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。     

概率神经网络在化工过程故障检测中的应用

提出将一种径向基网络的重要变形—概率神经网络(PNN)应用于化工过程的故障检测中。与其他网络相比,概率神经网络学习速度快,适合于故障检测问题。将概率神经网络用于Tennessee Eastman(TE)过程故障检测的仿真实验,将实验结果与BP网络进行比较,结果表明概率神经网络的网络设计时间明显少于BP网络,故障检测的准确率明显提高。该方法可行、有效。     

基于PNN的机载设备故障预测

故障预测是PHM体系的重要特征,提出基于过程神经网络(PNN)对机载设备进行故障预测;首先建立了基于PNN的多步预测模型,推导了模型在函数正交基展开形式下的计算公式;基于正交基函数展开和矢量矩免疫算法训练PNN,推导出了适用于进化算法的优化问题模型;以设备转换部件Out2信号的全寿命故障规律为例进行了故障预测,基于MATLAB进行了仿真,结果表明,基于PNN进行故障预测精度较高,是一种有效的方法。     

基于概率神经网络的容差电路故障诊断

容差模拟电路故障的多样性使得神经网络训练样本数量增加,BP网络结构趋于复杂,训练速度降低.针对反向传播神经网络(BPNN)学习收敛速度慢、易陷入局部极小值等问题,提出了基于概率神经网络(PNN)的容差模拟电路故障诊断方法,与传统的BP网络模型相比,该方法具有训练时间短且不易收敛到局部最小的优点.仿真实验表明:诊断过程快速,结果准确而且对软故障也有较高的识别能力.     

基于PNN的汽车ABS系统中压力调节器和轮速传感器的故障诊断

在汽车防抱死制动系统(ABS)中,压力调节器和轮速传感器起着非常重要的作用,为了进一步完善汽车防抱死制动系统的制动性能,文中提出一种基于概率神经网络(PNN)的压力调节器和轮速传感器的故障诊断方法。基于高附着均一路面,起车时制动及单一的压力调节器或者轮速传感器故障的试验数据,分别建立了基于概率神经网络的压力调节器故障诊断模型和轮速传感器故障诊断模型,并与BP神经网络进行了比较。仿真结果表明,利用相同的训练样本集对概率神经网络和BP神经网络进行训练时,基于概率神经网络的压力调节器故障诊断模型和轮速传感器故障诊断模型在训练时间和诊断精度上明显优于BP神经网络,并且利用测试样本对建好的压力调节器故障模型和轮速传感器故障模型进行检测时,无论测试样本的顺序发生什么变化,基于概率神经网络的故障模型都能够准确的进行故障识别。     

基于RSPNN的制粉系统故障诊断

针对发电厂制粉系统故障与征兆对应关系复杂及过程信息的不确定性及传统BP神经网络故障诊断的缺点,提出了基于粗糙集概率神经网络(RSPNN)的制粉系统故障诊断方法,以改善传统BP神经网络初始值敏感、易使学习过程陷入局部极小值以及样本数据过大时训练速度慢等问题。首先采用自组织映射神经网络(SOMNN)对连续样本数据进行离散化;再利用基于区分矩阵的HORAFA算法对离散化样本数据进行RS属性约简,并将约简结果作为概率神经网络(PNN)的输入;最后利用PNN作为诊断决策分类器,输出故障模式,并进行了仿真研究。仿真结果表明,该方法不仅优化神经网络的拓扑结构,降低神经网络的训练时间,而且能准确、快速地诊断制粉系统故障类型,同时对发电厂制粉系统及其相关设备的在线故障诊断问题有一定启发性。     

基于神经网络的邢台市空气质量预测模型构建研究

随着邢台市空气污染日趋严重,构建基于神经网络的空气质量等级预测模型具有重要意义.文章以邢台市空气主要污染源的排放量、日最高温度、日最低温度、风力及空气质量等级为样本数据,基于MATLAB神经网络的背景,运用BP神经网络、PNN神经网络、Elman神经网络模式识别方法构建空气质量预测模型,通过对比预测空气质量等级和实际等级评价模型,结果表明,BP神经网络正确率41.94％,PNN网络正确率38.71％,Elman网络正确率35.48％,BP神经网络所构建的预测模型效果最好.     

基于改进PSO优化PNN网络的变压器故障诊断方法

根据变压器产生故障时特征气体和故障类型的非线性关系,结合油中溶解气体分析方法,采用了基于改进粒子群-概率神经网络(PNN)的故障诊断方法.针对PNN网络平滑因子按照经验选取的不足,以及使用粒子群优化(PSO)该参数时搜索精度低、容易早熟收敛等缺点,改进粒子群引入遗传算法的变异操作,并在迭代中对惯性权重动态调整和加速因子的线性变化,并用于训练PNN神经网络平滑因子集合;然后将改进PSO-PNN神经网络应用于变压器故障诊断中,通过诊断测试验证了该方法的有效性.     

主成分分析法与概率神经网络在模拟电路故障诊断中的应用

模拟电路故障的多样性使得神经网络训练样本数量增加,BP网络结构趋于复杂,训练速度降低;针对反向传播神经网络(BPNN)学习收敛速度慢、易陷入局部极小值等问题,提出了基于主成分分析(PCA)与概率神经网络(PNN)相结合的模拟电路故障诊断方法;通过主成分分析法(Principal Component Analysis)提取特征数据进行降维处理,再结合概率神经网络(Probabilistic Neural Networks)对电路故障进行分类;实例说明采用PCA和PNN结合对故障数据处理,可以大大的提高故障诊断分类的准确性。     

利用神经网络建立液力减速器模型

根据液力减速器的试验数据,利用BP神经网络建立数学模型,给出了BP神经网络结构和适合计算机编程的神经网络算法。通过对神经网络拟合曲线、多项式拟合曲线及实际试验曲线对比和分析,结果表明,神经网络建立的液力减速器模型精度比较高,用神经网络建立非线性系统的数学模型是一种有效的方法。     

An expert system for fault diagnosis in internal combustion engines using probability neural network

An expert system for fault diagnosis in internal combustion engines using adaptive order tracking technique and artificial neural networks is presented in this paper. The proposed system can be divided into two parts. In the first stage, the engine sound emission signals are recorded and treated as the tracking of frequency-varying bandpass signals. Ordered amplitudes can be calculated with a high-resolution adaptive filter algorithm. The vital features of signals with various fault conditions are obtained and displayed clearly by order figures. Then the sound energy diagram is utilized to normalize the features and reduce computation quantity. In the second stage, the artificial neural network is used to train the signal features and engine fault conditions. In order to verify the effect of the proposed probability neural network (PNN) in fault diagnosis, two conventional neural networks that included the back-propagation (BP) network and radial-basic function (RBF) network are compared with the proposed PNN network. The experimental results indicated that the proposed PNN network achieved the best performance in the present fault diagnosis system.     

基于GMM聚类和PNN的道岔故障诊断研究

当前道岔故障诊断系统大多采用BP神经网络,但由于BP神经网络结构特点,在训练样本大且诊断系统精度要求比较高时,网络常常会呈现出以下不足:不收敛且容易陷入局部最优、常用的数据挖掘方法如小波分析等对数据的利用度不高、从时域或频域角度分析时不够全面和采用数据降维使用的LLE方法会丢失部分有用数据等。采用GMM聚类方法对兰州车站微机监测系统中采集的600组功率数据进行分类后,根据结果选取信息量比较全面的数据建立概率神经网路的训练集和测试集,从测试集得出的仿真图和BP神经网络做比较,结果表明基于GMM聚类和概率神经网络的道岔故障诊断方法可以改善存在的不收敛、误差大等问题。     

AFSA＋PSO混合算法在BP网络故障诊断中的应用

提出一种基于人工鱼群算法和粒子群算法混合训练BP网络的故障诊断系统.采用人工鱼群算法和粒子群算法结合算法训练神经网络权值,局部搜索速度快且保证全局收敛,有效克服了传统的BP神经网络收敛速度慢且容易陷入局部极值的缺点.将该网络用于齿轮箱故障诊断,并与传统BP模型用于故障诊断结果进行了比较,取得了较好的效果.     

基于BP神经网络的故障诊断技术研究

分析了传统的故障诊断方法的特点和缺点,在此基础上选择BP神经网络应用于故障诊断,详细探讨了BP神经网络的建模方法,根据设备的层次结构和特点,将集成神经网络应用于故障诊断,有效地克服了单一神经网络故障诊断的一些缺点,大大提高了故障诊断的效率和准确率.     

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.     

基于BP神经网络的故障诊断模型研究

滚动轴承是旋转机械中最常用的部件之一。滚动轴承很容易损坏，而它的工作条件通常比较复杂，很难对其故障进行准确判断。为了提高滚动轴承故障诊断的有效性，构建了一种新的基于改进量子蜂群算法和BP神经网络的滚动轴承故障诊断模型（IQABC-BP）。首先针对量子蜂群算法在种群初始化和进化过程中存在的问题，提出了一种改进量子蜂群算法，然后利用改进量子蜂群算法对BP神经网络的初始权值、阈值和隐含层单元数进行优化，建立了一种具有超并行超高速的基于改进量子蜂群算法的BP神经网络模型，并应用于滚动轴承的故障诊断中。实验结果表明，IQABC-BP模型收敛速度更快，故障诊断效果更好，具有很好的应用价值。     

减法聚类-ANFIS在网络故障诊断的应用研究

提出了一种基于减法聚类-自适应模糊神经网络（ANFIS）的网络故障诊断建模方法。减法聚类算法生成初始模糊推理系统,ANFIS建立网络故障诊断原始模型,应用混合算法对模糊规则的参数进行训练并建立最终的模型。仿真实验表明基于减法聚类-ANFIS的建模方法是有效的;通过仿真结果比较,减法聚类-ANFIS的网络故障诊断能力及收敛速度均优于BP神经网络,更适合作为网络故障诊断模型。     

基于改进LLE的Elman神经网络电路故障诊断

如今的电路越来越复杂,随之而来的就是电路系统的高故障性,所以如何定位故障发生成为一大难题。文中基于提高故障诊断性能的目的,先采用一种改进的局部线性分析算法作为初始数据处理器对输出响应序列进行降维,提取故障特征向量,然后再通过OIF-Elman神经网络搭建故障分类器,对电路进行故障检测。仿真结果表明,将改进过的局部线性分析算法和OIF-Elman神经网络应用到故障诊断中,不仅具有比传统BP神经网络更精确的故障诊断正确率,且整个网络的收敛速度也会有明显提升。