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IWOA-PNN模型的管道焊缝腐蚀剩余强度预测

针对管道焊缝腐蚀问题构建基于改进鲸鱼优化算法(Improved Whale Optimization Algorithm, IWOA)的概率神经网络(Probabilistic Neural Network, PNN)剩余强度预测模型。首先,通过种群初始化、非线性收敛因子和惯性权重因子提高鲸鱼优化算法的寻优速度和精度;然后,利用IWOA算法优化PNN的光滑因子,构建IWOA-PNN预测模型;最后,以水压爆破试验数据为基础,使用MATLAB软件进行仿真试验,并与另外2个模型进行对比分析。结果表明:IWOA-PNN模型的ERMS为0.633 1,EAR为2.19%,R^(2)为0.954 6,均优于PNN和鲸鱼优化算法(Whale Optimization Algorithm, WOA)-PNN模型;IWOA-PNN模型与传统模型相比误差更小,能够更为准确地预测焊缝腐蚀后剩余强度,为管道的维修和更换提供参考。

基于改进MFCC融合特征及FA-PNN的驾驶员路怒情绪识别

现今关于驾驶员路怒情绪识别方法中语音特性分析相对较少,该研究以路怒情绪为研究对象,利用模拟驾驶系统建立数据集,通过分析驾驶员语音的频谱特征,将时域中短时能量及短时过零率特征参数和改进Mel频率倒谱系数(Mel frequency cepstral coefficients,MFCC)特征参数融合构成特征参数向量,利用萤火虫算法(firefly algorithm,FA)优化PNN神经网络(probabilistic neural networks)并构建识别模型,实现驾驶员路怒情绪的识别。实验结果表明,在相同神经网络下,改进MFCC融合特征提取方法相比传统MFCC特征提取方法具有更好的抗噪性。同时,FA-PNN模型的识别准确率为93.0%,相比传统PNN模型提高了11个百分点;F1-Score值为0.9328,提高了0.1047。该研究论证了语音信号处理技术对驾驶员路怒情绪识别的可行性,为汽车主动安全驾驶预警研究提供了新方法。

基于PCA和PNN柴油机故障诊断方法

针对舰船柴油机智能故障诊断中因故障样本不足而导致的诊断模型准确度不高的问题,提出一种基于PCA和PNN的柴油机故障诊断方法。对改进柴油机故障分级车型的效果提出了两个步骤。使用主成分方法对样本量进行分类;随后,在提高故障诊断准确性的同时,利用概率神经网络(PNN)建立模型,强化其泛化性能。最后经过项目测试、比对测试等多方验证,得出结论:所研究的方法可以对柴油机故障进行精确诊断,其优点是精度高,运行时间短,适用性广。

基于PSO-PNN与CV-SVM的旋转机械故障诊断研究

不同类型的旋转机械发生故障时会激发出不同特征的振动信号。针对旋转机械故障点位判断难、复合故障判断不准确等问题,构建了概率神经网络(PNN)以及支持向量机(SVM)这两种人工智能模型,并采用该模型对旋转机械进行了故障识别研究。首先,采集了研究对象各故障状态下的振动信号,对振动信号的时域和频谱进行了分析,根据振动信号的特征表现,分别将原始振动信号幅值和振动信号特征值作为人工智能模型的输入向量;然后,利用粒子群算法(PSO)对概率神经网络的输入参数进行了优化,利用交叉验证法(CV)对支持向量机的输入参数进行了优化;最后,建立了概率神经网络和支持向量机故障诊断模型,对旋转机械故障进行了诊断,并对比分析了诊断结果。研究结果表明:基于PSO-PNN模型的旋转机械故障识别准确率在97%以上;基于CV-SVM模型的旋转机械故障识别准确率在98%以上;这两种人工智能方法在用于旋转机械故障诊断时具有速度快、准确率高的优点;其中,PSO-PNN方法适用于旋转机械故障实时监测,CV-SVM方法适用于旋转机械复杂故障的识别。

基于HRFDE和GSA-PNN的旋转机械故障识别模型

采用波动散布熵只能提取故障振动信号的单一尺度特征,而多尺度反向波动散布熵(MRFDE)无法分析信号的高频特性信息,导致提取的故障特征不够全面,进而影响旋转机械故障识别准确率,针对这一问题,提出了一种基于层次反向波动散布熵(HRFDE)和引力搜索算法优化概率神经网络(GSA-PNN)的旋转机械故障诊断模型(方法)。首先,利用层次分割处理代替MRFDE中的粗粒化处理,提出了可以同时提取信号中低频段信息和高频段信息的HRFDE方法,并用于全面表征旋转机械故障特征中的低频和高频信息,从而生成了故障特征样本;然后,采用引力搜索算法(GSA)方法对概率神经网络(PNN)分类器的平滑因子进行了快速优化,建立了GSA-PNN多故障分类模型,对旋转机械的故障类型进行了识别和检测;最后,利用滚动轴承和齿轮箱两种典型的故障数据集,对基于HRFDE方法和GSA-PNN分类器的故障诊断方法的有效性和稳定性进行了实验分析,并将其与现有基于MRFDE、多尺度波动散布熵(MFDE)和层次散布熵(HDE)的故障特征提取方法进行了对比分析。研究结果表明:基于HRFDE方法和GSA-PNN分类器的故障诊断方法可以精准地识别旋转机械的不同故障类型,对两种数据集的识别准确率均达到了98%;而在牺牲部分故障识别效率的基础上,能够获得优于其他对比方法的故障识别准确率,其具有更好的综合性能。

基于PNN神经网络的电控发动机故障诊断

PNN是前馈型神经网络,具有强大的非线性模式分类能力。提出运用PNN神经网络对发动机电控系统进行故障诊断的方法,介绍了PNN神经网络及其工作原理,以伊兰特汽车发动机电控系统为研究对象,让发动机在怠速情况下,并对其进行故障设置,运用金德KT600故障诊断仪采集发动机故障数据流,利用PNN神经网络建立诊断模型,并对网络诊断模型进行验证,诊断结果完全正确,且训练速度非常快。实验结果表明PNN神经网络具有较强的泛化能力和实用价值。

中国耕地资源安全模式识别的PNN神经网络方法

耕地资源安全不仅事关中国的粮食安全,而且影响中国的生态安全和社会安全。为了分析各地区耕地安全的特点和影响因素,笔者首先选取评价指标,构建区域耕地资源安全风险评价模型,然后应用安全预警理论建立耕地安全风险评价指标阈值标准,最后利用PNN神经网络模型,对中国区域耕地风险进行分析。结果表明,中国耕地安全风险分为5类地区:高度危险区:四川、云南、内蒙古、福建、重庆、陕西、贵州、甘肃、青海,主要是生态脆弱区;危险地区:山东、北京、上海、天津、广西;值得关注地区:宁夏、江苏、浙江、西藏、广东,既有经济发达地区又有相对落后地区;安全区:辽宁、山西、河南、河北;高度安全区:安徽、湖南、湖北、新疆、海南、江西、吉林、黑龙江,安全和高度安全区中,大部分是中国的粮食主产区。这意味着中国耕地保护政策要转向耕地生态背景和质量的保护,经济发展对耕地资源的压力也不容忽视,同时要继续加强对粮食主产区耕地保护的倾斜政策,确保中国的粮食安全。

基于PNN神经网络的掘进机截齿磨损程度识别研究

针对掘进机截齿磨损在线识别问题,提出一种基于PNN神经网络的截齿磨损程度多特征信号识别方法,提取不同磨损程度的截齿在截割过程中的振动和声发射特征信号,分别分析振动加速度、声发射信号峰值以及2种特征信号频域图的均方根这4个特征参数,获取振动信号、声发射信号与不同磨损程度截齿的变化规律。建立5种不同磨损程度截齿的多特征信号样本数据库,采用多特征信号样本对PNN神经网络进行学习和训练,建立截齿磨损程度的识别模型,实现截齿磨损程度的精确识别。结果表明:基于PNN神经网络的截齿预测磨损状态识别模型识别精度较高,识别准确率和预测准确率约为93.3%和95.0%,与BP神经网络方法相比分别提高了3.3%和15.0%。因此该神经网络具有良好的可靠性与精确性。

基于EMD-PNN网络的刚性罐道故障诊断方法

针对刚性罐道故障种类识别困难,提出了一种基于经验模态分解-概率神经网络(EMD-PNN)的刚性罐道故障诊断方法。首先,搭建立井提升实验平台,使用北京东方振动和噪声技术研究所的INV3062T0设备采集罐道的振动信号,然后对含噪的振动信号进行EMD降噪;其次,提取降噪后振动信号的能量参数、偏度参数、峰度参数、波形参数、峰值参数、峭度参数、脉冲参数、裕度参数构成特征向量,作为PNN网络输入层的训练样本和测试样本;最后,利用训练样本建立PNN网络模型,选取测试样本检测概率神经网络的模式识别效果。实验证明,本方法对台阶凸起故障、接头错位故障和正常状态3种模式的识别率达到100%,为立井提升等非线性非平稳复杂系统的故障诊断提供一种通用可行的解决方案。

基于三序分量法和PNN的配电网不对称故障类型识别

针对配电网故障类型识别率低的问题,提出一种基于正、负、零三序分量和概率神经网络(PNN)的配电网故障类型识别方法。首先,利用Matlab软件对10 kV配电网发生各类不对称故障进行仿真,将产生的故障电流用对称分量法进行分解,然后得到有差异的正、负、零序电流;再用这3种分量作为特征量,代入PNN进行训练;最后,将现有的故障特征量输入训练完成且具有识别功能的PNN网络中,达到故障识别及分类的目的。仿真结果表明:在不同的故障合闸角、过渡电阻以及负荷有重大变化等情况下,三序分量法与负序分量法在区分单相接地、两相短路接地、两相相间短路等不对称故障时,前者区分准确度更高,对进行事故分析和故障选相等具有重要意义。

基于PNN/PCA/SS-SVR的光伏发电功率短期预测方法

光伏发电功率预测对太阳能开发利用、电网稳定安全运行具有重要意义。提出一种融合了概率神经网络(PNN)、主成分分析法(PCA)、分散搜索(SS)和支持向量机回归(SVR)的光伏输出功率预测模型。首先结合天气信息通过PNN将天气划分为晴、多云、阴、雨4种类型,然后在每种天气类型下,利用PCA对影响光伏出力的多个气象因素,如太阳辐射强度、温度和相对湿度等进行降维、转换成少数几个主成分作为输入向量,最后建立SS算法优化SVR的光伏发电功率短期预测模型。结果表明,该模型实现了对不同天气类型下的光伏出力较为精准的预测,具有一定的可行性及指导意义。

基于Pseudo-Zernike不变矩的PNN车牌汉字识别

基于不变矩理论,提出一种应用概率神经网络作为识别器的车牌汉字识别技术。利用Pseudo-Zernike矩特征的旋转不变性和良好的抗噪性能,将其作为车牌汉字识别的特征矢量,结合Pseudo-Zernike矩的快速算法和概率神经网络识别器快速学习和识别的性能,可适应实时环境下所获取的车牌汉字灰度图像的识别,具有较高的准确率,实验结果表明了该方法的有效性。

基于DWT和PNN的印刷过程实时监测和故障诊断

提出了一种新的基于离散小波变换和概率神经网络的印刷过程振动信号的实时监测和故障诊断系统。利用小波包分解技术对印刷过程振动信号进行降噪处理,并选择特殊频段进行小波包重构,有效捕捉和分离了处于信号不同频段的印刷过程振动信号故障特征分量。对提取的故障特征参数应用概率神经网络映射,实现对印刷过程振动信号运行状态的实时监测和故障诊断。仿真结果表明,该诊断方法快速、准确且易于工程实现。

基于KPCA-PNN的复杂工业过程集成故障辨识方法

针对核主元分析方法在复杂工业在线监控过程中易出现的核矩阵K难以计算和初始故障源难以辨识的问题,提出了一种基于核主元分析和概率神经网络的集成故障辨识方法.首先通过特征样本提取方法预处理工业数据集,然后采用核函数主元分析的Hotelling统计量T^2和SPE方法检测故障,采用核函数梯度算法定义了两个新的统计量C_(T^2)和C_(SPE),计算了每个监控变量对统计量T^2和SPE的贡献程度,并提取了故障特征.最后,利用概率神经网络技术进一步从关联故障特征中辨识出初始故障源.将上述故障诊断方法应用到Tennessee Eastman(TE)化工过程;多种故障模式下的仿真结果显示,该方法能够有效地检测并辨识出多种故障类型.

基于小波系数KPCA和PNN的电能质量扰动分类

针对电能质量扰动分类,提出基于小波系数特征的核主成分分析(KPCA)和概率神经网络(PNN)的分类新方法。对正常信号和六种常见电能质量扰动(电压暂降、暂升、短时中断、谐波、电压波动和振荡暂态)进行小波变换和多尺度分析,提取各类扰动在多个尺度上小波系数作为特征向量;利用KPCA进行主成分提取,降低了小波系数特征向量维数,再输入PNN进行分类。仿真表明,该方法分类速度和准确率良好。

基于概率神经网络和层次分析法的硐室群施工风险评估

地下硐室群施工风险研究尚处于起步阶段,为快速准确评判风险因素,预防施工安全事故,利用概率神经网络(PNN)和层次分析法(AHP)建立风险评估模型,并研发硐室群施工风险评估软件。通过统计分析硐室群施工风险因素,设置工程地质、自然、设计施工和管理4个一级风险因素,23个风险控制指标,建立针对硐室群施工的风险指标体系。收集典型样本数据后,基于PNN对施工风险等级进行评判,同时采用AHP定量分析风险因素权重,迅速捕捉风险点,采取风险控制措施并优化施工方案。运用研发软件对重庆轨道交通18号线歇台子站硐室群施工进行风险评价,得到风险概率等级为Ⅳ,在施工过程中需要重点监测和控制地下水、围岩等级和支护及时性等带来的影响,实例评价结果与现场情况相吻合,验证了该评估软件的有效性和实用性。研究表明:针对硐室群施工建立的指标体系和评估方法能有效预测风险级别,实时指导施工过程,确保地下硐室群施工安全。

基于PNN神经网络的地震属性反演技术

在薄互层地震储层预测中,属性分析和地震反演是当前应用地震资料进行储层预测的主要技术,两者实质上都属于反问题范畴,两者各有优缺点。提出了一种基于PNN神经网络的多属性地震反演技术,可以比较好地发挥两者的优势。概率神经网络(PPN)是一种数学内插方案,只不过在实现时利用了神经网络的架构,可以通过数学公式理解它的行为,克服了BP网络的的"黑匣子"问题。该技术在GTZ扶杨油层的砂岩预测中应用效果较好,厚度大于3 m的砂岩识别符合率超过90%以上。

基于参数策略的改进粒子群优化PNN神经网络刀具磨损研究

刀具磨损直接影响工件加工质量和尺寸精度,正确掌握刀具磨损状态及时换刀,减少机床停机时间,将直接提高加工效率。为提高刀具磨损状态识别准确率,提出一种基于参数策略的改进粒子群优化PNN(IPSO-PNN)神经网络识别刀具的磨损状态。相较于BP神经网络收敛速度慢、易陷入局部最优的缺点,IPSO-PNN神经网络结构简单、训练简洁快速。与BP神经网络和标准PNN神经网络仿真结果对比,结果表明:IPSO-PNN神经网络识别准确率高,收敛速度快,仿真耗时短,能有效提高刀具磨损识别准确率。

煤层底板突水危险性的PNN预测模型研究及应用

为准确有效地预测煤层底板突水的危险性,在分析大量观测实例数据的基础上,选取底板含水层水压、煤层采高、隔水层厚度、断层落差、煤层倾角和断层距工作面距离等6项指标作为影响煤层底板突水的初始特征指标。针对指标之间具有相关性的问题,利用主成分分析(PCA)法提取6项特征指标的主成分,将其作为概率神经网络(PNN)的输入向量,建立基于PCA的煤层底板突水危险性的PNN预测模型。选取21组煤矿实测数据作为学习样本,用于训练模型。采用回代估计法对模型回检。利用学习好的模型,预测另外4组矿井突水数据样本。结果表明,该方法有效降低了指标数据相关性,实现了降维,使PNN模型工作复杂度减弱。将该模型应用于工程实例中,所得预测结果准确率为100%。