共查询到18条相似文献,搜索用时 187 毫秒
1.
2.
粗糙集与神经网络在航空发动机气路故障诊断中的应用 总被引:8,自引:2,他引:8
提出了一种基于粗糙集理论和神经网络集成的发动机智能故障诊断方法,首先对测量数据进行离散处理,并运用粗糙集理论建立故障决策表,进而约简属性和提取规则,对航空发动机气路部件的几种典型故障进行隔离。然后建立神经网络故障诊断子系统,使用粗糙集处理后的数据计算出发动机气路相关部件的故障程度。最后,还验证了粗糙集神经网络故障诊断系统的抗噪性能。研究表明,该系统能够正确而且高效地诊断出发动机故障的严重程度,并具备良好的抑制噪声的能力。 相似文献
3.
鉴于传统故障诊断技术在飞机发动机故障诊断中不能较好吸收人类经验的缺点,文章运用模糊推理技术,模拟专家的故障诊断推理过程,建立了某型军用飞机发动机转速摆动故障的模糊故障诊断模型,并运用模糊神经网络对该模型进行了改进。仿真结果表明,所建立的模型可以很好地吸收维护人员的故障诊断经验,对故障原因可做出准确判断,训练完成的模糊神经网络模型可实现模糊模型的故障诊断功能,解决其不能自学习的问题。 相似文献
4.
在剖析航空装备故障诊断特点的基础上,提出了基于模糊神经网络的航空装备故障诊断专家系统框架结构,并阐明了专家系统和模糊神经网络相结合的推理机制、模糊神经网络生成方法、知识获取和自学习等关键技术.系统框架的提出为航空装备故障诊断研究提出了新的思路. 相似文献
5.
基于粗糙集理论的航空发动机故障诊断 总被引:8,自引:0,他引:8
在利用神经网络诊断航空发动机故障的过程中,引入粗糙集理论和方法,对故障诊断特征参数属性进行属性约简,剔除其中不必要的属性,从而揭示了故障诊断条件属性内在的冗余性,降低了神经网络构成的复杂性,最后给出了属性约简的结果。 相似文献
6.
粒子群优化的粗糙集-神经网络在航空发动机故障诊断中的应用 总被引:2,自引:0,他引:2
提出了一种基于粒子群优化算法的邻域粗糙集-神经网络的发动机智能故障诊断方法,首先利用基于邻域粗糙集模型的属性约简方法对样本数据进行属性约简,然后采用粒子群优化算法替代传统BP算法来训练神经网络的权值和阈值,再用训练好的神经网络对航空发动机气路故障进行诊断.仿真结果表明:该方法降低了神经网络结构的复杂性,减少了网络训练时间,提高了诊断精度. 相似文献
7.
结合BP神经网络对飞航导弹备件进行消耗预测,提出了基于粗糙集和BP神经网络的预测法。该方法充分发挥了粗糙集在处理冗余数据上的优势,提高了预测速度和有效性。 相似文献
8.
9.
10.
11.
基于自组织映射网络的故障诊断推理方法研究 总被引:3,自引:0,他引:3
从故障诊断基本形式出发,结合飞机刹车系统故障的各类特点,研究了基于Kohonen自组织映射网络理论的故障推理模型,并且应用到起落架刹车系统故障诊断中。该方法只需选择听,具有代表性的故障样本训练神经网络,他将代表故障的信息输入给训练好的神经网络,根据神经网络的输出结果,就可以判断出发生故障的类型。该模型除能识别已训练过的故障,还能识别未训练过的故障,并且聚类能力强,速度快,因此,很符合复杂系统的故障诊断。 相似文献
12.
基于一般 Petri网理论、故障树技术和模糊集理论 ,建立了适用于故障诊断的模糊 Petri网理论体系 ,并用于 FMS的故障诊断实例中。该方法具有直观、表达能力强、易于推理 ,能准确地描述故障现象的性质及故障空间的关联 相似文献
13.
人工神经元网络(ANN)具有本质的非线性特性、并行处理能力以及自组织自学习的能力,但单独使用ANN处理问题时,往往会存在一些缺陷。文章介绍导弹驾驶仪故障智能诊断的一种新方法:首先,利用粗糙集原理约简故障特征属性数据;其次,用带动量项的批处理BP神经网络方法对故障数据进行训练并检验;最后,将故障数据处理后输入神经网络分类器,对故障实施诊断。 相似文献
14.
提出了一种基于Elman神经网络的航空发动机故障智能诊断方法。以在某型发动机地面定检状态下实测的数据作为样本数据,建立了航空发动机故障诊断模型,利用该模型成功地对实测发动机参数进行了诊断。研究结果表明:该方法对权值初始值选取、隐含层节点数选取和输入样本规范化处理等不敏感,具有学习速度快、诊断精度高等优点。 相似文献
15.
16.
FUZZYPETRINETFORFAULTDIAGNOSISWuyanfang;WeiZhongxin.(DepartmentofMechanicalEngineering,NanjingUniversityofAeronauticsandAstro... 相似文献
17.
18.
基于卷积门控循环网络的滚动轴承故障诊断 总被引:2,自引:2,他引:0
针对许多基于深度学习的滚动轴承故障诊断方法在小样本数据集下诊断性能下降的问题,提出一种基于卷积门控循环神经网络的轴承故障诊断模型。该模型使用两层的卷积网络来从输入信号中提取特征,同时使用tanh函数作为激活函数,且池化层使用大池化核来进行重叠下采样。将所提取得到的高层特征连接到双向门控循环网络。合并循环网络正向和逆向的最后一个状态,并连接一层全连接层进行输出。选用凯斯西储大学的轴承故障数据集来验证模型在小样本数据集下的诊断性能,实验结果表明,相比于其他类型的模型,该模型在仅有20个训练样本的情况下依然保持97%的识别准确率。 相似文献