改进BP网络算法在配电网故障诊断中的应用研究

针对BP网络学习收敛速度慢和易陷入局部最小点的不足,提出利用一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练。该算法使BP神经网络学习速率和稳定性得到提高。将这种改进的BP网络算法应用于配电网诊断实例,用这种改进的网络算法进行分类,采用VB语言作为开发工具调用神经网络工具箱建立了一个简化的故障诊断系统,验证了该算法的有效性、正确性。     

改进BP网络算法在配电网故障诊断中的应用研究

针对BP网络学习收敛速度慢和易陷入局部最小点的不足,提出利用一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练.该算法使BP神经网络学习速率和稳定性得到提高.将这种改进的BP网络算法应用于配电网诊断实例,用这种改进的网络算法进行分类,采用VB语言作为开发工具调用神经网络工具箱建立了一个简化的故障诊断系统,验证了该算法的有效性、正确性.     

一种改进的遗传优化策略在电机故障诊断中的应用

依据神经网络和遗传算法的特点,本文提出了利用遗传算法(GA)优化神经网络,将二者有机的结合起来,建立故障诊断的优化模型(GA—BP)网络,在遗传算法中放弃传统的轮盘赌,采用一种叫锦标赛的选择策略并改变迁移策略来进行遗传算法,优化BP网络的初始权值和阈值。以各种原始资料和现场实录资料作为训练样本,首先进行遗传算法的运行,得到了优化的权值和阈值,作为BP网络的的初始权值和阈值,接下来通过BP网络训练样本,实现BP网络学习的目的,建立样本(作为输入变量)与实际故障类型(作为目标变量)之间的潜在联系。最后用测试样本对GA—BP网络进行测试,检验表明用改变选择策略并改变迁移策略的遗传算法来优化BP网络的诊断正确率明显得高于未进行优化BP网络,不仅能发挥神经网络的泛化映射能力而且诊断速度也有提高,有较强的学习能力。     

基于GA优化BP神经网络的液压钻机故障诊断

针对BP神经网络应用于故障诊断时存在着收敛速度慢、易陷入局部最小值等问题,提出了一种基于遗传算法(GA)优化BP神经网络的液压钻机故障诊断方法.利用GA的选择、交叉和变异操作优化BP神经网络的权值和阈值,提高网络训练的收敛速度.根据液压钻机工况参数提取的特征信号,进行归一化处理建立样本,利用训练样本对网络进行训练,根据训练结果进行故障诊断.仿真结果表明,GA优化的BP神经网络迭代次数少,收敛速度快,能够对测试样本进行有效地分类,故障诊断正确率高.     

高压直流变压器中直流电源故障诊断方法的改进研究

传统方法对高压直流变压器中直流电源故障的诊断,多基于专家经验和历史数据,诊断时间长、精度低、可靠性差。提出基于粒子群(PSO)与BP神经网络相结合的高压直流变压器中直流电源故障诊断改进方法,分析直流电源的故障类型及其产生原因,形成训练样本;将训练样本输入BP神经网络模型,进行学习和模拟运算,采用PSO迭代算法追踪每一种故障类型的个体极值和全局极值,更新粒子的速度和位置,寻求最优解,实现高压直流变压器直流电源的故障诊断。实验证明,该方法能够有效地完成直流电源故障诊断,在诊断时间、精度、及误差控制等方面具有较大优势。     

一种改进型BP网络算法在凝汽器故障诊断中的应用

针对BP网络学习收敛速度慢和易陷入局部最小点的不足,提出了一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练。该算法使BP神经网络在学习速率和稳定性上有了进一步的提高。并将这种改进的BP网络算法应用于凝汽设备故障诊断实例中取得了实效。     

神经网络在电机设计中的应用

将神经网络用于电机设计的方案调整过程中。建立了训练样本集,采用改进的BP算法,从多次训练中精选相关的学习效率系数及惯性系数,克服了标准BP网络学习速度慢、易陷入局部最小点的缺陷,并从实例上验证了该方法的准确性。     

两种基于神经网络的故障诊断方法

复杂设备或系统的故障诊断中常采用神经网络构建故障映射关系，针对实际应用中神经网络存在收敛速度慢、学习记忆不稳定等不足，以一电站锅炉送风机为诊断对象研究了基于带有偏差单元的递归神经网络故障诊断方法。对状态检测系统采集的信号进行逻辑处理，分离出8个故障特征参数。以8种常见故障模式作为BP网络和递归神经网络的训练样本，对训练过程和仿真结果作了对比分析，结果表明该诊断方法在收敛速度、精度和稳定性能等方面均有良好改善，满足了系统在线故障诊断的需求。     

基于改进BP神经网络的逆变电路故障诊断

针对BP神经网络鲁棒性、容错性不强的问题,提出双向BP神经网络,更直接地建立与先前状态的映射关系;利用量子粒子群算法(QPSO)优化双向BP神经网络的权值和阈值,克服其学习算法复杂、收敛速度慢的缺点,来得到精度更高的网络。将改进的双向BP神经网络应用于逆变电路的故障诊断,测试结果表明该算法比双向BP神经网络具有更强的收敛性和精确率,为逆变电路的故障诊断提出一个新的思路。     

小波消噪和人工蜂群优化神经网络的建筑电气故障诊断

为了提高建筑电气故障诊断的正确率,提出小波消噪和人工蜂群优化神经网络的建筑电气故障诊断模型。首先采用小波分析对采集的建筑电气状态信息进行处理,并提取建筑电气特征,然后将训练样本输入到多层前馈(BP)神经网络进行学习,并采用人工蜂群算法优化BP神经网络的参数,建立建筑电气故障诊断模型,最后采用仿真实验对模型的性能进行测试。实验结果表明,相对于其他建筑电气故障诊断模型,模型可以较好地描述建筑电气状态信息,不仅提高了建筑电气故障诊断的正确率,而且提高了故障诊断的速度,具有更高的实际应用价值。     

BP神经网络在三相桥式全控整流电路故障诊断中的应用

针对电力电子技术中三相桥式全控整流电路中晶闸管的故障问题提出了基于BP神经网络故障诊断的方法。借助Matlab仿真软件建立了三相桥式全控整流电路的仿真模型。通过仿真试验提取出用于BP神经网络训练的学习样本,并确定出用于不同类故障的三层的BP神经网络结构。仿真结果表明了该方法的有效性。     

基于BP神经网络和小波包能量熵的异步电动机故障诊断

为了高效解决异步电动机故障问题,提出了一种基于反向传播(BP)神经网络和小波包能量分析的异步电动机故障诊断系统。采用定子电流信号作为异步电动机的故障信号,运用小波包能量分析对采集的定子电流信号进行分析,提取出相应的故障特征向量。为了提高诊断的准确性,提取信号时域、频域的特征,输入到BP神经网络中进行训练学习。经过足够多的训练后,用测试样本对其精确率进行测试。通过所提方法,可以及时排除及修正异步电动机故障,提高工厂的经济效益。     

改进深度置信网络对TE过程故障诊断研究

为了实现对TE过程的故障诊断，改进了深度置信网络（DBN）的故障诊断方法。传统DBN在训练过程有冗余特性，减弱网络的特征提取能力，改进DBN在无监督学习阶段的似然函数中加入惩罚正则项，通过稀疏约束得到DBN训练集的稀疏分布，再用Laplace函数的分布引导DBN节点的稀疏状态，用Laplace函数中的位置参数控制稀疏的力度，使无标签的数据特征更加直观的表示出来，最后将改进DBN和传统DBN、BP神经网络的仿真实验结果进行对比。实验结果，证明改进的DBN在故障诊断方面优于传统DBN和BP神经网络，达到了最好的诊断准确度，具有很高的理论研究价值。     

基于小波神经网络的模拟电路故障诊断改进

在运用神经网络进行模拟电路故障诊断的过程中,代表着故障特征的网络输入至关重要,由于小波变换的时频局部化和多尺度分析等特性,将两者结合起来,通过小波变换对模拟电路的输出响应进行故障特征提取,同时解决PSPICE与MATLAB之间的数据通信问题,提出将蒙特卡罗分析产生的所有训练样本经过处理后输入到一个神经网络进行训练的方法,从而避免了训练多个神经网络。利用神经网络对各种故障模式进行分类,实现模拟电路的故障诊断,并进一步与传统的BP网络故障诊断法进行比较。仿真结果表明,该方法可以实现故障检测及定位,诊断的准确率显著提高,适用于模拟电路故障诊断。     

一种改进型BP网络在汽轮发电机组故障诊断中的应用

在标准BP网络基础上,提出一种加优先权值的改进BP网络模型,给出该网络模型的结构、具体的学习训练算法和反馈算法,并阐述输入层与输出层神经元部分连接的依据及其连接优先权值的确定问题。结合汽轮发电机组故障诊断实例,从单故障识别和多故障识别两个角度证明了该模型具有较强的故障识别能力,其诊断结果也更符合故障实际情况。     

基于策略梯度和生成式对抗网络的变压器油色谱案例扩充方法

油色谱数据的缺乏和不均衡会导致训练过拟合、模型缺乏代表性、测试集效果不理想等问题,从而难以对变压器的状态进行准确评价。针对该问题,将强化学习中的策略梯度算法引入生成式对抗网络GAN(Generative Adversarial Networks),提出了一种基于策略梯度和GAN的变压器油色谱案例生成方法。仿真结果表明,与传统的样本扩充算法相比,利用所提方法合成的样本质量较高。对包含9种故障状态共700组样本的变压器油色谱数据利用所提方法进行油色谱故障样本扩充,利用基于BP神经网络模型的变压器故障分类模型对将扩充后样本作为训练集训练得到的神经网络模型和仅用真实数据作为训练集训练得到的神经网络模型进行了对比,结果表明利用扩充的样本后,变压器故障分类准确率得到了提高。变压器故障诊断实例表明利用所提方法得到的结果与实际情况相符。     

基于改进GA-BP混合算法的电力变压器故障诊断

将改进遗传算法(GA)和误差反向传播(BP)算法相结合构成的混合算法用于训练人工神经网络.该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等缺点,并对其应用于电力变压器故障诊断进行了仿真,仿真结果表明了该算法具有较快的收敛速度和较高的计算精度,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性.     

基于神经网络的机电作动系统传感器故障分类研究

机电作动系统已经用于民航客机飞控舵面的控制,其中传感器输出的正确性对系统正常工作影响较大,因此对传感器的故障检测非常必要。本文分析了机电作动系统的传感器类型和故障模式,研究设计了BP神经网络对传感器故障进行检测和识别,并对不同训练方式的神经网络方法进行对比,确定了使用莱温伯格-马夸特学习方法的BP神经网络的故障检测分类结果更加准确,最后通过机电作动系统联合仿真实验平台验证了该方法的有效性。该方法可以支持传感器故障检测和系统健康管理。     

加动量项且变学习速率的BP算法应用于变压器故障诊断

BP神经网络具有自学习和自适应能力,非常适合于变压器故障诊断。分析了加动量项BP算法和变学习速率BP算法存在的不足,给出了加动量项且变学习速率的BP算法的原理和优点,减轻了网络训练过程中的振荡,加速了网络的收敛。构造了适合于变压器油中溶解气体分析故障诊断的神经网络,并将训练所得的神经网络用于变压器故障诊断,结果表明了该算法的有效性。