基于自适应模糊神经网络推理系统的齿轮箱故障诊断方法

研究利用从机械控制过程中获得的运行参数开发一种齿轮箱监测方法,而非振动与声音的传统测量方法。为了检测齿轮箱状态,采用一种自适应模糊神经推理系统来获取电机电流和控制参数之间的非线性相关性。比较自适应模糊神经推理系统模型产生的预测值和实测值来预测齿轮箱异常状态。试验结果表明,自适应模糊神经推理系统模型能够作为齿轮箱状态监测与故障检测的一种有效工具。

自适应神经模糊推理系统优化的快速上肢评估方法

传统方法对工作相关肌肉骨骼疾病风险评估的输入变量变化敏感性较低,导致风险评估输出结果的精确性和可靠性不足。为更加准确地进行人因工程风险评估,提出了基于自适应神经模糊推理系统的快速上肢评估方法(RULA)。首先,基于卷积神经网络对视频中人体工作姿势的关键点进行检测及识别,并计算关节角度;其次,基于自适应神经模糊推理系统对快速上肢评估方法进行改进,搭建工作相关肌肉骨骼疾病风险评估架构以解决评估不同姿势时获得相同评分的问题;再次,随机选取不同工作姿势的关节角度数据对网络进行训练和检测,调整基于自适应神经模糊推理系统和快速上肢评估方法的工作相关肌肉骨骼疾病风险预测模型的最佳参数;最后,选取关节角度数据集里的前15个工作姿势进行相关性验证,将结果与原始快速上肢评估方法的结果进行比较,应用树枝修剪工具的操作过程进行案例分析以实现风险得分的实时动态评估。结果表明,优化后的快速上肢评估方法比原始方法更敏感,验证了利用自适应神经模糊推理系统能够有效改进快速上肢评估方法并实时预测风险得分。

基于自适应神经网络模糊PID物料卷绕张力控制系统的研究与设计

物料卷绕控制系统中张力的控制是决定生产工序、产品质量和生产效率的关键因素。因张力控制具有多变量、非线性、时变性且难以建立精确模型等问题,使得卷绕系统张力的稳定控制尤为困难。为了有效提高卷绕系统的稳定性和控制精度,在研究传统PID控制器和模糊PID基础上,设计了基于自适应神经网络模糊PID的物料卷绕恒张力控制系统。在模糊控制的基础上,加入BP神经网络,实现对张力的精准控制。最后,采用Simulink搭建控制器进行仿真验证和在运动控制设备中进行实验验证,并利用触摸屏实时监控运行状态。实验结果表明,采用自适应神经网络模糊PID的卷绕系统张力控制精度高,响应快,自适应调节能力强,且在高张高速的工况下,依旧保持响应速度快、稳定性高的运行效果。

基于能量熵和自适应神经模糊推理系统的齿轮故障诊断

为了解决齿轮振动信号中出现噪声污染严重,故障特征信息提取困难的问题,提出了基于能量熵和自适应神经模糊推理系统(ANFIS)的齿轮故障诊断方法。将预处理后的振动信号作自适应噪声完备经验模式(CEEMDAN)分解,可获得不同尺度的本征模态函数(IMF);由于各IMF包含主要故障特征信息,且不同故障状态下各IMF分布有明显不同,因此通过计算能量熵来量化故障时频域特征,构造出表征模态分量信息的特征向量;以此输入ANFIS进行样本的学习和训练,在自适应调整网络参数和隶属函数后,获得最优ANFIS。实验结果表明:该方法诊断结果准确率近乎100%,可有效地识别故障类型。

基于自适应神经网络模糊推理系统的蓄电池SOH预测

针对装甲车辆铅酸蓄电池健康状况影响因素复杂、难以准确预测的特点,提出了基于自适应神经网络模糊推理系统的蓄电池SOH预测模型。在确定模型的输入变量后,对其进行了MATLAB仿真和实测数据验证分析。结果表明,该模型具有很高的预测精度,在装甲车辆铅酸蓄电池SOH预测上具有很高的实用价值。

基于自适应神经网络模糊推理系统的交叉口交通冲突数预测

自适应神经网络模糊系统在建立对象输入和输出关系时,与传统的数学方法不同,它是基于数据的建模。本文利用这一系统特性,建立平面交叉口交通冲突数与进入交叉口内的左转交通量、右转交通量、直行交通量和行人过街交通量之间模型,提出自适应神经网络模糊系统预测交叉口冲突数的方法,建立一种快速获取交通冲突数的预测方法,为交通冲突数的调查开辟了新的途径。

自适应神经网络模糊推理系统在结构振动主动控制中的研究

运用线性二次型经典最优控制算法获得学习样本,由神经网络反向传播算法训练产生模糊规则和隶属度函数,设计自适应神经网络模糊控制器,通过某结构地震波作用下振动控制的数字仿真,表明自适应神经网络模糊推理系统可以有效地应用到结构控制中。

一种新的基于自适应神经网络模糊推理系统的图像滤波器

提出了一种新的基于自适应神经网络模糊推理系统的去除噪声算法。该算法是一个结合了中值滤波、维纳滤波和自适应神经网络模糊推理系统的综合滤波器。噪声点通过算法被准确地估计出来,自适应神经网络模糊推理系统的参数通过训练得到,训练可以通过简单的计算机合成图像来进行。将含噪声的图像、中值滤波后的图像和维纳滤波后的图像作为系统的三个输入,通过一个固定阈值来判断像素点是否为噪声点作为系统的输出,如果判断是噪声点,则通过中值滤波来进行去噪处理,如果判断是非噪声点,则灰度值保持不变。算法的特点就是在能够保持好线条、边缘、细节和纹理的同时,很好地去除噪声点。仿真实验表明,算法可以对噪声污染的图像进行有效的重建,同时不会扭曲图像中的有用信息。

自适应神经网络模糊推理系统最优参数的研究

模糊规则的提取和隶属度函数的学习是模糊系统设计中重要而困难的问题。自适应神经网络模糊推理系统(ANFIS)能基于数据建模,无须专家经验,自动产生模糊规则和调整隶属度函数。在建立一个初始系统进行训练时,其隶属度函数的类型、隶属度函数的数目以及训练次数都是待定的,这三个参数的选择直接影响系统训练后的效果,它们的确定方法有待研究。该文应用自适应神经网络模糊推理系统的方法对一个典型系统进行建模仿真,并阐述这三个参数的寻优方法。

基于LoRa和自适应神经网络模糊推理系统的光伏阵列故障诊断系统

为了提高光伏系统的可靠性和效率,本文设计了一种新的光伏阵列在线智能故障诊断系统。首先,使用霍尔电压电流传感器采集光伏阵列最大功率点作为原始数据,经过LoRa传输至诊断中心,再在采集到的原始数据中提取新的七维故障特征向量,包括工作电压、电流、辐照度和温度。其次,提出了一种基于自适应网络的优化模糊推理系统作为故障诊断模型。最后,通过基于Simulink的仿真和实验室光伏系统的实际故障实验,测试了所提出的基于自适应神经网络模糊推理系统的故障诊断模型的可行性和优越性。实验结果证明,所提出的基于自适应神经网络模糊推理系统的方法具有较好的性能,并且优于基于常规反向传播神经网络的方法。在仿真和实验数据集上,基于自适应神经网络模糊推理系统的故障诊断模型的总体准确性分别为99.9%和97.0%以上。

带自适应模糊神经网络补偿的自耦合PI在风力机变桨控制中的应用

风力机对于风能的捕获主要依靠主控制器和执行机构之间的协同工作。然而风速的幅值和方向是时刻变化的,它的这种非线性特性给能量转换带来了挑战。针对该问题,文章设计了一种基于混合控制方案的变桨距系统,用于超风速下功率吸收的恒定。所提方法利用一种新颖的自耦合PI获取转子速度跟踪性能。而风速的随机性变化被视为一个外在扰动,采用自适应模糊神经网络对其进行补偿控制。为了验证该变桨距控制系统的性能,在Matlab/Simulink中搭建了2 MW直驱式风机模型,并与传统的PI控制器进行仿真对比。仿真结果表明,文章所提算法在转子速度跟踪和输出功率恒定控制等方面拥有比传统PI更为优异的性能。

基于径向基神经网络和自适应神经模糊系统的电力短期负荷预测方法

针对实时电价对短期负荷的影响,建立了径向基(RBF)神经网络和自适应神经网络模糊系统(ANFIS)相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对不考虑电价因素的预测日负荷进行了预测,并根据近期实时电价的变化,应用ANFIS系统对RBF神经网络的负荷预测结果进行修正,以使固定电价时代的预测方法在电价敏感环境下也能达到较好的预测精度,克服了神经网络在电力市场下进行负荷预测时存在的不足。某电网实际预测结果表明,该方法具有较好的预测效果。

粗糙集信息熵与自适应神经网络模糊系统相结合的电力短期负荷预测模型及方法

电力系统短期负荷预测不仅要考虑负荷本身的历史时间序列,而且与气象因素密切相关,自适应神经网络模糊系统(Adaptive Neuro-Fuzzy Inference System,ANFIS)模型是一种有效的预测方法,而系统输入变量的合理性选择是影响预测效果的关键所在。作者通过粗糙集理论中的信息熵概念对解决这一问题进行了尝试,选取与待预测量相关性大的参数作为输入。所构造ANFIS系统是基于数据进行建模并进行参数辨识的,这样有效地避免了模糊推理系统(Fuzzy Inference System,FIS)中人为主观因素对预测的负面影响,客观地反映了相关变量与负荷值之间的复杂关系。用该方法与常用BP神经网络及常用FIS分别对重庆市某区进行了一周的日负荷预测,通过对实例的对比分析表明了该方法具有较好的收敛性和预测精度。

基于模糊推理和神经网络的采矿方法智能决策系统

有针对性地引入人工智能、专家系统、人工神经网络和计算机辅助设计等先进技术 ,通过有效的组合与集成 ,形成功能先进的智能化决策支持系统。采矿方法智能决策系统由四部分组成 :将矿体的赋存条件转化为模糊知识和模糊规则 ;运用模糊推理专家系统初选可行方案 ;用人工神经网络对可行方案的技术经济指标进行预测 ;通过群体多目标决策 ,优选出实施方案。应用于云南锡业公司松树脚矿 ,用优选方案进行工艺试验 ,取得了贫化损失小。

开关磁阻电机自适应模糊神经网络系统(ANFIS)无位置传感器控制

提出一种基于有限元模型的开关磁阻电机自适应模糊神经网络系统(ANFIS)无位置传感器控制的新方法。自适应模糊神经网络系统以相绕组的电流和磁链为输入,以转子位置角度为输出,从而建立起电流、磁链和转子位置角度的非线性映射关系。网络训练的样本数据来自于有限元模型分析,它具有足够的精度,且不需要测量仪器和线路布置,不受环境干扰因素影响,能够大幅减少试验成本,缩短试验周期。仿真和实验结果表明,由自适应模糊神经网络获得的角度信号和由位置传感器获得的角度信号相比误差较小,电机能够准确换相,且输出转矩波动小,转速曲线平滑,电机在无位置传感器下运行良好。

作物需水量自适应神经网络模糊系统的设计研究

通过自适应神经网络对大量实验数据 (太阳辐射、空气湿度 )的学习 ,得到学习后的作物需水量模糊系统的隶属度函数和模糊规则 ,所建立的Sugeno型模糊推理系统通过与自适应技术的结合 ,使建立的模糊模型很好地匹配了输入数据。该模糊模型能很好地解决需水量多影响因素之间的不确定性和非线性 ,模型的预测精度较高 ,对精确灌溉和节水农业不仅有一定的理论意义 ,更具有巨大的实用价值。

自适应模糊神经网络系统在管道泄漏检测中的应用

输油管道泄漏信号的检测存在信噪比较低的问题 ,利用自适应模糊神经网络系统的去噪方法可以提高压力信号、流量信号的信噪比。由于自适应模糊神经网络系统具有非线性映射和自学习能力 ,能够用于噪声信号的非线性建模。它不仅能够获取信号的最佳估计 ,并且能够克服信号处理中存在的模型和噪声的不确定性、不完备性。应用结果表明 ,自适应模糊神经网络的自适应噪声抵消器不仅实现简单、节省运行时间 ,而且能快速、有效地消除流量、压力信号中的各种噪声 。

神经网络模糊推理系统在火灾探测中的应用

提出了一种用于火灾自动探测的神经网络模糊推理系统，它采用前馈神经网络对火灾探测器信号进行处理，神经网络输出的火灾概率经模糊推理系统判决，输出火灾报警信号。这种方法结合了神经网络和模糊逻辑的优点，实验表明这种系统能够准确探测火灾并减少了误报警。

基于自适应神经网络模糊系统的交通事故损失预测

自适应神经网络模糊系统在建立对象输入和输出关系时 ,与传统的数学方法不同 ,它是基于数据的建模 .本文利用这一系统特性 ,建立了道路交通事故损失与交通事故次数、死亡人数和受伤人数之间的关系 ,提出了自适应神经网络模糊系统预测道路交通事故损失的方法 。

基于模糊神经网络的MIMO系统自适应解耦控制

针对一类具有不确定性的多输入多输出(MIMO)非线性系统控制问题,提出了基于模糊神经网络的自适应解耦控制方法.根据分散控制理论和反馈线性化方法设计了MIMO非线性系统的分通道解耦控制律,然后把通道耦合项和不确定性项归结为总的系统扰动项,利用模糊神经网络观测器得到其估计值,并作为补偿信号加入到解耦控制律中.证明了所设计的解耦控制律、模糊神经网络观测器以及模糊神经网络权值向量自适应律可以保证控制误差、扰动估计误差和权值向量误差一致最终收敛.仿真中将本文的方法与传统的输出反馈控制律进行了对比,结果表明加入的补偿控制信号消除了通道耦合和不确定性带来的不利影响,验证了该方法的有效性和稳定性.