基于PSO-BP复合网络的掘进机截割部故障智能诊断

针对井下掘进机故障诊断频发,传统诊断方法和BP神经网络诊断周期长的情况,以常村煤矿矿用EBZ-160TY型掘进机为背景,提出基于PSO-BP神经网络模型的掘进机截割部智能诊断模型。该模型能够弥补BP神经网络模型收敛周期长、局部最优搜索差的缺点,实现模型的快速收敛和故障准确预测。通过设置PSO-BP神经网络模型参数、样本数据训练,同时经过数据测试,确定PSO-BP神经网络模型预测结果故障预测率为100%,而BP神经网络的预测精度为80%,且在同时间下,PSO-BP神经网络较BP神经网络预测精度更高。在同精度下,PSO-BP神经网络模型收敛速度更快,在精度为1×10^(-5)时,PSO-BP神经网络模型仅需7步,BP神经网络平均需要198.5步。综合测试结果说明,PSO-BP神经网络模型能够较快实现掘进机故障的预测,且达到较高的预测精度,为掘进机故障诊断提供依据。

MCMC收敛性诊断的方差比法及其应用

目的 探讨方差比法在MCMC收敛性诊断中的应用以及收敛性诊断的重要性 ,以期为贝叶斯统计方法的研究和MCMC的应用提供有用的参考及帮助。方法 为演示方差比法诊断的结果 ,对一个正态混合分布的MCMC计算实例进行诊断 ,诊断结果由WinBUGS软件和CODA软件给出。结果 方差比法诊断结果反映出当没有对数据进行事先分组时 ,MCMC模拟结果经 10 0 0 0次迭代没有达到收敛状态 ,此时参数的MCMC估计值有较大偏倚。结论 方差比法能够对尚未收敛的马尔科夫链给出较为明确的诊断 。

认知诊断计算机自适应测验中平衡属性收敛的新方法

提出两种认知诊断计算机自适应测验下平衡属性收敛的新方法(MABI、RTA),模拟研究系统探讨和比较了此二者与已有方法(ABI、IABI和RABI)的表现。结果发现:(1)新方法较不考虑属性收敛的方法有更高的准确率以及更均衡的题目使用率;(2)新方法较ABI和RABI有稍低的准确性,但有更平衡的题目使用率;(3)新方法与IABI的准确性和题目使用率在不同选题策略下各有优势。总之,两种新方法较好地兼顾测量准确性、题目使用率以及题库曝光情况。

基于改进收敛交叉映射的厂级振荡源诊断

由于噪声、周期性、非线性和非平稳性的干扰,现有的大多数因果分析方法在工业过程控制系统的应用中往往是不可靠和不准确的。为提高厂级振荡源定位的性能,提出了一种基于改进收敛交叉映射的因果关系检测方法。首先,指出噪声和周期性对因果关系检测的不利影响。其次,将经验模态分解和去趋势波动分析相结合,实现了振荡信号去噪。然后,通过奇异谱分析有效地去除信号的周期性。利用收敛交叉映射可以对去噪去周期后的信号进行分析,进而准确地定位厂级振荡的源头。仿真结果表明,所提方法能提高过程控制系统中厂级振荡源定位的准确性。

基于多维特征与IGWO-SVM的电机轴承故障诊断

针对电机轴承故障诊断精度低、传统灰狼优化算法(GWO)优化支持向量机(SVM)故障诊断模型容易陷入局部最优的问题,引入非线性收敛因子和Levy飞行策略对改进灰狼优化算法(IGWO)进行研究,提出了一种基于多维特征与改进灰狼优化算法优化支持向量机(IGWO-SVM)的电机轴承故障诊断方法。提取电机轴承振动信号的时域和频域特征构成多维特征矩阵;采用主成分分析(PCA)降低特征矩阵的数据维数,以实现快速数据处理;利用IGWO对SVM模型参数进行优化,得到最优的IGWO-SVM故障诊断模型用于确定电机轴承的故障类型。实验结果表明:所提出的电机轴承故障诊断方法在不同工况下精度高、性能稳定,所提出的IGWO算法与传统GWO和基于差分进化的改进灰狼优化算法(DEGWO)相比,具有更好的收敛性和精度。

面向大规模认知诊断的DINA模型快速计算方法研究

在教育教学的过程中,如何诊断学生的知识水平是一个重要的问题.传统方法大多由教师根据学生的表现和成绩进行人工判断,存在效率低、主观性强的问题,且难以做到针对大量学生的个性化诊断.近年来,认知诊断模型中的DINA模型被广泛应用于诊断学生个性化知识掌握程度.然而传统DINA模型大多基于小样本数据,当面对在线教育带来的大规模数据处理需求时,存在收敛速度慢的问题,难以实际应用.针对DINA模型计算时间过长的问题,本文首先给出了DINA模型的收敛性证明,并提出了三种能够加速DINA求解的算法:(1)增量算法,它将学生数据划分为多个学生块,每次迭代只访问其中一个学生块;(2)最大熵方法,它只访问在极大化模型熵的过程中影响较大的学生数据;(3)基于前两者的混合方法.最后,本文通过真实数据和模拟数据上的实验,分析证明了三种方法均能在保证DINA模型有效性的情况下,达到几倍至几十倍的加速效果,有效地改善了DINA模型的计算效率.

基于加权模糊聚类算法的变压器故障诊断方法

三比值法在变压器故障诊断中得到了广泛的应用,但是此方法存在编码不连续的问题,同时注意到不同样本在模糊C均值(fuzzy C-means,FCM)算法中所起到的作用差异,根据样本间相异度的思想,为每个样本赋予相应的权值,体现它们对聚类结果的不同影响,将加权FCM聚类算法应用到三比值法中进行变压器故障诊断,另外在聚类的开始,考虑到变压器故障诊断的实际情况,对算法的初始化隶属度也进行了更适当的设置。实验结果表明,经过以上修改得到的基于加权模糊聚类算法的变压器故障诊断方法有效可行,和FCM算法相比,不但能明显提高故障诊断的收敛速度,而且能得到更加接近实际位置的故障聚类中心,具有一定的优越性。

基于闭环P型学习控制的线性分布参数切换系统故障诊断

研究了一类具有切换模态的线性分布参数系统的故障诊断问题.在实际运行的动态线性分布参数切换系统的基础上,设计了与之对应的虚拟故障跟踪器,通过引入残差信号,建立了闭环P型迭代学习故障跟踪算法;给出了该算法的收敛性充分条件,并通过严格的理论分析,保证了残差信号和故障偏差的一致收敛性;最后通过数值仿真结果进一步验证了所提算法的有效性.

基于Elman神经网络的传感器故障诊断研究

针对传统的传感器故障诊断技术的不足,提出一种基于Elman神经网络的故障诊断方法,建立了Elman网络故障诊断模型,利用小波包分解方法获取用于训练神经网络的特征能量谱,对所建立的模型进行训练。为了检验模型的实际诊断能力,以某动力系统管路流量传感器的4种典型故障诊断为例进行仿真实验,并和标准BP神经网络的诊断结果进行对比。仿真结果表明:基于Elman神经网络的故障诊断速度更快、准确率更高、泛化能力更强,验证了所提出方法的实用性和有效性。

基于新径向基函数网络的变压器故障诊断法

油中溶解气体分析(DGA)是判别变压器内部绝缘状况及发现内部潜伏性故障的重要手段,而多层前馈网络(MLFNN)是应用广泛的故障诊断模型。为此,提出了以DGA数据为特征参数的新型径向基函数神经网络(RBFNN)诊断变压器故障。在分析传统k-均值聚类算法RBFNN的缺点和最优聚类特性的基础上,介绍了RBFNN的新算法-自适应k-均值聚类算法,它既能避免传统k-均值聚类算法的局部收敛的缺点,又能动态调整学习率。最后,大量聚类实验结果显示自适应k-均值聚类算法在收敛速度和聚类性能上比传统k-均值聚类算法显著提高;故障诊断实验结果显示所提出的模型故障诊断准确度高于传统BPNN、RBFNN及IEC三比值法。

基于混合粒子滤波的温控传感器故障诊断方法

标准粒子滤波算法的精度不高、鲁棒性差,难以满足电厂温度传感器故障诊断的要求。针对该问题,提出一种新的适用于温度传感器故障检测的智能粒子滤波算法。该算法采用人工鱼群的全局收敛性找到满意的解域,利用粒子群算法引导粒子向高斯然区域移动,提高滤波精度。实验结果证明,该算法精度高、鲁棒性强,可以有效地应用于电厂温控系统故障的诊断。

基于改进粒子群算法的变压器故障诊断研究

针对基本粒子群算法存在收敛慢、易陷入局部极值的缺点,分析了粒子群算法中惯性权重和加速因子的作用,对其作了修改,并用改进后的粒子群算法训练神经网络,应用在变压器故障诊断上。仿真结果表明:改进后的粒子群算法迭代次数少,收敛速度比改进的BP算法快,可以对变压器的故障类型进行区分。

基于径向基函数神经网络的柴油机故障诊断

提出一种应用径向基函数(RBF)神经网络解决故障诊断问题的方法,并将其应用于柴油机故障诊断与识别。在RBF神经网络中采用了一种减聚类的学习算法来确定径向基函数的相应参数,从而使神经网络结构得到优化。实例仿真结果表明,RBF神经网络学习收敛较快,对故障识别性能好。

结合N-W方法的L-M算法在变压器故障诊断中的应用

在分析Levenberg-Marquardt(L-M)算法和Nguyen-Widrow(N-W)方法原理的基础上,提出了一种多层前馈神经网络训练算法,该算法在使用N—W方法初始化神经网络可变参数的基础上使用L-M算法训练多层前馈神经网络。构造了适合于变压器油中溶解气体分析故障诊断的神经网络,使用了标准BP算法、加动量项BP算法和结合N-W方法的L-M算法训练该网络,结果表明算法收敛速度快、不容易陷入局部极小点。将训练所得网络用于变压器油中溶解气体分析故障诊断,诊断结果验证了该方法的有效性。

BP算法的加速方法及其在核供热堆故障诊断中的应用

本文提出一种ＢＰ算法的加速收敛方法，利用误差自动调整步长和元输出特性Ｓ函数的参数，可大大提高算法的收敛速度。将此方法应用于２００ＭＷ核供热堆故障诊断研究，取得了较好的结果，证明此法是行之有效的。

小波预处理的神经网络在轴承故障诊断中的应用

为提升轴承故障诊断的准确度及信号的处理能力,针对小波分析在轴承局部损伤诊断中的紧支性特点,研究了正交紧支撑函数的构建方法,以小波多分辨分析法和多元时间序列分析为基础,构建出小波神经网络,并对模型中的权值与缩放、平移数进行了修正。基于MATLAB对故障轴承的非平稳信号加速度波形进行了数值模拟计算,通过对神经网络参数修正前后的收敛性对比可知,修正后的迭代误差在幅值和收敛效率上均优于修正前,明显提升了轴承故障诊断的准确度及信号的处理能力。

基于模糊免疫算法的电路故障诊断研究

本文采用模糊免疫算法研究电路故障诊断,首先概述了电路测试生成、特征获取与故障诊断方法机理,进而研究了模糊免疫方法在电路故障诊断中的应用机理,完成电路模糊免疫方法故障诊断的matlab流程设计。研究表明,本文方法具有很好的泛化能力,对数据的处理速率快且收敛效果好。

板级模拟电路仿真收敛性技术研究

电路仿真不仅应用于电路设计阶段,也用于电路故障诊断中。电路仿真结果能够为建立电路测试诊断知识库提供重要的参考信息。本文简要介绍了电路仿真收敛性的相关理论,分析了板级模拟电路直流分析和瞬态分析的仿真收敛性问题,深入探讨了电路仿真技术的原理和发展,重点研究了新的电路仿真算法,并将其应用于模拟电路仿真系统中。

基于迭代学习控制的一类分布参数系统故障诊断

利用迭代学习控制方法,研究了一类线性抛物型分布参数系统的故障诊断问题。首先设计了与实际系统对应的故障跟踪估计器,并利用残差信号构建基于迭代学习的故障逼近算法,该算法可同时保证故障偏差和残差信号沿迭代轴收敛。其次,给出了该学习控制算法一致收敛的充分条件,并详细证明了算法的收敛性。最后,利用数值例子验证了所给算法的有效性。