共查询到19条相似文献,搜索用时 187 毫秒
1.
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。 相似文献
2.
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. 相似文献
3.
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。 相似文献
4.
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. 相似文献
5.
6.
7.
8.
两种基于神经网络的故障诊断方法 总被引:7,自引:1,他引:7
陈如清 《中国电机工程学报》2005,25(16):0-115
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。 相似文献
9.
10.
11.
12.
13.
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。 相似文献
14.
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。 相似文献
15.
16.
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。 相似文献
17.
18.