基于概率神经网络的放疗加速器多叶准直器系统故障识别诊断研究

目的随着当前医院肿瘤患者放疗数量的日益增长,对放疗设备持续稳定治疗的要求越来越高。放疗直线加速器是放射治疗的主要设备,多叶准直器(multileaf collimator,MLC)是调强放疗最为频繁的系统之一,但其故障发生率较高,一旦发生故障宕机,不仅影响患者治疗效果,还会给医院带来经济损失。因此,快速准确识别并排除故障,对保障MLC系统的正常运行具有重要意义。本文提出一种基于概率神经网络(probabitistic neural network,PNN)的MLC系统故障识别诊断方法,为MLC系统的不同故障现象和类型提供维修依据。方法结合复旦大学附属肿瘤医院医科达放疗加速器故障维修经验及日常报错记录,整理分析MLC系统构成及常见故障现象共140例,统计研究常见故障下设备状态的各项参数数据。选取能够表征故障特征的信息作为输入向量和故障分类输出向量,用不同特征输入向量的组合代表不同的故障类型。数据归一化乱序处理后,创建PNN神经网络模型并进行训练。最后对比分析故障的实际分类和预测分类结果。结果通过分类结果对比和混淆矩阵可知,训练集样本一共98个,预测对比精确度为100%;测试集样本一共42个,预测对比精确度为97.619%,训练总时间为4.626 s。结论基于PNN概率神经网络的MLC系统故障识别诊断模型具有训练速度快、容错性好、识别诊断精准度高等优势。

联合收割机裂纹转子与滚动轴承故障诊断系统研究--基于卷积神经网络

首先,介绍了传统神经网络,在其基础上引出了改进的卷积神经网络;然后,搭建了转子和滚动轴承的动力学模型,对转子和轴承的裂纹模型进行分析研究;最后,实现了联合收割机裂纹转子与滚动轴承故障诊断系统。实验结果表明:基于卷积神经网络的诊断模型达到稳定识别精度的迭代次数更少,且识别精度更高,效果更好,证明了系统的可行性和可靠性。

基于BP神经网络算法的异步电机故障诊断系统研究

为了确保电机安全可靠地运行,研究了BP神经网络算法对异步电动机进行故障诊断。通过MATLAB平台,分别使用附加动量因子和自适应学习率两种梯度下降法进行网络训练,搭建故障诊断BP网络模型。以MSE值为指标优化最佳隐含层节点数、动量因子与学习率,并通过遗传算法来优化BP网络的初始权值,对故障测试样本进行仿真测试。结果表明,GA-BP网络模型比MF-BP和AG-BP的MSE值更低,仅为0.009163,优化后的诊断预测结果与目标值几乎没有差别。基于遗传算法改进的故障诊断系统模型能够满足异步电动机故障诊断的应用需求。

基于深度卷积神经网络的电力系统故障预测

通过对深度卷积神经网络的深入研究,提出基于深度卷积神经网络的电力系统故障预测方法,保障系统安全运行。采用广域测量系统测量每个支路与节点,将获得的功率与关键特征值分别作为深度卷积神经网络模型输入、输出,训练这2个数据,并使用深度卷积神经网络AlexNet分析输入数据与输出数据的映射关系,建立基于深度卷积神经网络的电力系统故障预测模型,通过特征值分组、振荡模式筛选、数据预处理、模型训练和模型评估,实现电力系统运行状态评估,完成电力系统故障预测。实验结果说明:该方法的关键特征值计算结果与实际结果基本一致,可靠性高;使用正则化可提升模型泛化效果,防止模型过拟合;与其余方法的准确率和误报率指标相比,所提方法的准确率高达99.52%,误报率为1.16%,综合评价指标较高,评估效果优势显著。

基于卷积神经网络的学生课堂行为识别系统设计

精准的学生课堂行为识别结果有助于提升课堂教学效果,为此,设计一种基于卷积神经网络的学生课堂行为识别系统。系统的图像采集模块利用SZ-4K512M型摄像机,采集学生课堂行为的视频图像,并通过流式传输技术将标记后的采集图像传输至图像预处理模块;图像预处理模块对图像进行清洗和标准化处理后,传送至行为识别模块。行为识别模块通过卷积层、池化层和全连接层构建卷积神经网络,以已标记的学生课堂行为图像作为基础训练网络,利用完成训练的卷积神经网络识别学生课堂行为。实验结果表明,所设计系统可以精准识别学生玩手机、睡觉、举手等不同课堂行为,识别精度高于97%,说明该系统可以更好地掌握学生的心理活动变化。

神经网络系统在齿轮箱故障模式识别分析的应用

为探究齿轮箱故障识别分析准确率的提升路径,结合某型采煤机的行星齿轮箱为案例进行研究,首先通过虚拟样机技术搭建仿真模型,为故障信息提供基础数据;而后以卷积神经网络(CNN)为基础,搭建用于齿轮箱故障模式识别分析的神经网络系统;最后对该系统的性能进行测试。测试结果显示,该系统在故障识别分析准确率方面更具优势,证明其具有潜在应用价值。

基于概率神经网络的潜舰武器系统故障诊断

针对传统故障诊断方法检测某型潜舰导弹武器系统故障准确率不高、耗时长的问题,提出基于概率神经网络的智能诊断方法。介绍该网络的典型结构及优势所在,以某型潜舰导弹武器系统为验证对象,选取合适特征向量、归纳合理故障类型、建立相应神经网络,并运用Matlab仿真验证。结果表明在现有数据库中,概率神经网络对该系统的故障诊断正确率为77.8%。这表明基于概率神经网络的故障诊断基本能够区分该系统故障类型,大大减少了部队故障诊断时间和人力投入。

基于优化神经网络的轧机HAGC系统内泄漏故障诊断方法研究

针对轧机HAGC(Automatic Gauge Control System with Hydraulic Actuator)液压伺服阀系统内泄漏故障危害性较大、隐蔽性强、判定和定位难的问题,提出一种基于WOA-BP(Whale Optimization Algorithm-BP)神经网络的内泄漏故障诊断方法。建立轧机HAGC系统仿真模型,可模拟相关故障,获取各类工况数据,并有效提取出故障特征,可解决故障样本数据少、提取难等问题。利用鲸鱼优化算法改进的BP神经网络作为内泄漏故障识别与分类工具,对HAGC系统仿真与运行数据进行学习、识别。经验证,该方法能比较准确诊断HAGC系统内泄漏故障。

基于长短时记忆神经网络的励磁涌流与故障电流识别方法

变压器空载合闸时产生励磁涌流导致差动保护误动作的问题至今仍未能被完全解决.针对该问题,提出一种利用长短时记忆(LSTM)神经网络识别励磁涌流与故障电流的方法.首先,在PSCAD软件平台上搭建变压器空载合闸及内部故障仿真模型,通过仿真产生大量三相电流瞬时采样数据作为训练神经网络的样本集;然后,利用Keras平台搭建LSTM神经网络模型并完成训练;最后,利用新的仿真数据和现场故障录波数据对训练好的LSTM神经网络进行测试.结果表明LSTM神经网络可以快速准确地区分各种情况下的励磁涌流和故障电流,从而证实该方法的有效性.

基于卷积神经网络多传感器油液系统故障诊断

针对单个传感器无法提供掘进机油液系统在长期运行过程中数据互补性和多维性的问题,提出了基于卷积神经网络(CNN)的掘进机多传感器油液系统故障诊断方法。首先,油液监测方法是通过润滑油的理化性能指标和油液携带的磨粒信息反应油液的性能和状态,可以直接从油液数据中学习最好的特征,不需要任何形式的转换以及特征提取。其次,结合多个传感器采集到的数据作为CNN的输入来对油液系统进行故障诊断。最后,将提出的方法与其它机器学习方法在故障状态分类准确性方面进行比较,通过实验验证得到所提出方法的诊断精度高于其它方法,从而实现了高效诊断性能。

车辆支腿液压系统的自注意力池化图神经网络故障诊断

针对特种车辆支腿液压系统故障信号的复杂性、特征混叠等问题,提出一种基于自注意力池化图神经网络的车辆支腿液压系统故障诊断方法,并介绍了车辆支腿的常见故障模式和失效机理。将故障信号转换为2D特征图表示,并提出一种改进的3D结构的特征图。以故障特征图作为输入,将图卷积与自注意池化相结合进行特征提取,通过全连接层对提取的特征进行分类识别。结果表明:与2D特征图相比,所提3D特征图提高了模型2%~3%的诊断精度;与原来的池化方法相比,加入自注意力机制的图神经网络在支腿故障数据集上准确率提高了7%~8%,表现出了较高的诊断精度和稳定性,为液压系统故障诊断提供了方法参考。

基于对抗神经网络的力学试验机故障诊断系统设计

针对高校力学试验机随机故障频发问题,设计了力学试验机故障诊断系统。针对此类试验机使用间歇长、离散性强等特征,提出了基于离散性数据识别故障的设计思路。建立了机器学习知识库,基于对抗神经网络(GAN)理论设计了力学试验机故障诊断算法并建立了故障诊断系统,评价了故障诊断系统的性能指标。结果表明,所建立故障诊断系统在实验中的最低精确率、准确率和召回率分别达到96.12%、96.51%和95.15%,最高误识率仅为3.96%,性能满足使用要求。

基于PNN神经网络的凿岩台车电液控制系统故障诊断研究

针对凿岩台车电液控制系统故障诊断效率低的问题,该文提出一种结合故障树分析法和概率神经网络(probabilistic neural network,PNN)的故障诊断方法。首先,基于电液控制系统的结构和工作原理构建其故障树模型;然后通过对故障树模型进行定性分析,确定其最小割集和典型故障种类,以选取的典型故障种类的关键参数构建故障征兆矩阵,通过PNN神经网络对该矩阵进行训练和计算,实现对系统典型故障状态的自动识别。实验结果表明,该文方法的平均诊断时间为1.2 s,平均诊断准确率为80%,能够快速准确地定位系统故障,可满足凿岩台车电液控制系统故障诊断的工程实际需求。

基于PSO优化小波神经网络的无人机动力系统故障诊断模型

针对传统小波神经网络对无人机动力系统的故障信号降噪和识别能力差以及网络收敛速度慢、训练精度不高的问题,构建了基于改进粒子群算法(PSO)优化小波神经网络的无人机动力系统故障诊断模型。该模型运用软、硬阈值函数组合改进的新阈值函数和改进PSO优化小波神经网络的方式,克服重构信号不连续或严重失真的问题,优化了小波神经网络初始权值和阈值,使模型能够实现快速、准确分析和识别故障类型,具有较好的故障预测和诊断能力。本文中通过对比不同阈值函数的降噪能力和PSO、GA、ACO对小波神经网络的改进效果,比较BP神经网络、传统小波神经网络、PSO优化小波神经网络的故障诊断预测效果,验证了本文中构建的PSO优化小波神经网络故障诊断模型远优于其他对比模型,具有故障识别和降噪能力强、收敛速度快、训练精度高的优点,在无人机动力系统的故障诊断领域,具有较好的可行性和有效性。

基于深度神经网络的UHVDC输电系统故障诊断

针对传统特高压直流(UHVDC)故障诊断方法存在阈值整定复杂、灵敏度低以及耐受过渡电阻能力较弱的问题,提出了一种将多尺度卷积神经网络(multi-scale convolutional neural network,MCNN)、双向长短时记忆网络(bidirectional long short-term memory,BiLSTM)和注意力(Attention)机制相结合的UHVDC输电系统故障诊断方法。通过MCNN挖掘标准化后的故障数据不同尺度的空间特征;利用双层BiLSTM获取数据中的时序依赖特征;引入Attention机制为数据的不同特征向量合理分配注意力。结果表明:所提方法在4种评价指标上都优于其他对比算法,能够准确识别UHVDC输电系统的各种区内、外故障和测量故障,并且在面对高阻故障时仍然具有较高的分类精度。

融合多小波分解的深度卷积神经网络轴承故障诊断方法

针对卷积神经网络及其与信号降噪预处理集成方法面临高噪声环境和低质量数据挑战时难以有效地提取信号有用特征的问题,提出了一种融合Geronimo-Hardin-Massopust多小波分解的深度卷积神经网络模型(GHMMD-DCNN)。该模型思想是将多小波包分解与卷积神经网络深度融合,即设计多个一级多小波分解层以提取信号的低频分量和高频分量,再将多个一级多小波分解层与卷积层交替联接,使模型能够多尺度地提取并学习信号有用的时频域信息,信号分解和特征学习交替执行,进而实现强噪声鲁棒特征提取。在不同工况下的航空高速轴承振动数据上进行测试,结果表明:所提模型训练时能够快速达到稳定收敛,并且识别准确率均能达到99.9%以上;提出的方法在强噪声干扰下的故障辨识准确度和识别稳定性均优于对比方法,验证了其优秀的抗噪声干扰能力;在少训练样本测试中,提出的方法在单类训练样本数量为60时的平均诊断准确率高达91.19%,相比于其他方法最低提升了13.19%,验证了GHMMD-DCNN模型具有更优的低样本泛化能力。

基于SCSO-BP神经网络的卫星姿态控制系统故障预测

近年来,随着人工智能的迅速发展,基于人工神经网络的卫星姿态控制系统故障预测方法得到了越来越多的重视。在反向传播(Back Propagation,BP)神经网络中,权重和偏置是重要的可调节参数,与神经网络的预测性能密切相关。BP神经网络的初始权重和偏置为随机生成,设置不当容易导致网络在训练过程中陷入局部极值,进而影响预测性能。为了提高BP神经网络的预测性能,提出了一种将沙猫群优化(Sand Cat Swarm Optimization,SCSO)算法与BP神经网络相结合的预测方法。在训练过程中,首先通过SCSO算法对BP神经网络权重和偏置进行预训练,在此基础上,利用精调后的BP神经网络对卫星姿态控制系统周期渐变故障数据的未来趋势进行预测。实验结果表明,与原始BP神经网络预测方法相比,SCSO-BP预测方法能够有效减小预测误差,具有更好的预测精度。

典型神经网络串联型电弧故障检测及选线方法研究

为解决传统特征分析加机器学习的电弧故障检测方法的准确率和实时性受到特征参数选取的主观性及特征分析过程的影响问题,搭建了三相多负载并联的串联型电弧故障实验系统,对不同支路、不同相发生电弧故障时的干路电流信号时间序列进行分析。将电流信号进行分类、分段、标准化处理并作为检测模型样本;对深度卷积神经网络模型、长短期记忆网络模型、普通神经网络模型进行架构及训练;通过差分处理对网络模型在线分类结果进行优化分析;以准确度和损失函数值、在线测试速度、优化后多分类识别准确率为评价指标,对比分析了3种模型故障检测及选线效果。研究结果表明:基于深度卷积神经网络的串联型电弧故障检测及选线模型对电机类负载故障检测及选线准确率可达96.77%,对变频器类负载故障检测及选线准确率可到98%,准确率高于近几年其他三相回路电弧故障检测模型。

基于卷积神经网络的转子系统故障诊断与研究

针对传统转子故障诊断方法存在精度低、适应性差、难以满足识别复杂多变故障类型的需求问题,提出一种基于卷积神经网络的故障检测方法,实现对转子系统故障的诊断与研究。通过HZXT-009滑动轴承故障模拟综合试验台进行转子不对中、不平衡、碰摩等故障试验,获取数据并分析时域振动信号;搭建卷积神经网络故障诊断模型;将该方法与深度信念网络(DBN)算法进行对比。该方法准确率能够达到99.16%,高于深度置信网络(DBN)算法方法,该方法有望在实际生产中得到广泛应用,提高转子系统故障诊断效率和可靠性。

基于KShape数据增广与混合神经网络的注水系统故障诊断

为解决海上油田注水系统故障诊断问题,提出基于KShape数据增广与混合神经网络的故障诊断模型。首先采用KShape时间序列聚类算法实现样本数据增广,然后通过融合双向长短时记忆网络(bidirectional long short-term memory network, BiLSTM)和全卷积神经网络(fully convolutional neural network, FCN)构建混合神经网络模型,最后应用贝叶斯优化算法对模型参数进行全局寻优。结果表明:提出的数据增广方法在数字油田大数据的基础上,能够有效扩充注水系统工况样本。提出的混合神经网络模型较BiLSTM和FCN单一模型效果更好,该模型综合了BiLSTM网络对时间序列数据依赖关系的良好捕捉能力以及FCN网络对局部特征的有效提取能力,较两者在准确率上分别提升4.9%和1.8%。贝叶斯优化方法在寻找更优超参数组合方面有显著效果,为提高模型的鲁棒性和泛化性能起到了重要作用。该方法较传统调参方法在准确率上提升5%,较网格搜索和随机搜索方法分别提升3.7%和1.9%。同时,该方法产生的不同超参数组合下的模型准确率中位数为84.5%,模型准确率在90%以上的占比达到18%。所提出的故障诊断模型,可有效识别地层堵塞、配水器堵塞和油管漏失等故障,为海上油田注水系统故障诊断提供了新的解决方案和有效的技术支持。