基于小波奇异熵和SOM神经网络的微电网系统故障诊断

针对微电网系统运行方式灵活、拓扑结构多样的特点,基于对小波变换、奇异值分解和泛化信息熵基本理论的分析,揭示了小波奇异熵能够对故障信号给出确定的量度,将小波奇异熵与自组织特征映射(self-organizing feature map, SOM)神经网络相结合,提出一种能够适应微电网系统拓扑结构变化情况的故障诊断方法。 利用PSCAD4.2建立了微电网故障仿真系统,进行故障诊断仿真试验。 试验结果表明:该方法不受故障位置、故障时刻等因素的影响,在微电网系统拓扑结构发生变化的情况下,能实现有效的故障诊断。     

基于小波变换的神经网络模拟电路故障诊断

对模拟电路提出了一种基于小波变换与神经网络相结合的故障诊断方法,该方法用小波变换对模拟电路故障信号提取小波特征,并经小波变换压缩,再将故障特征量输入至神经网络处理。结果表明,该方法有效地减少神经网络输入层单元数,简化了神经网络结构,提高了故障诊断能力。     

基于小波变换的神经网络模拟电路故障诊断

对模拟电路提出了一种基于小波变换与神经网络相结合的故障诊断方法,该方法用小波变换对模拟电路故障信号提取小波特征,并经小波变换压缩,再将故障特征量输入至神经网络处理。结果表明,该方法有效地减少神经网络输入层单元数,简化了神经网络结构,提高了故障诊断能力。     

基于混合特征提取和WNN的齿轮箱故障诊断

提出了一种基于混合特征提取和小波神经网络(WNN)的齿轮箱故障诊断方法,运用时域分析法、小波分解和小波包分解相结合的方法对齿轮箱振动信号进行故障特征提取,将所提取的特征值作为WNN分类器的特征输入参数,采用反向传播(BP)算法对WNN结构中的平移参数、尺度参数、连接权值和阈值进行调整和优化.在实验中采用不同裂纹尺寸的齿轮来模拟三种故障模式,通过对三种故障齿轮进行诊断和分类,能证明本文所提议的故障诊断方法是有效且可靠的.     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点,提出基于小波神经网络的模拟电路故障诊断方法.采用能量分布特征提取方法和改进BP算法,用正弦信号仿真模拟电路,应用小波变换对模拟电路的采样信号进行多尺度分解,再进行能量分布特征提取,然后利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.相对于传统的故障诊断方法,用小波变换对故障信号进行预处理,大大减少了神经网络的输入数目,从而简化了神经网络的结构和减少了它的训练时间,并提高了辨识故障类别的能力.对实例电路仿真结果表明,该方法能正确识别各种故障状态,准确率高.     

应用小波神经网络诊断车辆柴油机供油系统故障

为有效诊断车辆柴油机供油系统故障,将小波变换与BP(Back Propagation)神经网络相结合。利用小波变换提取故障特征向量输入BP神经网络,实现对柴油机供油系统故障的诊断。仿真结果表明小波神经网络故障诊断准确率较高,诊断效果较好。     

神经网络信息融合技术在控制系统故障诊断中的应用

针对钢管修磨控制系统中存在的常见故障,构造了神经网络信息融合中心。对来自多传感器的残差信号进行了预处理和离散小波变换,提取其细节系数作为神经网络的故障特征向量,使用改进BP算法对神经网络分类器训练以进行相应的故障模式识别。仿真结果表明,基于神经网络的信息融合技术用于控制系统的故障诊断是可行的和有效的。     

基于小波变换和粗糙集的风电变流器故障诊断

为确定双馈风电机组转子侧变流器开路故障的位置,提出一种基于小波变换和粗糙集的风电变流器单相开路故障诊断方法.基于小波变换进行转子侧变流器的三相故障电流特征向量提取;基于粗糙集将获取的特征向量提取值进行离散化和属性约简处理,并将得到的最小约简决策表作为转子侧变流器单相开路故障的参考样本;通过待检测样本与参考样本的欧式距离值确定转子侧变流器的故障位置.以T2开路故障为例,对采集数据进行了小波变换与粗糙集分析,通过计算欧式距离验证了所提出的算法在进行双馈风电机组转子侧变流器开路故障诊断中的有效性.     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点，提出基于小波神经网络的模拟电路故障诊断方法。采用能量分布特征提取方法和改进BP算法，用正弦信号仿真模拟电路，应用小波变换对模拟电路的采样信号进行多尺度分解，再进行能量分布特征提取，然后利用神经网络对各种状态下的特征向量进行分类识别，实现模拟电路故障诊断。相对于传统的故障诊断方法，用小波变换对故障信号进行预处理，大大减少了神经网络的输入数目，从而简化了神经网络的结构和减少了它的训练时间，并提高了辨识故障类别的能力。对实例电路仿真结果表明，该方法能正确识别各种故障状态，准确率高。     

基于小波包信息熵和小波神经网络的异步电机故障诊断

采用一种基于小波包信息熵和小波神经网络的方法对异步电机进行故障诊断。将故障信号进行小波包预处理,并在此基础上提取信号的小波包能谱熵和小波包系数熵,构成信号的信息熵特征向量。训练小波神经网络使其在输入特征向量后能有效检测并输出故障模式,以实现对单一故障和复合故障的诊断。通过内嵌的方式把小波变换融入神经网络,具有良好的自适应分辨率和容错能力,可以有效避免局部最小值以及收敛速度过于缓慢的问题。试验表明,基于小波包信息熵和小波神经网络的方法能很好地进行异步电机的故障诊断,且该方法优于同参数下的BP神经网络模型。     

基于小波和神经网络的传感器故障诊断

提出了一种新的基于小波包变换和BP神经网络的传感器突变故障诊断方法。根据小波变换在时域和频域都具有良好的局部化特性对信号特征进行精确定位,根据传感器输出信号的小波包分析提取能量变化率的特征向量,利用BP神经网络进行传感器故障分类。这种方法无需预先建立传感器模型和测量传感器输入信号,通过对小波包系数的削减,减少了冗余数据,提高了故障检测的实时性。仿真实验结果表明了该方法的有效性。     

基于小波变换和优化CNN的风电齿轮箱故障诊断

针对传统故障诊断方法过于依赖人为经验的缺陷,提出小波变换和二维密集连接扩张卷积神经网络(WT-ICNN)的风电齿轮箱智能故障诊断方法. 所提方法将一维振动信号通过连续小波变换(WT)转换成二维故障图像;再将二维故障图像输入ICNN中进行训练和测试. 通过齿轮箱开源数据和风场实测数据验证结果表明,与传统故障诊断方法相比,所提方法采用密集连接的结构自适应特征提取时频图,有效加强了故障特征的利用效率;在对风电齿轮箱的故障诊断中,所提方法具有更好的特征复用能力和更高的诊断精度.     

基于Hopfield的DWT数字图像水印新算法

为了保证数字图像水印的鲁棒性和安全性,结合Hopfield神经网络的联想记忆功能,本文提出了一种基于Hopfield神经网络的离散小波变换域数字图像水印新算法。该算法首先对数字图像进行二尺度的离散小波变换,然后再使用Hopfield神经网络对提取的水印进行多级处理和恢复,从而明显地提高了水印图像提取的质量,增强了水印算法的鲁棒性。仿真实验表明:该算法能很好地抵抗噪声污染J、PEG压缩和剪切等攻击。     

小波包特征熵-神经网络在轴承故障诊断中的应用

提出了一种基于小波包特征熵-神经网络的轴承故障诊断新方法。首先对采集到的轴承的振动信号进行三层小波包分解,提取小波包特征熵,然后构造信号的小波包特征向量,并以此向量作为故障样本对三层BP神经网络进行训练,实现智能化故障诊断。仿真结果表明该方法有效可行。     

基于遗传小波神经网络的电网故障诊断方法研究

电网故障中继电保护和断路器的拒动、误动以及信息上传过程中的丢失、畸变等问题使快速、准确的故障诊断仍是一个难题。神经网络方法虽已应用,但神经网络容易陷入局部极小值,针对此情况,提出了基于小波神经网络和遗传算法相结合的故障诊断方法。用遗传算法学习小波神经网络的权值、尺度函数、结构,可以确定用于故障诊断的最优小波神经网络。并对算例进行了仿真,仿真结果表明优化的故障诊断系统优于BP算法的诊断系统,提高了故障诊断精度。     

基于小波神经网络的容差模拟电路故障诊断方法

以模拟电路的故障诊断为例,利用小波分析,将电路故障信号进行层次分解,获得不同频段的信号成分,取其能反映故障信号特征的成分作为电路故障特征,再输入给神经网络,大大减少了神经网络的输入数目、简化了神经网络的结构、减少了它的训练时间,并提高了辨识故障类别的能力.     

基于解析小波变换的奇异性检测和特征提取

为提高信号奇异性检测的精度和故障特征提取的有效性，利用信号和噪声的小波变换模极大值沿尺度方向的不同传播特性，提出了一种通过解析小波极大模重构进行信号奇异性检测和滤噪的方法，并将解析小波分析引入机械故障诊断中.分别采用实小波极大模和解析小波极大模分析汽车主减速器性能试验机上采集的几种故障振动信号，并进行主减速器故障诊断.试验结果表明，解析小波极大模相比实小波极大模具有更好的奇异性检测效果，能够突出故障特征，从而有效提高故障诊断的准确性.     

基于小波变换和神经网络的线路保护启动方法

为满足特高压输电线路超高速保护的要求,结合小波变换原理和神经网络原理,提出一种新的特高压输电线路保护的启动方法。该方法运用小波变换检测突变信号的原理,提取故障特征量,并以此作为神经网络的输入,设计启动神经网络,以判断输电线路的运行状态(正常或故障),进而决定是否启动故障选相装置。在PSCAD建立特高压输电系统仿真模型,仿真结果表明:该启动方法能准确判断输电线路运行状态,动作快速、灵敏且不受过渡电阻、故障位置、故障初始角以及噪声干扰的影响,在特高压输电线路超高速保护方面有一定的实用价值。     

The development of a knowledge base in an expert system based on the four-layer perceptron neural network

Owing to continuous production lines with large amount of consecutive controls, various control signals and huge logistic relations, this paper introduced the methods and principles of the development of knowledge base in a fault diagnosis expert system that was based on machine learning by the four-layer perceptron neural network. An example was presented. By combining differential function with not differential function and back propagation of error with back propagation of expectation, the four-layer perceptron neural network was established. And it was good for solving such a bottleneck problem in knowledge acquisition in expert system and enhancing real-time on-line diagnosis. A method of synthetic back propagation was designed, which broke the limit to non-differentiable function in BP neural network.