基于量子神经网络信息融合的变压器故障诊断

针对电力变压器故障的多样性和故障信息的不确定性、数据量大及无规律性的特点,提出了基于量子神经网络信息融合的故障诊断方法.将多个电力变压器故障参数信息引入到各子量子神经网络进行局部融合诊断,再将各局部诊断信息引入决策融合网络进行全局融合,最终诊断出5种电力变压器故障并给出可信度评价.实验仿真结果表明:量子神经网络信息融合方法有效,诊断结果可靠,能将不确定性的数据合理地分配到各类故障模式中,故障正判率达到97.78％,远高于BP神经网络信息融合及改良IEC三比值法.     

基于量子神经网络信息融合的变压器故障诊断

针对电力变压器故障的多样性和故障信息的不确定性、数据量大及无规律性的特点,提出了基于量子神经网络信息融合的故障诊断方法.将多个电力变压器故障参数信息引入到各子量子神经网络进行局部融合诊断,再将各局部诊断信息引入决策融合网络进行全局融合,最终诊断出5种电力变压器故障并给出可信度评价.实验仿真结果表明:量子神经网络信息融合...     

CNP神经网络在非线性电路故障诊断中的应用

本文通过对耦传播神经网络电路故障诊断方法的研究和分析。通过CPN神经网络建立起信息融合中心,并通过算法对多传感器采集的数据进行信息融合,从而减少了电路故障诊断的不确定性。本文通过改进CPN网络算法的初始权重的设置方法,克服了输入向量限制的局限性;通过优化CNP算法提高了算法的运行效果;实验结果表明,CPN神经网络的多传感器信息融合电路故障诊断的方法,可使实际故障元件的隶属度值大为增加,待诊断对象的可分析性也得到增强。该方法可准确定位故障元件,具有适应范围广、诊断率高、响应速度快等优点。     

基于模糊集理论的传感器健康度评价方法

针对测量系统中传感器故障诊断和故障预测的问题,研究基于模糊集理论的传感器健康评价方法,给出了传感器健康状态的定量综合评价指标--传感器健康度.该方法将模糊数据融合方法用于传感器健康度计算,利用隶属度函数计算传感器在各个时序点的隶属度,应用二级指标评判融合策略计算传感器多时序点融合隶属度,最后由隶属度到健康度的映射关系得到传感器的健康度.确定了传感器健康状况等级,并给出了传感器健康评价结果.实验结果表明该方法既可对传感器故障进行在线诊断,又可对传感器自身状况进行故障预测.     

基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态，实现对电机故障模式的自动识别和准确诊断，将数据融合技术与神经网络相结合，建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理，然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断，获得彼此独立的证据，再运用D-S（Dempser sha-fer）证据理论融合算法对各证据进行融合，最终实现对电机故障的准确诊断。诊断测试试验证明，该诊断系统提高了电机故障诊断的精度，能够满足诊断的实时性要求。     

基于信息融合的模拟电路故障诊断方法分析

采用2种基于信息融合故障诊断方法,说明用于模拟电路故障诊断的特点.首先利用指定频率下可测点电压、不同测试频率下输出端电压和测试元件的温度3组测试数据,分别用一个改进的BP网络对电路状态进行预处理,得到每个传感器对各待诊断元件的隶属度函数分配,再分别用模糊融合和D-S融和算法进行决策层信息融合并进行故障定位.仿真结果表明:信息融合方法能够克服基于单一信息诊断的不足,提高电路故障诊断的正确率,对单、多软、硬故障均可识别,D-S融合算法在解决电路故障诊断中的不确定性问题方面优于模糊融合.     

基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态,实现对电机故障模式的自动识别和准确诊断,将数据融合技术与神经网络相结合,建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理,然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断,获得彼此独立的证据,再运用DS(DempserShafer)证据理论融合算法对各证据进行融合,最终实现对电机故障的准确诊断。诊断测试试验证明,该诊断系统提高了电机故障诊断的精度,能够满足诊断的实时性要求。     

基于多传感器信息融合和神经网络的汽轮机故障诊断研究

针对传统故障诊断方法存在的诊断准确性不高的问题,提出了基于D-S证据理论的多传感器信息融合技术与BP神经网络相结合的方法,实现对汽轮机的机械故障诊断.由多个传感器采集振动信号,分别经小波变换特征提取后获得故障特征值,再经BP神经网络进行故障局部诊断,得到相应传感器对故障类型的基本可信任分配函数值,即获得彼此独立的多个证据,然后运用D-S证据理论对各证据进行融合,最终完成对汽轮机机械故障的准确诊断.实验结果表明,该方法克服了单个传感器的局限性和不确定性,是一种有效的故障诊断方法.     

基于非线性主分量分析-多层感知器网络的变压器油中溶解气体数据分析

采用人工神经网络进行变压器DGA数据的分析与诊断。为全面评价变压器的实际运行状况，综合利用了各特征气体含量及其比值信息，并借鉴模糊数据处理思想构造初始输入特征集合。借助一个特殊的复合神经网络进行数据分析与故障诊断。其中，非线性主分量分析网络执行多元输入特征信息的融合及主特征选择，形成待识别故障类的敏感特征量；随后的多层感知器执行故障模式识别。试验结果表明，在DGA分析的基础上，应用非线性主分量分析－多层感知器复合神经网络可有效实现变压器不同故障模式的智能化识别，获得较好的诊断结果。     

基于信息融合技术的变压器多层次故障诊断

鉴于电力变压器自身结构复杂,运行环境多变的特性,传统的单一信息来源确定变压器故障类型存在较大的局限性。因此将信息融合技术引入变压器故障诊断中,将变压器故障诊断分为两个融合层次,第一层利用DGA数据确定过热故障和放电故障,第二层利用电气数据确定具体故障位置或原因,两个融合层次所用智能算法均为改进后的BP神经网络算法。最后通过实例分析,证明该方法的有效性。     

基于模糊积分融合技术的变压器故障识别

提出了一种基于模糊积分融合技术的变压器故障诊断新方法。首先建立三比值的隶属函数并对三比值数据进行模糊预处理,再用4个不同的径向基函数神经网络进行故障识别,最后利用模糊积分融合方法将4组诊断结果进行融合处理,得出诊断结果。仿真实例表明这种方法比单个人工神经网络具有更高的故障诊断性能。     

基于新特征提取法和量子神经网络的手写数字识别

研究了一种将新特征提取方法（13维特征提取法）与量子神经网络相结合,来实现手写数字识别的方法。13维特征提取法是从每个字符中提取关键的13个特征值,而量子神经网络是将神经元与模糊理论相结合的模糊神经系统,能很好地减少模式识别的不确定度,提高模式识别的准确性。通过使用MNIST样本库仿真比较实验可知,该方法具有设计算法相对比较简单,且识别正确率较高的特点。     

使用多参量的变压器故障综合诊断技术

为全面综合诊断电力变压器故障,参考已有变压器故障综合诊断方法,结合变压器油中溶解气体数据和电力试验数据,利用自适应遗传算法优化小波神经网络和证据理论融合技术,提出了一种基于多参量的电力变压器故障综合诊断模型。通过故障特征参数的划分分别构建神经网络从不同侧面反映变压器的故障,同时结合证据的重要性、神经网络的输出改进证据体的基本概率分配赋值,充分体现证据体对单个故障模式识别的可信度。诊断结果表明,基于信息融合技术的变压器多参量故障综合诊断比基于单参量故障诊断的诊断性能较好。     

基于量子神经网络的电力电子电路故障诊断

针对电力电子电路故障诊断时故障模式间存在交叉数据的模式识别问题,在量子计算和人工神经网络结合的基础上,提出了一种基于量子神经网络的故障诊断方法,并以双桥12相脉波整流电路为例进行故障诊断.实验结果表明:量子神经网络有一种固有的模糊性,它能将不确定性数据合理地分配到各故障模式中,从而使网络具有高性能、更好的鲁棒性和省时的特点,且能正确地识别大部分的样本故障模式,成功地完成电力电子电路的故障诊断.     

Twisted quaternary neural networks

The quaternary neural network (QNN) proposed by Nitta is a high‐dimensional neural network. Nitta showed that its learning is faster than that of ordinary neural networks and the number of required parameters is almost one‐third of that of real‐valued neural networks by computer simulations. In this paper, we propose the twisted quaternary neural network (TQNN) which modifies the directions of multiplications of the QNN. Since quaternions are noncommutative on multiplication, we can get another neural network. When the activation function is linear, multilayered neural networks can be expressed by single‐layered neural networks. But the TQNN cannot be expressed by a single‐layered QNN even if the activation function is linear. Therefore, the TQNN is expected to produce a variety of signal‐processing systems. We performed computer simulations to compare the QNN and the TQNN. Then we found that the latter's learning is a little faster. Moreover, computer simulation showed that the QNN tended to be trapped in local minima or plateaus but the TQNN did not. It is said that reducibility causes local minima and plateaus. We discuss the differences of reducibility between the QNN and the TQNN as well. © 2012 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于QPSO-BP和改进D-S的水电机组振动故障诊断

为提高水电机组振动故障诊断的准确性,提出了一种基于改进D-S证据理论融合量子粒子群优化BP神经网络(QPSO-BP)的诊断方法。根据水电机组常见的振动故障类型,采用3个惯性权值随机调整的QPSO-BP网络分别对其进行初级诊断,并作为独立证据体应用于D-S理论的合成之中,实现了基本概率赋值的客观化。针对标准D-S无法合成高度冲突证据的缺陷,通过计算权值矩阵对其进行修正。实例分析表明,和3个初级诊断模型及标准D-S合成法相比,所提方法可以有效识别机组的振动故障,具有较高的诊断准确率。     

基于小波神经网络和D-S证据理论的电力变压器故障诊断研究(英文)

>Transformer faults are quite complicated phenomena and can occur due to a variety of reasons.There have been several methods for transformer fault synthetic diagnosis,but each of them has its own limitations in real fault diagnosis applications.In order to overcome those shortcomings in the existing methods,a new transformer fault diagnosis method based on a wavelet neural network optimized by adaptive genetic algorithm(AGA)and an improved D-S evidence theory fusion technique is proposed in this paper.The proposed method combines the oil chromatogram data and the off-line electrical test data of transformers to carry out fault diagnosis.Based on the fusion mechanism of D-S evidence theory,the comprehensive reliability of evidence is constructed by considering the evidence importance,the outputs of the neural network and the expert experience.The new method increases the objectivity of the basic probability assignment(BPA)and reduces the basic probability assigned for uncertain and unimportant information.The case study results of using the proposed method show that it has a good performance of fault diagnosis for transformers.     

基于量子神经网络和证据融合的小电流接地选线方法

在研究基于集成量子神经网络和Dempster-Shafer (DS) 证据理论故障诊断模型的基础上,提出将该模型应用到小电流接地选线中.利用快速傅里叶变换和小波包变换从零序电流信号中提取故障特征量来训练多个量子神经网络,再用DS证据理论对各个神经网络的输出结果进行全局融合,得到综合选线结果.仿真结果表明该模型对小电流接地选线具有很强的适应性,且不受系统接地方式、合闸角、过渡电阻等因素的影响,解决了单一判据选线准确率低和高维输入神经网络训练收敛速度慢、诊断时间长等问题.     

神经网络在故障诊断中的应用

从神经网络充当广义模式匹配器进行故障诊断以及神经网络与基于模型故障诊断的融和两方面介绍了神经网络在故障诊断中的研究及应用现状。此外,还介绍了神经网络与模糊技术相结合以及神经网络与专家系统相结合而成的智能故障诊断系统。最后,探讨了神经网络故障诊断的新近发展趋势。