色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

運(yùn)用于故障診斷中的一般神經(jīng)網(wǎng)絡(luò)

力久電機(jī) ? 來源:YXQ ? 2019-07-16 09:48 ? 次閱讀

人工神經(jīng)網(wǎng)絡(luò)是近年來發(fā)展迅速,廣泛地應(yīng)用于各個(gè)領(lǐng)域,包括航天,自動(dòng)控制,金融,電子,制造,醫(yī)藥等多個(gè)行業(yè),已經(jīng)有許多成功的先例,并展示了更為廣闊的應(yīng)用前景。基于神經(jīng)網(wǎng)絡(luò)的故障診斷不需要建立精確的數(shù)學(xué)模型,可以處理非線性問題,具有并行計(jì)算能力,不需要診斷和推理規(guī)則,它通過一組樣本的輸入與輸出之間的映射關(guān)系進(jìn)行按照設(shè)定的準(zhǔn)則可以自學(xué)習(xí)。

01

運(yùn)用于故障診斷中的一般神經(jīng)網(wǎng)絡(luò)

目前,非線性系統(tǒng)的故障診斷與容錯(cuò)的方法的研究,是目前研究的熱點(diǎn)和難點(diǎn)。神經(jīng)網(wǎng)絡(luò)以分布的方式存儲(chǔ)信息,通過神經(jīng)元之間拓?fù)浣Y(jié)構(gòu)和權(quán)值分布逼近非線性系統(tǒng),并能做到并行運(yùn)算,具有一定的泛化和容錯(cuò)能力。近年來,神經(jīng)網(wǎng)絡(luò)在故障診斷及容錯(cuò)控制中的應(yīng)用得到了廣泛的關(guān)注。其中,應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的研究較多。BP網(wǎng)絡(luò)是一種多層前向網(wǎng)絡(luò),由輸入層、隱層和輸出層組成,如圖所示。

BP神經(jīng)網(wǎng)絡(luò)利用網(wǎng)絡(luò)誤差平方和對(duì)網(wǎng)絡(luò)層輸入的導(dǎo)數(shù)來調(diào)成其權(quán)值和閾值,從而降低誤差平方和。訓(xùn)練從計(jì)算每一層的輸出開始,直到得到網(wǎng)絡(luò)的輸出矢量,目標(biāo)矢量減去網(wǎng)絡(luò)的輸出得到誤差矢量,利用梯度下降方法,通過后項(xiàng)傳播算法來訓(xùn)練MLP。在設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷時(shí),根據(jù)解決問題的特點(diǎn)和系統(tǒng)特征,選擇合適的網(wǎng)絡(luò)類型,是十分重要的,但并不是所有的問題都是和采用BP神經(jīng)網(wǎng)絡(luò)。

02

基于多層網(wǎng)絡(luò)的故障診斷

在解決復(fù)雜系統(tǒng)的故障診斷,特別對(duì)分布式系統(tǒng),基于神經(jīng)網(wǎng)絡(luò)的診斷系統(tǒng)在構(gòu)造上不免會(huì)十分龐大,造成神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間長(zhǎng),可靠性降低。此時(shí)可以采用基于多網(wǎng)構(gòu)造的診斷系統(tǒng)。分層結(jié)構(gòu)方法是目前在復(fù)雜系統(tǒng)故障診斷中常用的方法。在分步式的多層神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)中,各個(gè)子網(wǎng)可以分配不同的任務(wù),每個(gè)子網(wǎng)只接受部分的輸入,處理總?cè)蝿?wù)的一部分,各個(gè)子網(wǎng)的輸出合成總的運(yùn)算結(jié)果,這樣就提高了計(jì)算速度。也可以同時(shí)執(zhí)行同樣的計(jì)算,每一個(gè)子網(wǎng)都在接受所有輸入的模式下工作,但使用不同的算法,以增強(qiáng)系統(tǒng)的可靠度。這兩種方法當(dāng)然也可以結(jié)合使用。

以多層神經(jīng)網(wǎng)絡(luò)應(yīng)用于柴油機(jī)引擎的故障早期檢測(cè)與分離為例。采用綜合組網(wǎng)的方式,整個(gè)系統(tǒng)包括兩層4個(gè)模塊,其中1個(gè)主模塊,3個(gè)從模塊。系統(tǒng)的輸出通過多數(shù)表決法決定。

一種多層神經(jīng)網(wǎng)絡(luò)(MNN)

03

遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行故障診斷

遺傳算法是建立在自然選擇和群體遺傳學(xué)機(jī)理基礎(chǔ)上的隨機(jī)、迭代和進(jìn)化,具有廣泛適用性的搜索方法。由于遺傳算法上述的優(yōu)越之處,吸引了諸多關(guān)注的目光。隨著要解決問題復(fù)雜度的增加,神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)也趨向復(fù)雜,采用遺傳算法自動(dòng)構(gòu)造網(wǎng)絡(luò),把網(wǎng)絡(luò)結(jié)構(gòu)的形式作為一個(gè)子集選擇問題來解決,根據(jù)給定的對(duì)象函數(shù)自動(dòng)地確定適當(dāng)?shù)木W(wǎng)絡(luò)結(jié)構(gòu)來適應(yīng)學(xué)習(xí)過程中網(wǎng)絡(luò)結(jié)構(gòu)的變化。同樣,使用遺傳算法可以調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的權(quán)值。由于自適應(yīng)交叉率和變異率交叉率和變異率的大小對(duì)遺傳算法的運(yùn)行性能的影響較大,為了提高性能,可采用自適應(yīng)的方法動(dòng)態(tài)改變與的取值。

在利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí),在應(yīng)用于故障診斷的研究中可以根據(jù)實(shí)際特點(diǎn)選擇不同的網(wǎng)絡(luò)類型,設(shè)計(jì)具體算法。例如利用經(jīng)過遺傳算法訓(xùn)練的ELMAN神經(jīng)網(wǎng)絡(luò),對(duì)發(fā)動(dòng)機(jī)的故障進(jìn)行早期檢測(cè)(一步預(yù)報(bào))。其結(jié)構(gòu)如圖所示。也可以使用遺傳算法同時(shí)確定網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù),以獲得較高的效率。

在使用遺傳算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)

04

模糊神經(jīng)網(wǎng)絡(luò)在故障診斷與檢測(cè)中的應(yīng)用

將模糊邏輯和神經(jīng)網(wǎng)絡(luò)相結(jié)合,采用模糊神經(jīng)網(wǎng)絡(luò)作為故障分類器,自適應(yīng)從學(xué)習(xí)樣本數(shù)據(jù)中提取各個(gè)用以描述故障狀態(tài)的模糊參考模型。在診斷時(shí),此模糊神經(jīng)網(wǎng)絡(luò)在線地得到當(dāng)前系統(tǒng)的模糊模型描述,并將與各個(gè)參考模型相匹配,從而得出正確的診斷結(jié)果。在神經(jīng)網(wǎng)絡(luò)框架下引人模糊規(guī)則,且模型參數(shù)有明確的物理意義,又引人了學(xué)習(xí)機(jī)制,推理可以更加準(zhǔn)確。

一般模糊神經(jīng)網(wǎng)絡(luò)可以分為5層:輸入層、模糊化層、規(guī)則結(jié)點(diǎn)層、結(jié)論節(jié)點(diǎn)層、輸出層。

模糊神經(jīng)網(wǎng)絡(luò)示意圖

模糊系統(tǒng)可與多種網(wǎng)絡(luò)結(jié)合構(gòu)造模糊神經(jīng)網(wǎng)絡(luò),但運(yùn)用的手段相似。如利用模糊系統(tǒng)和徑向高斯函數(shù)網(wǎng)絡(luò)設(shè)計(jì)一種具有自適應(yīng)能力的模糊神經(jīng)網(wǎng)絡(luò)。利用高斯函數(shù)表示模糊規(guī)則前件的隸屬度函數(shù),然后,構(gòu)造一種遞階自組織在線學(xué)習(xí)算法,從輸入輸出樣本數(shù)據(jù)中,通過學(xué)習(xí)提取模糊IFTHEN規(guī)則;在此基礎(chǔ)上,提出一種非線性時(shí)變系統(tǒng)的自適應(yīng)狀態(tài)觀測(cè)器設(shè)計(jì)和故障檢測(cè)方法。

模糊神經(jīng)網(wǎng)絡(luò)解決了由于故障征兆和故障原因之間存在著許多不確定因素,建立精確的故障診斷系統(tǒng)存在著許多困難的問題。目前模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用很廣泛,如應(yīng)用于控制系統(tǒng)對(duì)象以及傳感器和執(zhí)行器的故障檢測(cè)和診斷等。

05

小波分析和神經(jīng)網(wǎng)絡(luò)的融合

小波分析是近年來從Fourier分析的基礎(chǔ)上發(fā)展起來的一種信號(hào)分析理論,具有良好的時(shí)頻局部化特征,把信號(hào)分解到不同頻帶內(nèi)進(jìn)行處理。將小波分析的特征提取與神經(jīng)網(wǎng)絡(luò)模式識(shí)別有機(jī)地結(jié)合起來,則可降低建立神經(jīng)網(wǎng)絡(luò)的難度,并且提高故障識(shí)別率。

小波神經(jīng)網(wǎng)絡(luò)模型

模型中的輸入為采集自待診斷系統(tǒng)的信號(hào),經(jīng)小波分析,提取反映設(shè)備狀態(tài)的特征向量,作為輸入連接到神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn),通過網(wǎng)絡(luò)的前向計(jì)算可完成對(duì)設(shè)備故障的識(shí)別。神經(jīng)網(wǎng)絡(luò)模型可通過對(duì)大量反映系統(tǒng)不同狀態(tài)故障的實(shí)測(cè)數(shù)據(jù)樣本的訓(xùn)練建立。另外,為提高網(wǎng)絡(luò)的自適應(yīng)性,進(jìn)一步完善診斷模型,還可在原有訓(xùn)練過的網(wǎng)絡(luò)基礎(chǔ)上,對(duì)小波神經(jīng)網(wǎng)絡(luò)模型的進(jìn)行再學(xué)習(xí)。

故障檢測(cè)與診斷是既是一門相對(duì)獨(dú)立發(fā)展的技術(shù),又與各門學(xué)科緊密聯(lián)系。神經(jīng)網(wǎng)絡(luò)故障診斷的研究取決與和神經(jīng)網(wǎng)絡(luò)的發(fā)展。神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷的研究手段和方法也不限于以上幾種,如結(jié)合專家系統(tǒng)的神經(jīng)網(wǎng)絡(luò),以及遺傳算法,模糊推理小波變換和神經(jīng)網(wǎng)絡(luò)的綜合。

人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷存在一些問題,如難以揭示出系統(tǒng)內(nèi)部的一些潛在關(guān)系,無法對(duì)診斷過程給予明確解釋;對(duì)未在訓(xùn)練樣本中出現(xiàn)的故障診斷能力下降,甚至?xí)e(cuò)誤;診斷網(wǎng)絡(luò)訓(xùn)練集較少或選擇不當(dāng)時(shí),很難得到好的診斷結(jié)果;對(duì)多故障同時(shí)診斷的可靠性不高,增加了神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中的困難。智能方法和小波變換與神經(jīng)網(wǎng)絡(luò)的有機(jī)結(jié)合正成為當(dāng)前研究的趨勢(shì)。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴

原文標(biāo)題:神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用

文章出處:【微信號(hào):ljdj6900,微信公眾號(hào):力久電機(jī)】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏

    評(píng)論

    相關(guān)推薦

    多層感知機(jī)與神經(jīng)網(wǎng)絡(luò)的區(qū)別

    多層感知機(jī)(Multilayer Perceptron, MLP)與神經(jīng)網(wǎng)絡(luò)之間的區(qū)別,實(shí)際上在定程度上是特殊與一般的關(guān)系。多層感知機(jī)是神經(jīng)網(wǎng)絡(luò)
    的頭像 發(fā)表于 07-11 17:23 ?1851次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)有何用途 卷積神經(jīng)網(wǎng)絡(luò)通常運(yùn)用在哪里

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,簡(jiǎn)稱CNN)是種深度學(xué)習(xí)模型,廣泛應(yīng)用于圖像識(shí)別、視頻分析、自然語言處理、生物信息學(xué)等領(lǐng)域。本文將介紹卷積神經(jīng)網(wǎng)絡(luò)
    的頭像 發(fā)表于 07-11 14:43 ?2299次閱讀

    基于增強(qiáng)遷移卷積神經(jīng)網(wǎng)絡(luò)的機(jī)械智能故障診斷

    遷移卷積神經(jīng)網(wǎng)絡(luò)(Enhanced Transfer Convolutional Neural Network, ETCNN),為解決這問題提供了新的思路。本文將從ETCNN的基本原理、優(yōu)勢(shì)、應(yīng)用場(chǎng)景、實(shí)現(xiàn)步驟及未來展望等方面,深入探討其在機(jī)械智能
    的頭像 發(fā)表于 07-08 16:33 ?518次閱讀

    人工智能神經(jīng)網(wǎng)絡(luò)一般結(jié)構(gòu)有幾個(gè)層次

    人工智能神經(jīng)網(wǎng)絡(luò)一般結(jié)構(gòu)是多層次的,通常由輸入層、隱藏層和輸出層組成。下面將詳細(xì)介紹這三個(gè)層次的結(jié)構(gòu)和功能。 輸入層 輸入層是神經(jīng)網(wǎng)絡(luò)的第層,負(fù)責(zé)接收外部輸入數(shù)據(jù)。輸入層的節(jié)點(diǎn)數(shù)量
    的頭像 發(fā)表于 07-08 09:40 ?753次閱讀

    rnn是遞歸神經(jīng)網(wǎng)絡(luò)還是循環(huán)神經(jīng)網(wǎng)絡(luò)

    RNN(Recurrent Neural Network)是循環(huán)神經(jīng)網(wǎng)絡(luò),而非遞歸神經(jīng)網(wǎng)絡(luò)。循環(huán)神經(jīng)網(wǎng)絡(luò)種具有時(shí)間序列特性的神經(jīng)網(wǎng)絡(luò),能
    的頭像 發(fā)表于 07-05 09:52 ?559次閱讀

    遞歸神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)

    遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,簡(jiǎn)稱RNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,簡(jiǎn)稱RNN)實(shí)際上是同個(gè)概念,只是不同的翻譯方式
    的頭像 發(fā)表于 07-04 14:54 ?733次閱讀

    反向傳播神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別

    反向傳播神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network,簡(jiǎn)稱BP神經(jīng)網(wǎng)絡(luò))是種多層前饋神經(jīng)網(wǎng)絡(luò),它通過反向傳播算法來調(diào)整網(wǎng)
    的頭像 發(fā)表于 07-03 11:00 ?790次閱讀

    bp神經(jīng)網(wǎng)絡(luò)是深度神經(jīng)網(wǎng)絡(luò)

    Network)有相似之處,但它們之間還是存在些關(guān)鍵的區(qū)別。 、引言 神經(jīng)網(wǎng)絡(luò)種模擬人腦神經(jīng)元結(jié)構(gòu)的計(jì)算模型,它由大量的
    的頭像 發(fā)表于 07-03 10:14 ?829次閱讀

    神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點(diǎn)有哪些

    的優(yōu)點(diǎn) 自學(xué)習(xí)能力:神經(jīng)網(wǎng)絡(luò)算法具有強(qiáng)大的自學(xué)習(xí)能力,能夠從大量數(shù)據(jù)自動(dòng)提取特征,無需人工干預(yù)。這使得神經(jīng)網(wǎng)絡(luò)算法在處理復(fù)雜問題時(shí)具有很高的靈活性和適應(yīng)性。 泛化能力強(qiáng):神經(jīng)網(wǎng)絡(luò)算法
    的頭像 發(fā)表于 07-03 09:47 ?1343次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)一般步驟是什么

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,簡(jiǎn)稱CNN)是種深度學(xué)習(xí)算法,廣泛應(yīng)用于圖像識(shí)別、視頻分析、自然語言處理等領(lǐng)域。本文將詳細(xì)介紹卷積神經(jīng)網(wǎng)絡(luò)
    的頭像 發(fā)表于 07-03 09:11 ?1075次閱讀

    神經(jīng)網(wǎng)絡(luò)在數(shù)學(xué)建模的應(yīng)用

    數(shù)學(xué)建模是種利用數(shù)學(xué)方法和工具來描述和分析現(xiàn)實(shí)世界問題的過程。神經(jīng)網(wǎng)絡(luò)種模擬人腦神經(jīng)元結(jié)構(gòu)和功能的計(jì)算模型,可以用于解決各種復(fù)雜問題。
    的頭像 發(fā)表于 07-02 11:29 ?928次閱讀

    神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別的應(yīng)用

    隨著人工智能技術(shù)的飛速發(fā)展,神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域的應(yīng)用日益廣泛。神經(jīng)網(wǎng)絡(luò)以其強(qiáng)大的特征提取和分類能力,為圖像識(shí)別帶來了革命性的進(jìn)步。本文將詳細(xì)介紹神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別的應(yīng)用案例,包括
    的頭像 發(fā)表于 07-01 14:19 ?671次閱讀

    基于胎心儀的胎兒心臟診斷神經(jīng)網(wǎng)絡(luò)

    或其他形式的變 形具有高度不失真性。由于卷積神經(jīng)網(wǎng)絡(luò)的這些特 點(diǎn),它可以很好地處理受設(shè)備或母親心跳影響的高維 數(shù)據(jù)。在臨床實(shí)踐,醫(yī)生一般會(huì)分析20分鐘的胎心率 數(shù)據(jù)。心率記錄為20
    發(fā)表于 05-14 18:47

    逆變電路故障診斷與保護(hù)

    逆變電路故障診斷與保護(hù)是電力電子技術(shù)個(gè)重要環(huán)節(jié),其主要目的是在逆變電路出現(xiàn)故障時(shí),能夠及時(shí)檢測(cè)、定位和處理
    的頭像 發(fā)表于 12-27 17:49 ?670次閱讀
    逆變電路<b class='flag-5'>中</b>的<b class='flag-5'>故障診斷</b>與保護(hù)

    LabVIEW在齒輪箱故障診斷的應(yīng)用

    LabVIEW強(qiáng)大數(shù)據(jù)處理和仿真能力,開發(fā)了個(gè)先進(jìn)的齒輪箱故障診斷系統(tǒng)。該系統(tǒng)主要采用小波包的獨(dú)立分量分析(ICA)方法,有效地提取齒輪箱的故障特征頻段。 在故障診斷系統(tǒng)的開發(fā)過程
    發(fā)表于 12-25 18:55
    主站蜘蛛池模板: 绝对诱惑在线试听| 99精品视频在线观看免费播放| 好吊日视频在线| 香蕉精品国产高清自在自线| 国产精品999| 午夜射精日本三级| 脱jk裙的美女露小内内无遮挡| 俄罗斯6一9泑女网站| 色狗av影院| 国产精品免费小视频| 亚洲高清视频一区| 九九九九九热| 4399亚洲AV无码V无码网站| 美女扒开尿孔| 拔萝卜电视剧高清免费| 日日夜夜狠狠干| 国产人成无码视频在线观看 | 东北疯狂xxxxbbbb中国| 四虎国产一区| 国产又色又爽又刺激在线播放| 亚洲色爽视频在线观看| 久久久擼擼擼麻豆| 999www成人免费视频| 日本久久不射| 国产精品三级在线观看 | 鲁大师影院在线视频在线观看| 2020无码最新国产在线观看| 欧美性xxx免费看片| 国产av免费观看日本| 亚洲国产在线视频精品| 久久九九亚洲精品| lesbabes性欧美| 天堂无码人妻精品AV一区| 狠狠色丁香婷婷久久综合| 13小箩利洗澡无码视频APP| 人禽l交视频在线播放 视频| 国产美女裸身网站免费观看视频 | 把腿张开再深点好爽宝贝动态图 | 超碰国产人人做人人爽| 性生生活大片又黄又| 久久欧洲视频|