基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
针对标准BP神经网络用于故障诊断时学习效率低、收敛速度慢、易陷入局部极小点及对初始参数较为敏感等不足,提出了一种组合优化的方法,即采用遗传算法(GA)确定 BP 神经网络的最佳初始权值矩阵,以规避BP神经网络对初始参数较为敏感的不足;应用 LM(Levenberg-Marquardt)算法在局部解空间里对BP神经网络进行精确训练,搜索全局最优解.该方法在保留BP神经网络的广泛映射能力的前提下,提升了网络的学习速度和精确搜索能力,进而大幅提高了基于BP 神经网络的电液伺服阀故障诊断的效率和精度.通过对MOOG D761-2716A机械反馈伺服阀进行故障诊断,进一步说明了该方法的实用性和高效性.
推荐文章
基于LM-BP神经网络的气阀故障诊断方法
Levenberg-Marquardt算法
BP神经网络
多级往复式压缩机
气阀故障
基于LM-BP神经网络算法的模拟电路故障诊断
BP神经网络
遗传算法
Levenberg-Marquardt算法
模拟电路
故障诊断
基于Python技术GA-BP神经网络的变压器故障诊断研究
变压器
Python
GA-BP神经网络
故障诊断
基于改进GA优化的神经网络故障诊断方法
遗传算法
神经网络
故障诊断
电机
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 采用"GA+LM"优化BP神经网络的电液伺服阀故障诊断
来源期刊 中国机械工程 学科 工学
关键词 机械装备 电液伺服阀 故障诊断 BP神经网络 GA+LM算法
年,卷(期) 2018,(5) 所属期刊栏目 机械基础工程
研究方向 页码范围 505-510
页数 6页 分类号 TH137
字数 3555字 语种 中文
DOI 10.3969/j.issn.1004-132X.2018.05.001
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 权凌霄 燕山大学机械工程学院 49 646 11.0 24.0
3 李雷 燕山大学机械工程学院 8 61 4.0 7.0
4 郭海鑫 燕山大学机械工程学院 2 10 2.0 2.0
10 盛世伟 2 7 1.0 2.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (68)
共引文献  (79)
参考文献  (11)
节点文献
引证文献  (7)
同被引文献  (0)
二级引证文献  (0)
1993(1)
  • 参考文献(0)
  • 二级参考文献(1)
1995(1)
  • 参考文献(0)
  • 二级参考文献(1)
1997(1)
  • 参考文献(0)
  • 二级参考文献(1)
2000(1)
  • 参考文献(0)
  • 二级参考文献(1)
2001(3)
  • 参考文献(0)
  • 二级参考文献(3)
2002(4)
  • 参考文献(0)
  • 二级参考文献(4)
2003(3)
  • 参考文献(0)
  • 二级参考文献(3)
2004(1)
  • 参考文献(0)
  • 二级参考文献(1)
2005(6)
  • 参考文献(0)
  • 二级参考文献(6)
2006(5)
  • 参考文献(0)
  • 二级参考文献(5)
2007(5)
  • 参考文献(0)
  • 二级参考文献(5)
2008(7)
  • 参考文献(0)
  • 二级参考文献(7)
2009(8)
  • 参考文献(1)
  • 二级参考文献(7)
2010(13)
  • 参考文献(2)
  • 二级参考文献(11)
2011(6)
  • 参考文献(2)
  • 二级参考文献(4)
2012(4)
  • 参考文献(0)
  • 二级参考文献(4)
2013(5)
  • 参考文献(2)
  • 二级参考文献(3)
2014(4)
  • 参考文献(3)
  • 二级参考文献(1)
2015(1)
  • 参考文献(1)
  • 二级参考文献(0)
2018(3)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(3)
  • 二级引证文献(0)
2018(3)
  • 引证文献(3)
  • 二级引证文献(0)
2019(4)
  • 引证文献(4)
  • 二级引证文献(0)
研究主题发展历程
节点文献
机械装备
电液伺服阀
故障诊断
BP神经网络
GA+LM算法
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
中国机械工程
半月刊
1004-132X
42-1294/TH
大16开
湖北省武汉市湖北工业大学772信箱
38-10
1973
chi
出版文献量(篇)
13171
总下载数(次)
15
总被引数(次)
206238
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导