GE针对恶劣危险环境设计出全新加固型平板计算机.pdfVIP

基于粒子群神经网络的气阀机构故障诊断·105·

进行局部搜索。[J]．武汉理工大学学报(交通科学与工程版)，2008，32

表2给出了2种网络在16个隐单元下的训练性(4)：645—468

能比较(表中误差指的是均方误差MSE)。从表2可黄强，刘永长，刘会猛，等．基于振动信号的柴油机进排气

系统故障诊断研究[J]．车用发动机，2002(5)：34—37．

以看出，PSO网络的最小训练误差达到了BP网络的

杨文献，姜节胜．基于数据挖掘的柴油机气门故障诊断技

1／10，CPU用时大致是BP网络的1／3。由此可见，

术研究[J]．机械工程学报，2004，40(10)：25—29．

PSO网络花费较少的CPU时间，却获得比BP网络高

黄强，焦立，李滟泽．柴油机故障诊断中振动信号测点位

的收敛精度和故障分类准确率，亦即PSO网络比BP

置的研究[J]．华中科技大学学报(自然科学版)，2007，

网络有更优良的学习能力。35(5)：99一101．

表2BPNN和PSONN的训练结果比较ZhangJR，ZhangJ，LokTM，eta1．Ahybridparticleswarm

optimization—back—propagationalgorithmforfeedf0rwardlieU—

ralnetworktraining[J]．AppliedMathematicsandCompma—

tion，2007，185(2)：1026—1037．

YouZP，LiSY，LiWL，eta1．Modelingandsimulationof

5．3故障诊断screwaxisbasedonPSO-BPneuralnetworkandorthogonal

采用已训练好的BPNN和PSONN对前述样本库experiment[A]．Proceedingsof2009SecondInternational

1j1J1J1』1j

中的55个检验样本进行故障诊断，识别结果如表3所SymposiumonComputationalIntelligenceandDesign[C]．

2oo9．

示。由表3的诊断结果可见：

邓小文．基于SVM的柴油机机械故障诊断研究[D]．厦

①PSONN对5种故障类型中的4种故障识别率

门：厦门大学，2006．

都大于90％，说明PSO算法在优化神经网络参数过程

夏克文，李昌彪，沈钧毅．前向神经网络隐含层节点数的

中具有优越性，表现出较强的泛化能力，证明PS