神经网络在变压器故障诊断中的应用研究

解决溶解气体分析法在变压器故障诊断中准确率不高之难题,采用人工神经网络方法和基于动量因子技术的改进BP网络训练算法,建立了一具有较强的学习能力、泛化能力和适应能力的BP神经网络模型.通过MATLAB仿真实验,结果表明此神经网络能较准确的对变压器故障进行诊断,具有一定的应用及推广价值.     

概率神经网络在发动机故障诊断中的应用

由于发动机运行系统结构的复杂性,传统方法很难及时找出故障发生的原因,因此,提出采用概率神经网络PNN来实现对发动机运行系统的故障诊断.PNN是一种训练速度快、结构简单和应用广泛的人工神经网络,它采用贝叶斯分类决策理论建立系统的数学模型;以高斯函数作为激励函数,具有非线性处理和抗干扰能力强等特点.Matlab仿真结果表明,该诊断方法快速准确且易于工程实现.     

基于SA-PSO优化自适应PNN网络的变压器故障诊断研究

概率神经网络中反映整个样本空间的平滑因子σ常以经验取值,缺乏足够的理论依据;对此提出一种自适应概率神经网络变压器故障诊断模型,针对作为自适应概率神经网络的激励函数的高斯函数,采用基于模拟退火思想的改进粒子群算法(SA-PSO)优化其平滑因子σ,从而提高概率神经网络诊断的识别率;通过搜集到92组故障数据进行仿真分析,其结果表明引入模拟退火过程后,粒子群算法的局部搜索能力得到了改善,并且使得SA-PSO算法优化下的自适应概率神经网络相对于单一PSO算法在变压器故障的诊断准确率上得到了较大程度的提高,从而保证变压器的安全可靠运行。     

神经网络在变压器故障诊断中的比较研究

在将神经网络应用于变压器故障诊断的过程中,针对BP算法易陷入局部极小、收敛速度慢的缺点,根据遗传算法具有全局寻优的特点,将二者结合起来形成一种训练神经网络的混合算法GA-BP算法;通过实例结果分析,表明该算法可以有效地运用于变压器故障诊断中,提高故障诊断的准确率.     

基于神经网络的变压器故障诊断方法研究

针对概率神经网络(PNN)模型强大的非线性分类能力,PNN能够很好地对变压器故障进行分类;文章通过对PNN神经网络的结构和原理的分析,应用PNN概率神经网络方法对变压器故障进行诊断;通过实例仿真表明,PNN网络的训练时间比BP网络少,比之预测准确度也要高,而且还具有高度的泛化能力,这使得PNN网络可以有效地运用到变压器故障诊断中,具有一定的可操作性。     

改进的神经网络在变压器故障诊断中的应用

研究变压器故障准确诊断问题。通过对变压器油中溶解气体定性、定量地分析可及时发现变压器内部存在的潜伏性故障。但目前神经网络诊断方法存在收敛速度慢、不稳定问题,导致正确率低。为解决上述问题,提出了小生境遗传算法改进的神经网络模型。充分利用小生境遗传算法的搜索能力和神经网络的非线性映射和学习联想能力,用小生境遗传算法优化神经网络的初始权值和阈值,并对网络进行训练和测试。实验结果表明,与传统方法相比,改进模型有效提高了网络收敛速度、稳定性,提高了故障诊断正确率,具有很强的可行性和有效性。     

可拓神经网络在变压器故障诊断中的应用

可拓神经网络是一类新的神经网络,它结合了可拓学理论和人工神经网络技术。可拓神经网络已经在模式识别、故障诊断、分类聚类等领域有了成功的应用。针对变压器故障诊断的特点,提出一种基于可拓神经网络的电力变压器故障诊断方法。介绍了可拓神经网络;构造了基于可拓神经网络的故障诊断模型和算法设计,并将其应用到电力变压器的诊断识别;通过仿真实验验证了该方法简单易行、训练误差小、收敛时间快等优点。该方法具有一定的应用及推广能力。     

概率神经网络故障诊断的粗糙集优化方法

针对径向基概率神经网络故障诊断输入量过多会影响网络学习效率的问题,提出了一种基于粗糙集的概率神经网络故障诊断优化方法.该方法用模糊C均值聚类将故障诊断训练数据离散化,使用粗糙集化简由输入输出属性构成的决策表,利用约简后的输入量重新构建神经网络故障诊断模型,使原有模型得到优化并以柴油机故障诊断为例说明该方法的有效性.     

基于概率神经网络的刨花板施胶故障诊断

刨花板施胶的实时性和准确性直接关系到产品的质量和成本的控制.但在实际的生产运行中,刨花板施胶工段容易发生泵堵、刨花堆料、高料位等故障.这些故障的产生大大影响了产品质量、生产成本等指标.针对这一个问题,提出了利用概率神经网络对刨花板施胶过程的故障信息进行在线诊断的方法,建立了概率神经网络分类模型和预测模型.仿真结果表明,此方法具有训练速度快、诊断准确率高、模型鲁棒性强等优点.     

代价敏感概率神经网络及其在故障诊断中的应用

针对传统的分类算法人多以误分率最小化为目标,忽略了误分类型之间的差别和数据集的非平衡性的问题,提出代价敏感概率神经网络算法.该算法将代价敏感机制引入概率神经网络,用期望代价取代误分率,以期望代价最小化为目标,基于期望代价最小的贝叶斯决策规则预测新样本类别.采用工业现场数据和数据集German Credit验证了该算法的有效性.实验结果表明,该算法具有故障识别率高、泛化能力强、建模时间短等特点.     

基于概率神经网络的柴油机故障诊断与预测研究

针对柴油机故障诊断、预测难的问题,分析了柴油机常见故障及影响因素,介绍了柴油机故障数据的提取、分析和处理方法,建立了一种基于概率神经网络的故障诊断与预测模型。仿真结果表明,该模型能够有效地对柴油机等复杂机械系统故障进行诊断和预测,可以快速准确地给出诊断结果,其故障诊断和预测准确率达到94.84%。     

对传过程神经元网络在油井故障诊断中的应用

为更好解决抽油机井示功图模式诊断问题,依据示功图绘制原理,将示功图识别看作动态系统连续曲线（位移-时间曲线和载荷-时间曲线）的模式识别问题。利用过程神经元能同时处理时、空二维信息,可自动抽取时变函数样本的过程模式特征,在机制上对时变信号的分类问题具有较好的适应性,提出一种基于对传过程神经元网络诊断模型及其学习算法。以油井实测数据对模型进行训练和故障识别,取得了较好的应用效果。     

BA-PNN-based methods for power transformer fault diagnosis

This paper presents a machine learning-based approach to power transformer fault diagnosis based on dissolved gas analysis (DGA), a bat algorithm (BA), optimizing the probabilistic neural network (PNN). PNN is a radial basis function feedforward neural network based on Bayesian decision theory, which has a strong fault tolerance and significant advantages in pattern classification. However, one challenge still remains: the performance of PNN is greatly affected by its hidden layer element smooth factor which impacts the classification performance. The proposed approach addresses this challenge by deploying the BA algorithm, a kind of bio-inspired algorithm to optimize PNN. Using the real data collected from a transformer system, we conducted the experiments for validating the performance of the developed method. The experimental results demonstrated that BA is an effective algorithm for optimizing PNN smooth factor and BA-PNN can improve the fault diagnosis performance; in turn, and the machine learning-based model (BA-PNN) can significantly enhance the accuracies of power transformer fault diagnosis.     

改进PSO-BP神经网络在变压器故障检测中的应用

粒子群优化（PSO）算法中的粒子根据全局最优粒子来移动自身位置进行搜索,但当某一粒子连续多次被选为全局最优粒子的时候,整个群体的粒子就会快速收敛于该最优粒子,陷入局部最优。为此,提出了变异动态粒子群优化（MDPSO）算法。采用惯性权重变异的思想,当某粒子连续被选为全局最优粒子时,就使一部分粒子的惯性权重以指数速度增长,使粒子跳出局部最小,继续全局寻优。并把改进的粒子群优化算法和BP神经网络相结合,应用于变压器故障检测中。实验表明,与常用的粒子群优化算法相比,用改进的粒子群优化算法优化BP神经网络具有更好的性能,在变压器故障检测中能够获得更高的检测精度。     

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。     

基于细菌迁徙的自适应果蝇优化算法

针对果蝇优化算法的早熟收敛问题,提出了一种新的基于细菌迁徙的自适应果蝇优化算法。该算法在运行过程中根据进化停滞步数的大小自适应地引入细菌迁徙操作,提高算法跳出局部极值的能力;并且对每个个体根据适应值大小赋予不同的自适应迁徙概率,避免了迁徙可能带来的解退化的问题。对几种经典函数的测试结果表明,新算法具有更好的全局搜索能力,在收敛速度、收敛可靠性及收敛精度上比果蝇优化算法有较大的提高。     

基于混合策略改进的果蝇优化算法

针对基本果蝇优化算法收敛精度不高、容易陷入局部最优和收敛速度慢的问题,提出一种基于混合策略改进的果蝇优化算法(MSFOA)。受鲸鱼捕食猎物的启发,在对个体历史最优位置的更新中,采用新的组合搜索的方法,加快果蝇搜索迭代速度;在更新后的位置公式中引入自适应权重系数,提高算法的优化精度;当达到局部收敛状态时,结合多尺度高斯变异算子解决局部最优的限制。采用6个测试函数的仿真结果表明,MSFOA算法相比其它算法具有更快的收敛速度和较高的寻优精度。     

一种新型的混沌步长果蝇优化算法

针对果蝇优化算法存在算法易早熟、收敛不足的问题,将Hénon混沌映射引用为步长因子,提出了一种混沌步长果蝇优化算法。利用Hénon映射所产生的混沌现象具有良好的遍历性、多样性的特点来改进果蝇算法的固定步长,并增加放大系数以提高算法的全局和局部搜索能力以及跳出局部最优解的能力。对10个经典测试函数进行测试,并与多个算法进行了对比分析,研究结果表明,该算法具有较高的全局搜索和跳出局部最优解的能力。