测方法实现了燃汽轮机状态的趋势预测,验证了组合优选和虚拟预测的可操作性和正确性,将预测结果同直接预测相比较,验证了其优越性。     

神经网络在污水处理过程中的应用

针对活性污泥法在污水处理过程中,水量会发生巨大的变化,以及运行所带来的强耦合、非线性、大滞后性等影响了污水处理的控制过程;利用神经网络技术特点对污水处理厂进行模拟实验,建立BP神经网络模型的仿真,用试凑法确定隐含层节点的个数,为了避免建立的网络过大,在训练网络过程中,避免出现网络“过训练”,建立合适的网络模型;通过对污水处理过程中输入数据的水质的变量参数,来预测未来某一时间输出某一水质变量参数;结果表明,BP神经网络可以应用于活性污泥法水处理过程中对水质参数进行模拟仿真和预测的效果。     

吸收体形状对太阳能复合多曲面聚光器光热性能的影响

近年来,室内定位算法吸引了大量的关注和研究。为了改善现有定位算法的复杂度以及精确度等问题,提出了一种先利用Elman神经网络进行室内位置预测,使用加权K近邻算法(WKNN)对预测结果进行修正的可见光室内定位算法。该算法应用在由单LED灯作为发射器,4个水平光电探测器(PD)构成接收器的室内定位系统中。4个水平光电探测器分别位于接收器的4个角,待测位置位于接收器的中心。通过两个Elman神经网络分别预测待测点的横坐标和纵坐标来确定待测点的初步位置,找出定位误差大于神经网络预测平均误差的待测点,用加权K近邻算法进行修正来确定待测点的精确位置,将修正后的精确位置更新到整体待测点的位置中。仿真结果表明,在3.6 m×3.6 m×3 m的室内环境下,本研究算法的平均定位误差为7.13 cm,平均定位时间为0.24 s。     

Spatiotemporal Transformer Neural Network for Time-Series Forecasting

Predicting high-dimensional short-term time-series is a difficult task due to the lack of sufficient information and the curse of dimensionality. To overcome these problems, this study proposes a novel spatiotemporal transformer neural network (STNN) for efficient prediction of short-term time-series with three major features. Firstly, the STNN can accurately and robustly predict a high-dimensional short-term time-series in a multi-step-ahead manner by exploiting high-dimensional/spatial information based on the spatiotemporal information (STI) transformation equation. Secondly, the continuous attention mechanism makes the prediction results more accurate than those of previous studies. Thirdly, we developed continuous spatial self-attention, temporal self-attention, and transformation attention mechanisms to create a bridge between effective spatial information and future temporal evolution information. Fourthly, we show that the STNN model can reconstruct the phase space of the dynamical system, which is explored in the time-series prediction. The experimental results demonstrate that the STNN significantly outperforms the existing methods on various benchmarks and real-world systems in the multi-step-ahead prediction of a short-term time-series.     

基于炉口辐射和改进神经网络的转炉终点预测模型

针对国内外转炉炼钢终点控制的现状,建立了一种用于终点预测的神经网络模型.以炉口辐射信息获取系统为实验平台,运用光纤谱分复用和颜色空间模型转换技术.分析发现了光谱与图像信息特征量在吹炼过程中晕现出中前期类似、末期相反的规律.从得到的特征规律曲线中选用一些关键特征量,在改进的修正系数算法基础上,进行了模型的训练和预测分析.实验结果表明:响应时间在2 s以内,满足快速判定的时间要求;改进算法的模型预测精度高于常规算法,该系统可以止常工作在转炉炼钢的恶劣环境下,达到了预期效果.     

基于云重心评估法和熵值法的装备技术状态评估

装备技术状态评估是状态维修的关键环节,对维修决策有重要的支持作用。针对装备的监测信息和历史数据的模糊性和随机性,提出了基于云重心评估法的装备技术状态评估模型。同时,充分利用云理论特征值之一的熵,通过熵值法得到指标权重,避免了主观评价造成的误差。采用加权偏离度最终确定技术状态,构成定性属性值与定量属性值的映射关系。通过实例,验证了该方法的可行性和有效性。     

基于BP神经网络的反潜巡逻机背景磁场补偿技术研究

通过分析反潜巡逻机背景磁场模型,针对传统模型求解时对模型参数求解方法存在的不足,本文提出了一种基于BP神经网络的飞机背景磁场模型求解新方法。该方法不讨论复杂的模型参数估计的问题,通过前期神经网络训练学习,直接把飞机磁补偿飞行过程中采集到的相关信号输入到训练好的网络中,得到输出干扰磁场,进而对其进行补偿。最后通过实例仿真验证了该方法的正确性和有效性,为提高反潜巡逻机磁探搜潜效能提供了科学依据,具有一定的军事意义。     

Elman回归神经网络同时定量测定三种酚类化合物

应用Elman回归神经网络(ERNN)对光谱严重重叠的对-硝基苯酚,邻-硝基苯酚和2,4-二硝基苯酚体系的同时定量测定进行了研究,并与多变量线性回归(MLR)法作了比较。编制了PERNN和PMLR程序执行有关计算。通过最佳化确定了Elman回归网络的结构和参数。ERNN和MLR法所有组分的相对预测标准偏差(RSEP)分别为3.1%和2 027.3%,实验结果显示对于分辨严重重叠光谱本法是成功的。ERNN法是解决局部最小和提高收敛速度的一种有价值的工具,亦可用于分析全光谱而不只限于选取少数特征值。本法为不经预先分离同时测定严重重叠的分子光谱体系提供了新的途径。     

基于卷积神经网络的光谱预处理方法

光谱的预处理在光谱分析中占有非常重要的地位。针对现有光谱去噪算法对弱峰保存能力差、基线校正算法对光谱能量过扣除、光谱特征峰定位不准确以及各种预处理算法串行处理造成的误差累计等问题,设计了一个端到端的卷积神经网络。该网络由两个模块组成：基线校正和去噪模块和特征峰定位模块。这两个模块相互连接又独立输出。理想条件下,可以依据光谱的线型函数和特征峰的位置拟合出无噪声无基线的光谱,所以在基线校正和光谱去噪模块中连接特征峰定位模块的输出可以有效的提高去噪和基线校正的精度;而高质量的光谱有助于更加精确的估计光谱峰的位置,因此这两个模块相互连接可以有效提高重建光谱的质量。光谱基线校正和去噪模块是一个前馈网络,该模块由多个卷积层、激活函数和批归一化层构成,每一层均连接了特征峰定位模块的输出。特征峰定位模块是一个多尺度特征融合网络,该模块使用不同尺寸的卷积核将光谱分为不同的尺度,融合大小不同尺度的特征估计光谱特征峰的具体位置。在网络训练时,使用不同温度、湿度和不同预热时间的光谱仪获得光谱作为输入样本,使用中国计量院的标准仪器获得光谱数据作为输出样本。在实验中,首先对合成的光谱分别添加不同信噪比的噪声和不同峰值的高斯基线,分别评价该网络在噪声抑制、基线校正、光谱特征峰校正的能力;然后将添加噪声和基线后的玉米的近红外光谱作为样本,用最先进的算法对它们进行预处理,然后用偏最小二乘法估计玉米中的水和油的浓度。估计的浓度与用标准仪器测量的真实浓度进行比较,以证明所提出的CNN的优势。实验证明,所设计的网络在单任务和多任务处理中均能取得良好的结果。而且经过该网络处理的光谱在定量分析中可以得到更准确的结果,具有较强的实用价值。     

基于图像处理的模拟尾流气泡幕分类识别

提出了一种应用数字图像处理技术对模拟尾流气泡幕分类识别的新方法.文章介绍了BP神经网络的基本结构及其工作原理,通过仿真测试了BP神经网络对模拟尾流气泡幕图像的模式分类.应用灰度图像统计矩法得到了均值、归一化系数、三阶矩、一致性和熵等特征量,设定神经网络学习率为0.1时经过14次循环可以达到训练目标误差为0.001,此时...     

基于LVQ神经网络的目标识别技术

通过对目标特征的分析比较,选取不变矩作为识别特征.为了达到很好的识别效果,对不变矩做了优化处理.采用LVQ神经网络技术建立了识别模型,提高了识别速度.运用有限的样本对目标识别技术进行了测试,结果表明采用此技术后的识别成功率较高,平均约为98%,识别速度快,每幅二值目标图像的识别时间约为16 ms.