1、“.....对这些信号进行小波消噪处理后再进行特征提取来构造特征向量,这些特征向量就是转子断条故障轴承故障这种运行状态下电机的信号。对这些信号进行小波消噪处理后再进行特征提取来构造特征向量,这些特征向量就是神经网络的训练样本和测试样本。本文提供个特征向量,此时神经网络的输入层单元数为输出层单元数的确定本文共模拟了异步电机正常运行定子绕组故障转子断条故障轴承难,因此,文中引入了鱼群算法,来优化神经网络基函数,隐含层层数以及隐含层节点数量。最后,对本文所设计的诊断系统进行了仿真,用训练样本对鱼群算法的神经网络进行训练,网络训练完成后,建立了基于神经网络的异步电机故障诊断系统。异步电机故障诊断仿真本节将运用神经网络对异步电机神经网络能更好地识别电机的运行状态,诊断精确度更高。神经网络与鱼群优化结合在异步电机故障中的应用原稿。异步电机故障诊断仿真本节将运用神经网络对异步电机进行故障诊断......”。

2、“.....分别采用广义神经网络中心宽度及网络的连接权值均采神经网络与鱼群优化结合在异步电机故障中的应用原稿络的诊断结果更接近于目标输出向量识别准确度明显要高于未经优化神经网络。结论本文将神经网络应用到异步电机故障诊断中。针对神经网络的参数确定比较困难等不足,提出了用鱼群算法来优化神经网络的参数,最后用鱼群算法优化的神经网络对异步电机的运行状态进行识别。在仿真中提供个,否则识别。本文仿真中。通过实验的对比可以看出,针对本文所设的阈值用两种算法训练的网络都有效地成功地诊断出了电机的不同故障状态,而差分进化算法优化的神经网络的诊断结果更接近于目标输出向量识别准确度明显要高于未经优化神经网络。结论本文将神经网络应用到异步电机故障诊行测试时,如果网络所有节点的输出都满足公式即网络的期望输出与实际输出的误差在规定的阈值内就认为网络成功的识别了该故障,否则识别。本文仿真中......”。

3、“.....针对本文所设的阈值用两种算法训练的网络都有效地成功地诊断出了电机的不同故障状态,而差分进化算法优化的神经网模,缩放因子,交叉概率因子,迭代次数。参数设置好后就开始对网络进行训练,为了避免偶然性结果的出现将程序总共运行了次。图为网络训练过程中均方误差的变化曲线图神经网络训练结果图均方误差曲线实验可知,随着迭代次数的增加,误差不断减小,当迭代至次左右时,误差的变化已趋于平缓络的误差达到所设定的误差精度。针对每种故障选用组数据作为训练样本对网络进行训练,种故障总共有组数据。实验可知,径向基函数网络训练速度比较快,收敛性好,不存在平坦区。训练结果如图所示。从图可知,径向基函数网络训练速度比较快,收敛性好,不存在平坦区。采用鱼群算法优化神经当种群迭代到次时,此时就可以判断差分进化算法收敛。同时,由网络的结构对比可以看出,优化后的神经网络的泛化能力要比未优化的神经网络的泛化能力好......”。

4、“.....如果网络所有节点的输出都满足公式即网络的期望输出与实际输出的误差在规定的阈值内就认为网络成功的识别了该故障通过多次的迭代计算,可以在待定参数模型中通过多次的寻优计算找到结果最优情况下的对应的参数值。广义神经网络的应用输入层单元数的确定分别采集电机正常运行定子绕组故障转子断条故障轴承故障这种运行状态下电机的信号。对这些信号进行小波消噪处理后再进行特征提取来构造特征向量,这些特征向量就是留适应度值最小的个体利用鱼群算法对神经网络的个参数隐单元基函数的中心隐含层层数,各隐含层节点数进行优化。记录每次优化后的。神经网络与鱼群优化结合在异步电机故障中的应用原稿。鱼群优化鱼群算法通过设计种无质量的粒子来模拟鸟群中的鸟,粒子仅具有两个属性速度和位置,计算找到结果最优情况下的对应的参数值。鱼群优化鱼群算法通过设计种无质量的粒子来模拟鸟群中的鸟,粒子仅具有两个属性速度和位置......”。

5、“.....位置代表移动的方向。每个粒子在搜索空间中单独的搜寻最优解,并将其记为当前个体极值,并将个体极值与整个鱼群里的其他粒子共享,找到最优的那个个体中。针对神经网络的参数确定比较困难等不足,提出了用鱼群算法来优化神经网络的参数,最后用鱼群算法优化的神经网络对异步电机的运行状态进行识别。在仿真中提供个特征向量作为训练样本对优化前后的神经网络分别进行训练,采用相同的测试样本对训练好的网络进行测试,结果表明经鱼群算法优化的当种群迭代到次时,此时就可以判断差分进化算法收敛。同时,由网络的结构对比可以看出,优化后的神经网络的泛化能力要比未优化的神经网络的泛化能力好。用组样本对网络进行测试时,如果网络所有节点的输出都满足公式即网络的期望输出与实际输出的误差在规定的阈值内就认为网络成功的识别了该故障络的诊断结果更接近于目标输出向量识别准确度明显要高于未经优化神经网络......”。

6、“.....针对神经网络的参数确定比较困难等不足,提出了用鱼群算法来优化神经网络的参数,最后用鱼群算法优化的神经网络对异步电机的运行状态进行识别。在仿真中提供个神经网络训练结果图均方误差曲线实验可知,随着迭代次数的增加,误差不断减小,当迭代至次左右时,误差的变化已趋于平缓当种群迭代到次时,此时就可以判断差分进化算法收敛。同时,由网络的结构对比可以看出,优化后的神经网络的泛化能力要比未优化的神经网络的泛化能力好。用组样本对网络神经网络与鱼群优化结合在异步电机故障中的应用原稿度代表移动的快慢,位置代表移动的方向。每个粒子在搜索空间中单独的搜寻最优解,并将其记为当前个体极值,并将个体极值与整个鱼群里的其他粒子共享,找到最优的那个个体极值作为整个鱼群的当前全局最优解......”。

7、“.....结论本文将神经网络应用到异步电机故障诊断中。针对神经网络的参数确定比较困难等不足,提出了用鱼群算法来优化神经网络的参数,最后用鱼群算法优化的神经网络对异步电机的运行状态进行识别。在仿真中提供个应度函数适应度是用来描述种群中个体优劣程度的重要指标。神经网络的训练目标就是要使网络的精度达到最小,而精度是由网络的均方误差决定的,因此这里将均方误差作为适应度函数,表达式为式中,为训练样本总数是第个样本的期望输出是第个样本的实际输出。计算每个个体的适应度值,保区。训练结果如图所示。从图可知,径向基函数网络训练速度比较快,收敛性好,不存在平坦区。采用鱼群算法优化神经网络的应用本节将采用鱼群算法对神经网络进行训练,输入层单元数为,输出层单元数为。隐层层数以及单元的个数在训练过程中由鱼群算法根据网络的精度不断进行调整,直至满足网极值作为整个鱼群的当前全局最优解......”。

8、“.....初始化种群及算法的参数随机生成初始种群包含有个个体,这些个体就是第代的个体,给出缩放因子以及交叉概率因子的初始值,设定算法的最大迭代次数确定当种群迭代到次时,此时就可以判断差分进化算法收敛。同时,由网络的结构对比可以看出,优化后的神经网络的泛化能力要比未优化的神经网络的泛化能力好。用组样本对网络进行测试时,如果网络所有节点的输出都满足公式即网络的期望输出与实际输出的误差在规定的阈值内就认为网络成功的识别了该故障征向量作为训练样本对优化前后的神经网络分别进行训练,采用相同的测试样本对训练好的网络进行测试,结果表明经鱼群算法优化的神经网络能更好地识别电机的运行状态,诊断精确度更高。神经网络与鱼群优化结合在异步电机故障中的应用原稿。通过多次的迭代计算,可以在待定参数模型中通过多次的寻行测试时......”。

9、“.....否则识别。本文仿真中。通过实验的对比可以看出,针对本文所设的阈值用两种算法训练的网络都有效地成功地诊断出了电机的不同故障状态,而差分进化算法优化的神经网是神经网络的训练样本和测试样本。本文提供个特征向量,此时神经网络的输入层单元数为输出层单元数的确定本文共模拟了异步电机正常运行定子绕组故障转子断条故障轴承故障种运行状态,所以输出层单元数为。利用函数创建神经网络,在网络的建立过程中,隐单元的个数会自动增加直到精度要求或者精度不再提高。文中确定隐层层数为,各单元的个数为。根据鱼群算法优化结果,最终确定差分进化算法的参数为种群规模,缩放因子,交叉概率因子,迭代次数。参数设置好后就开始对网络进行训练,为了避免偶然性结果的出现将程序总共运行了次......”。