一种改进的BP算法在实际应用中的研究

该文在应用BP网络诊断电厂制粉系统故障的研究中，采用一种改进的学习算法，即对BP网络权值的优化方法上进行了改进，并经制粉系统故障诊断的仿真试验证明，这种改进的BP算法能有效地解决网络学习时易陷入局部极小值的问题，提高网络的学习速度和诊断精度。     

PMC模型下网络故障的节点可诊断研究

传统故障诊断研究大多忽略了系统局部特征。PMC模型下,针对于这一问题,引入了节点可诊断的概念,并通过节点可诊断方法的研究得到了节点可诊断度的充分条件和◢t◣-可诊断新算法STFDA。最后,对◢n◣维超立方网络和◢n◣维星状网络从节点可诊断的角度进行了分析,验证了所得充分条件的正确性,并将算法应用到这两种网络中进行故障诊断。其中,充分条件和STFDA算法的实现借助了新的结构ST。STFDA算法的时间复杂度为◢O（Nδ）,δ◣为网络中节点的最大度。相比于其他算法,算法的时间复杂度得到显著降低。     

基于模糊SVM和虚拟仪器的模拟电路故障诊断研究

基于模糊支持向量机理论构建模拟电路故障诊断网络,采用虚拟仪器技术开发故障诊断平台;通过对电路仿真软件与实际测量得到的数据进行分析,选取一种自适应小波变换特征提取方法对电路进行故障特征提取,提取电路输出响应的6个低频系数构成故障特征向量并作为FSVM诊断网络的学习样本,诊断网络采用C-SVM算法.规则化参数墩为200;在LabVIEW软件中调用以MAT-LAB-M文件编写的特征提取与故障诊断算法,将模拟电路的故障定位到元件级;最后,将网络的诊断结果与BP神经网络诊断方法做了对比,证明基于虚拟仪器的模糊SVM模拟电路诊断方法在故障诊断速度与准确性方面都具有明显优势,平均故障识别率达到90%以上.     

基于IRBF神经网络在高压断路器故障诊断中的研究

提出一种基于免疫算法的改进学习算法（IRBY）。该算法将输入数据作为抗原,网络的隐层中心点作为抗体,运用免疫算法得到多样性的抗体记忆集合即为隐层网络的中心点,避免网络隐层中心点难求的问题．然后采用梯度下降法确定权值,用训练好的网络进行高压断路器机械故障诊断。仿真结果表明,该方法对高压断路器的机械振动信号的分析,有很好的应用价值。     

基于故障树和神经网络的火箭故障诊断方法

针对运载火箭的复杂特性以及传统BP算法的收敛速度慢、极易陷入局部极小的缺点和实际的故障样本少的特性,提出了一种基于故障树和SVM(Support Vector Machine)算法神经网络的故障智能诊断方法.通过采用分层树形结构表示规则间的逻辑关系、广义规则表示知识及条件表等拆解节点,从而建立基于故障树的知识库.用SVM算法来构建计算网络;网络不仅能对线性函数进行计算而且也能将非线性问题线性化,从而使得该方法在应用中具有极强的泛化性;故利用该网络的智能学习功能来对输入数据进行智能计算判别,从而达到对运载火箭故障的分析、定位和诊断.最后,以CZ-3型运载火箭为诊断对象进行了仿真验证,结果表明该方法提高了诊断能力.     

一种改进的DFD无线传感器网络节点故障诊断算法研究

无线传感器网络是远程分布式环境监测的重要手段。节点故障诊断作为无线传感器网络的关键技术之一,是无线传感器网络大多应用领域不可或缺的环节。DFD算法是一种可应用于无线传感器网络的节点故障诊断算法,通过网络内邻居节点间的数据交换和相互测试诊断出故障节点。对DFD算法的诊断判据进行了修改,提出了改进的DFD算法。仿真结果表明,改进的DFD算法能适用于待诊断节点的邻居节点数较少、节点故障率较高的传感器网络,且大大提高了故障诊断精度。     

一种基于簇的移动自组网络被动式故障比较诊断算法

针对移动自组网络中的应用层故障,讨论并分析了已有基于比较的故障诊断算法和基于簇的比较诊断算法存在的问题,提出基于簇的被动比较诊断算法。该算法基于分簇算法将移动自组网络划分为若干簇,由簇首负责本簇节点的故障诊断。在完成全网节点初始诊断后,簇内对节点的诊断无需专门诊断报文,而是在正常通信数据报文中增加诊断结果字段,基于比较模型,实现对节点状态的诊断。该算法由于无专门诊断消息,因此不会出现基于比较算法中诊断消息在整个网络中洪泛的情况,大大降低了其它算法中诊断消息所造成的系统开销。该算法还克服了网络拓扑变化频繁时已有算法存在的节点无法诊断和频繁触发诊断的问题。     

小波神经网络在滚动轴承故障诊断中的应用

结合小波变换和神经网络的优势给出小波神经网络的结构模型,研究了小波神经网络的学习算法;针对传统算法收敛速度慢等问题,从学习率和引入动量项两个方面对算法进行改进。应用小波网络对滚动轴承的典型故障进行实例诊断。以7216圆锥轴承在实验台上所测取的数据进行网络训练。用振动信号为网络输入向量,给出训练结果。仿真实例表明,采用小波神经网络能够很好地对故障进行分类,其收敛速度明显要快于相同条件BP神经网络,有效地实现了滚动轴承的故障诊断。     

基于网络的多专家协作诊断研究

该文针对大型复杂设备提出了采用基于网络的多专家远程协作诊断的方法。研究了设备远程故障诊断的体系结构、多专家进行协作诊断的策略、以及对多专家诊断结果进行综合的算法。     

基于WPT和FOAGRNN的模拟电路故障诊断

为提高对模拟电路故障模式的准确分类和减少网络模型的训练时间,提出基于小波包变换(WPT)和果蝇算法(FOA)优化广义回归神经网络(GRNN)的模拟电路故障诊断方法。首先采用小波包变换提取电路优质故障特征,以减少网络训练时间,然后建立GRNN网络模型,选择FOA算法优化GRNN网络参数,构建最优模型对电路故障特征进行训练测试,最后采用仿真测试其性能。实验结果表明,FOA算法有效提高诊断模型训练效率,相比于其它电路故障诊断模型,FOAGRNN模型具有更高的诊断率和优越性。     

基于遗传算法的电路故障诊断超参数优化算法框架

针对基于SVM的模拟电路故障诊断中诊断参数的调节是通过试凑法或按照全局最优的原则确定的,没有考虑实际诊断要求,无法进行各诊断环节参数同时调整优化的现状。提出一种适应度模型用于遗传算法参数寻优,把实际电路诊断要求量化成参数指标引入模拟电路故障诊断的优劣评估中;建立了基于遗传算法的电路诊断模型参数闭环寻优框架,对诊断系统的各部分参数优化进行整体度量,并分析了参数搜索算法的收敛性。通过实例诊断分析了闭环故障诊断参数寻优框架下各部分的参数制定对决策的影响,说明了建立的闭环故障诊断模型参数寻优框架和搜索算法的有效性和实用性。     

基于自适应步长FOA-SVM算法的卡泵故障诊断

为了提高机采井卡泵故障诊断精度,提出一种基于自适应步长FOA-SVM混合算法模型的机采井卡泵诊断方法。在支持向量机对示功图诊断分类的基础上,引入改进的自适应步长果蝇优化算法(AS_FOA)对SVM的惩罚因子和核函数参数进行寻优,避免人为选择参数的盲目性。为了实现果蝇优化算法的全局与局部寻优能力的平衡,应用自适应步长方法对其进行改进,使果蝇算法能够根据上一代的适应度值和当前迭代次数来自适应改变果蝇个体搜索步长。通过采油厂真实示功图数据进行仿真实验,比较AS_FOA、FOA、GA三种算法在支持向量机参数寻优中的性能。实验结果表明,AS_FOA收敛速度更快,寻优能力更佳。与其他算法相比,AS_FOA-SVM混合算法模型在卡泵故障诊断中准确率更高,泛化能力更强。     

基于半动态拓扑优化算法的地铁车辆高压供电电路过流故障同步诊断方法

地铁车辆处于复杂的运行环境中,高压供电电路很容易发生过流故障,为迅速辨识过流故障类型,设计了一种基于半动态拓扑优化算法的地铁车辆高压供电电路过流故障同步诊断方法。应用半动态拓扑优化算法,构建模态坐标空间内高压供电电路的电流微分运动模型。结合粒子群算法与优化VDM分解方法,提取模型的过流故障特征。基于BP神经网络与遗传算法构建过流故障同步诊断模型,实现高压供电电路过流故障的同步诊断。案例测试结果表明,该方法对于变压器过流故障、变流器过流故障以及弓网接触不良故障的诊断都比较准确,特别是对于变压器与变流器的过流故障诊断十分准确。     

基于混沌粒子群优化核极限学习机的变压器故障诊断方法

为提高电力变压器故障诊断的准确度,提出一种基于核极限学习机(KELM)的变压器故障诊断方法,利用混沌优化改善粒子群算法的全局寻优性能。该方法首先用KELM建立故障诊断模型,再利用改进后的混沌粒子群算法(CPSO)对KELM的参数进行优化。结合油中溶解气体分析法(DGA)获得样本数据,通过实例仿真结果对比分析表明,所用算法具有更高的诊断准确率,提高了变压器故障诊断的可靠性。     

一种滚动轴承故障诊断方法

针对基于支持向量机的滚动轴承故障诊断方法中支持向量机的参数优化问题,提出一种改进的果蝇优化算法,即以模式分类准确率作为果蝇味道浓度函数,并采用该算法来优化支持向量机模型的惩罚因子和核函数参数;基于改进果蝇优化算法和支持向量机对滚动轴承的故障模式进行分类诊断,结果表明改进的果蝇优化算法具有较高的收敛速度和寻优效率,基于该算法和支持向量机的滚动轴承故障诊断方法具有较高的分类准确率。     

一种基于粒子群算法的配电网低电压诊断模型研究

随着智能电网建设的发展,传统的基于检测技术的配电低电压原因诊断已变成基于数据挖掘的电力大数据分类技术,而着眼于低电压故障原因的数据分类研究在国内尚处于起步阶段,为此该文提出一种采用改进聚类算法和支持向量机分类算法的配电网低电压诊断模型。该模型首先采用Canopy-Kmeans的聚类算法基于配电网历史运行数据进行低电压原因的聚类分析并得出可能存在的低电压原因,然后采用经粒子群算法对支持向量机数据分类算法进行参数优化,最后使用结果参数优化的支持向量机算法对智能电表所采集的配电网实时运行数据进行低电压原因分类并最终输出低压故障原因的诊断结果。实验表明,采样基于粒子群优化的支持向量机诊断模型能够实现90%的低电压原因诊断准确度。     

BP神经网络在心理障碍诊断中的应用研究

以高校大学生常见心理疾病作为研究对象,充分利用L-M算法的全局寻优性及局部收敛性的特点对BP神经网络进行优化,建立基于改进的BP算法的心理诊断模型,实现简单的模式识别。仿真结果表明:该模型减少了训练迭代次数,缩短了训练时间,具有较高的准确性,应用该神经网络建立心理障碍诊断系统也是有效的。     

用于测试序列优化的DPSO-WAO*算法研究

针对现有测试序列优化算法所存在的计算效率及优化性能间的矛盾,结合离散粒子群算法(DPSO),提出了基于加权Huffman编码的启发式评估函数,对传统AO*算法进行改进,提出了DPSO-WAO*(DPSO-Weight_AO*)算法。实例证明,基于加权Huffman编码的启发式评估函数更为准确地评估了全局测试成本,在取消了成本回溯的情况下,算法仍能保持较高的优化性能,且有效地降低了计算复杂度,对于大型系统的测试序列设计、可测试性分析及故障诊断等具有重要意义。     

基于鲸鱼算法改进小波神经网络的GIS局部放电诊断方法研究

针对封闭式气体绝缘开关装置由于生产、运输安装和运行环境等因素,引发的局部放电现象而造成的绝缘故障问题,提出了一种基于改进鲸鱼算法与小波神经网络结合的封闭式气体绝缘开关装置局部放电诊断方法。该方法利用灰度图谱与矩特征实现对局部放电信号的特征提取,基于矩特征值构建小波神经网络的输入样本集;然后使用改进鲸鱼算法对小波神经网络参数进行寻优,以解决神经网络存在的参数敏感问题;最后将优化好且训练完成的小波神经网络应用于绝缘开关装置局部放电诊断中。改进鲸鱼算法引入非线性收敛因子与自适应思想提升了算法的性能,对小波神经网络的超参数有较好的寻优效果。仿真结果表明,相比于通用参数配置的小波神经网络,改进诊断方法诊断精度提升了9.45%。     

粗糙集及PSO优化BP网络的故障诊断研究

针对PP神经网络故障诊断存在网络结构复杂、训练时间长、精度不高的问题,将粗糙集、微粒群算法、遗传算法引入到柴油机故障诊断中,提出了基于粗糙集理论与改进PP神经网络相结合的柴油机故障诊断算法。算法采用自组织映射方法对连续属性离散化,利用粗糙集理论对特征参数进行属性约简,使用微粒群算法优化PP网络结构,从而缩短训练时间,有效提高故障诊断的准确度。最后用柴油机的实际诊断结果验证了该算法的可行性、快速性和准确性。