改进D-S证据理论在电动汽车锂电池故障诊断中的应用

针对电动汽车电池系统的故障采用基于神经网络的改进D-S证据理论组合规则完成诊断过程。为了避免单一途径的诊断可能造成故障漏检误检的状况,决策层采用D-S证据理论组合规则来确定基于BP网络和RBF网络两种故障诊断算法结果。然而为了克服D-S证据理论处理高度冲突证据的缺陷,本文提出了一种基于神经网络改进的D-S证据理论组合规则。首先,采用神经网络对电池故障进行初步诊断,结合网络诊断准确率来分配不确定信息并构造证据体,又引入了证据间的支持矩阵来确定新的加权证据体。然后,把各个焦元的信任度融入D-S证据理论组合规则,从而融合神经网络证据体及新加权证据体。最后,依据决策准则确定锂电池系统的故障状态。通过仿真实验验证了本文提出的改进D-S证据理论融合诊断方法在电动汽车锂电池故障诊断中的有效性。     

混合神经网络在变压器故障诊断中的应用

针对变压器故障诊断准确率低的问题提出了粒子群-自组织映射-学习矢量化(PSO-SOM-LVQ)混合神经网络算法。为了获取更加有效的SOM神经网络拓扑结构,首先采用PSO算法对SOM神经网络的权值向量加以改进,在此基础上融入LVQ神经网络,弥补了无监督学习SOM神经网络的不足。这种PSO、SOM和LVQ相结合的混合神经网络算法提高了变压器故障诊断的精度,减少了故障诊断的误差。通过仿真,对SOM、PSO-SOM和PSO-SOM-LVQ这3种算法进行了对比。对比结果表明,PSO-SOM-LVQ混合神经网络算法准确度最高,其故障诊断准确率为100%。由此可见,采用PSO-SOM-LVQ混合神经网络算法可有效提高变压器故障诊断的性能。