一种自适应CS算法及其在风电齿轮箱故障诊断中的应用

针对布谷鸟搜索(CS)算法易出现早熟收敛以及风电机组齿轮箱的故障模式难以有效识别等问题,提出一种基于自适应CS算法的BP神经网络(SaCS-BP)智能诊断技术。通过构建SaCS算法,实现了步长和发现概率的自适应调整,并采用一组基准函数测试了该算法的有效性;将SaCS与BP神经网络进行融合,构建了风电齿轮箱的故障诊断模型。结果表明,SaCS算法具有较佳的寻优精度和普适性。此外,与BP神经网络以及布谷鸟搜索算法优化BP网络(CS-BP)相比,SaCS-BP算法获得了最高的诊断准确度,从而实现了风电齿轮箱故障模式的有效识别。

量子粒子群优化算法在异步电机转子机械故障诊断中的应用

为了提高异步电机转子机械故障诊断的准确性,引入了一种基于量子粒子群优化BP神经网络(QPSO-BP)的诊断方法。以转子机械故障为研究对象,利用量子粒子群算法(QPSO)来优化BP网络的权、阈值参数,并最终实现了转子机械故障诊断模型的构建。仿真实例表明,基于QPSO-BP的故障诊断方法,能有效识别异步电机的转子机械故障类型,较粒子群优化BP网络算法(PSO-BP)具有更高的诊断准确率。

基于多源信息融合的异步电机故障诊断

针对异步电机的单一故障诊断模型易出现错判、误判问题,引入了1种基于改进证据理论的多源信息融合方法。通过采用蚁群神经网络、BP网络以及Elman网络分别作为电机故障诊断的初级模块,并将其输出结果作为证据理论的独立证据体,再由改进证据理论进行信息融合决策。仿真实例表明,该方法可充分利用不同数据源的冗余互补信息,具有更高的诊断准确性。

基于混沌理论的光纤陀螺仪温度非线性建模

考虑到光纤陀螺仪温度的混沌特性,本文提出一种基于混沌理论的光纤陀螺仪温度非线性预测模型,该模型首先运用混沌理论对光纤陀螺仪温度数据进行相空间重构,然后采用训练样本对BP神经网络进行训练,并运用训练好的BP神经网络对光纤陀螺仪温度进行预测,最后实例分析表明了,本文模型可以得到较高的光纤陀螺仪温度预测精度,而且能够完全满足实际应用的要求,可以为其他非线性系统建模与预测提供了有益的参考。

基于相关度的忙时话务量加权一阶局域预测模型

为了改善加权一阶局域预测模型的预测精度,提出衡量相点间相关性的相关度函数。利用相关度函数确定预测中心点的参考邻域,并将相关度的大小以加权的方式作用于加权一阶局域预测模型,进而推导出辨识加权一阶局域预测模型参数的算法。最后将预测模型用于忙时话务量的预测中,结果表明,该模型有效地提高了忙时话务量的预测精度,验证了相关度函数衡量相点间相关性的有效性。

移动通信网络忙时话务量的混沌特性分析与加权一阶局域预测研究

话务量是一种受多重因素影响的动态非线性时间序列,采用传统的预测方法难以实现高精度的预测,为了提高预测精度,文章根据采集所得每日忙时话务量数据,分析其混沌特性和可预测性,并重构话务量时间系列的相空间,提出采用加权一阶局域预测方法来建立其预测模型,并进一步预测,仿真结果表明,该方法能够较好的拟合话务量的变化规律,具有较高的精度,为话务量的预测提供了一种有效的途径.

顺序控制过程的梯形图解法

运用基于"工作状态"编程思想的梯形图解法时,直接采用输入条件、输出条件来描述顺序控制工作过程,这样就把梯形图方式的直观性与SFC编程描述工作过程简单易懂的优点很好地结合了起来。

灰色神经网络在变压器故障诊断中的应用

针对变压器故障类型受油中溶解多种气体含量的影响,为提高变压器故障诊断的准确性,笔者使用灰色神经网络建立故障诊断模型,拟合输入与输出之间的复杂非线性函数关系,结果证明了该方法的可行性。

CQPSO-BP算法在风电机组齿轮箱故障诊断中的应用

为实现风电机组齿轮箱故障模式的有效识别,提出一种基于混沌量子粒子群优化BP神经网络(CQPSOBP)的故障诊断方法。在该算法中,利用混沌序列来初始化粒子的初始角位置,可提高种群的遍历性;通过引入变异操作,避免算法陷入早熟收敛,并依此来对BP神经网络的初始权值和阈值进行优化。实例表明,同粒子群优化BP神经网络(PSO-BP)与BP网络的诊断结果相比,CQPSO-BP算法具有收敛速度快、识别精度高的优点,可有效用于风电机组齿轮箱的故障诊断系统中。

基于DGA的QPSO-BP模型变压器故障诊断方法研究

为了提高变压器故障诊断的准确率,提出一种基于量子粒子群优化BP神经网络(quantum particle swarm optimized BP neural network,QPSO-BP)的故障诊断模型。在该算法中,用量子位的概率幅表示种群中各粒子的当前位置,用量子旋转门实现粒子位置的移动,用量子非门进行变异操作,以获取BP神经网络的权、阈值优化参数,最终实现了变压器故障诊断模型的构建。对故障DGA样本的诊断实例表明,与粒子群优化BP网络(particle swarm optimized BP neural network,PSO-BP)法、BPNN法以及IEC三比值法相比,QPSO-BP算法具有更高的诊断正确率,从而实现了变压器故障模式的有效识别。

改进证据理论与神经网络集成的变压器故障诊断

针对变压器故障类型的多样性以及故障信息的不确定性等问题,提出了证据理论与神经网络综合集成的故障诊断方法。为实现Dempster合成规则在强冲突证据间信息融合后可信度分配的合理赋值,引入了信任系数的概念,对融合结果进行修正,并应用于最大-最小蚂蚁系统与神经网络算法所形成证据体的合成之中。实验仿真结果表明,该方法可以在初级诊断模块的判断结果出现严重分歧的情况下,仍得到较好的符合性判定结论,从而实现对变压器故障的有效诊断。

基于QPSO-BP和改进D-S的水电机组振动故障诊断

为提高水电机组振动故障诊断的准确性,提出了一种基于改进D-S证据理论融合量子粒子群优化BP神经网络(QPSO-BP)的诊断方法。根据水电机组常见的振动故障类型,采用3个惯性权值随机调整的QPSO-BP网络分别对其进行初级诊断,并作为独立证据体应用于D-S理论的合成之中,实现了基本概率赋值的客观化。针对标准D-S无法合成高度冲突证据的缺陷,通过计算权值矩阵对其进行修正。实例分析表明,和3个初级诊断模型及标准D-S合成法相比,所提方法可以有效识别机组的振动故障,具有较高的诊断准确率。

QAPSO-BP算法及其在水电机组振动故障诊断中的应用

针对水电机组振动故障耦合因素多、故障模式复杂等问题,提出了一种基于量子自适应粒子群优化BP神经网络(QAPSO-BP)的故障诊断模型。在QAPSO-BP算法中,利用量子计算中的叠加态特性和概率表达特性,增加了种群的多样性;根据各粒子的位置与速度信息,实现惯性因子的自适应调节;为避免陷入局部最优,在算法中加入变异操作;并以此来训练BP神经网络,实现网络的参数优化,进而构建了机组的振动故障诊断模型。仿真实例表明,与粒子群优化BP网络(PSO-BP)法和BP网络法相比,该算法具有较高的诊断准确度,适用于水电机组振动故障的模式识别。

基于粒子群混合算法的风力发电机齿轮箱故障诊断

针对传统方法在风力发电机齿轮箱故障诊断中存在精度不高的问题,引入了一种改进粒子群算法优化神经网络的方法。该算法的惯性权重可进行自适应调整,以平衡全局和局部搜索能力。同时,收缩因子可加快算法的收敛速度,以更快收敛到全局最优。仿真结果表明,该方法能较好地识别故障模式,具有一定的实用性。

多传感器信息融合在电机故障诊断中的应用

为了提高电机故障诊断的准确性,引入一种多传感器信息融合的诊断方法。将多个传感器所采集的转子振动频谱信号处理后,利用蚁群神经网络进行故障局部诊断,以获得彼此独立的证据,再由证据理论对各证据进行融合,最终实现对电机故障的准确诊断。实验结果表明,该方法有效提高诊断的可信度,减少电机故障分类识别的不确定性。

基于填补时段法的人机交互式排课进程

针对目前高校排课中存在的复杂性和多样性等问题,本文对人机交互式排课中的排课条件进行分析,然后采用填补时段法(即将使用时段从可用总时段中删除)完成整个排课工作。此方法可以避开排课中的诸多因素干扰,减轻排课者排课的难度和重复性工作。该方法已经多次成功应用于排课实践过程中,其所具有的简捷性和合理行,是整合排课进程、提高教师对排课满意度的一种新型排课方式。

关于实践教学资源利用的探讨

排课作为高校教学常规中重要的实施环节,受到诸多条件的限制和制约。如何在有限的教学资源下完成大规模的排课,让有限的教学资源达到最优化组合是目前较为突出的问题。基于此,文章通过对实践教学机房容量数据进行分析,实现利用有限的教学资源完成较多学时数的合理化排课进程。

变风量空调系统机组部分的建模与仿真

本文针对变风量空调系统存在耦合,难以稳定运行的情况,把空调系统分解为机组部分和末端部分来考虑。对机组部分采用最小二乘法建模,并提出了基于单神经元自适应PID控制方案。应用Matlab软件对其进行仿真,仿真结果令人比较满意,证明了这种控制策略的可行性。

钢坯三维温度场预报模型的建立

在钢坯加热的过程中,由于加热炉的炉内热状态复杂,测温技术的局限,难以直接测量出加热炉内被加热钢坯的温度,以保证适时出钢。因此,本文根据传热学知识,采用BP神经网络对钢坯三维温度场进行预报。仿真结果表明,该模型能够满足实际生产要求。

流程图在高校教学管理中的分析研究——“以红河学院工学院为例”

通过绘制转专业流程图、开课计划流程图、考试工作流程图等教学管理流程图,详细的介绍了流程图在高校教学管理工作中的应用。流程图的构建和实施将高校复杂的教学管理模式转为更具有系统性和科学性,让整个教学管理工作更加规范。同时避免从事教学管理的实施者在教学管理过程中出现过多的人力投入和重复劳动,为高校教学管理改革和管理理念探索一种新的模式。