基于改进布谷鸟算法与SVM的矿用变压器故障诊断

矿用变压器主要用于含有易燃气体和煤尘的矿井中,为采煤机、运输车及照明系统提供电源。针对目前矿用变压器故障诊断准确率不高的情况,提出了一种基于改进布谷鸟算法和支持向量机(SVM)的矿用变压器故障诊断方法。首先引入改进的布谷鸟算法对支持向量机参数进行寻优,获得具有最佳参数的支持向量机模型,然后利用支持向量机对变压器故障进行分类来实现变压器故障的诊断,最后,通过算例仿真对所提算法和检测方法进行了验证,Matlab仿真结果表明：利用改进布谷鸟算法和诊断模型得到的矿用变压器故障诊断准确率要高于传统的矿用变压器故障诊断方法。     

基于PSO优化BP神经网络的变压器故障诊断

为克服BP神经网络算法在故障诊断应用中的缺点,提出了粒子群优化BP神经网络的方法,并在此基础上优化BP神经网络的结构来提高准确率。最后,通过对变压器故障诊断在Matlab中的仿真结果,验证了此方法有较高的准确率和较快的收敛速度。     

基于GA优化BP神经网络变压器故障诊断的研究

BP算法基于梯度下降原理是一种局部寻优算法,在变压器故障诊断应用中网络学习过程收敛速度慢,且易陷入局部极小值。而遗传算法(GA)具有并行计算的特点,可以有效防止搜索过程收敛于局部最优解。将二者结合起来,由GA寻找最优的BP神经网络权值与相应节点的阈值。仿真结果表明:此方法既能快速收敛,又能大大提高避免陷入局部极小的能力,改善了故障诊断的精度和速度。     

基于蚁群算法和BP神经网络的矿井通风机故障诊断

采用蚁群算法代替BP算法来训练神经网络的权值和阈值,通过比较2种算法的训练结果,基于蚁群优化的神经网络具有较快的收敛速度,而且能够克服BP算法易于陷入局部最优解的缺陷。采用蚁群算法训练后的神经网络对矿井通风机进行了故障诊断,实验结果表明,该方法是一种有效的故障诊断方法,具有较好的故障诊断效果。     

基于BP神经网络的滚动轴承故障诊断

滚动轴承在煤机设备中广泛应用,在恶劣工况下容易发生故障。为了能够及时准确地获取滚动轴承的运转状态,采用BP神经网络算法与小波函数对轴承振动信号进行分解,从而对滚动轴承进行状态监测以及故障诊断。实验结果表明,BP神经网络能够准确获得滚动轴承的运动状态及故障类型。     

改进人工鱼群算法优化小波神经网络在矿用变压器故障诊断中的应用

为有效克服人工鱼群算法容易陷入局部最优的影响,通过视野和步长的优化,促使在迭代次数增加的过程中,从全局搜索逐步转向精细搜索,避免算法出现部分最优的情况。仿真实验证明了这种改进人工鱼群算法优化小波神经网络可以有效地提升矿用变压器故障诊断的精度,提高了诊断效率。     

基于遗传神经网络的变压器故障诊断

变压器是重要的输变电设备,其运行状况直接影响到发、供电系统的安全性和可靠性,研究有效地故障诊断方法具有实际意义。将故障树、神经网络和遗传算法相结合应用于变压器故障诊断中,并通过实例证明此方法是有效可行的。     

基于GA-BP神经网络的变压器故障诊断

提出利用GA-BP神经网络的系统对变压器的故障诊断进行优化。利用GA遗传算法优化BP的初始权值,得到GA-BP神经网络。同时使用L-M算法训练GA-BP,使其可精确识别故障变压器内部的气体含量变化,并针对变压器故障诊断过程进行高效处理。GA-BP神经网络具备模糊算法,具有计算快速和判断准确等优点,可在很多的领域内保障电气安全,因而其具有良好的发展前景。     

基于小波包和BP神经网络的滚动轴承故障诊断

基于Matlab平台,利用小波包技术对滚动轴承典型故障的振动信号提取特征值,再借助BP神经网络对特征值进行分类,经验证该方法能够准确识别故障。     

基于EMD和BP神经网络的大功率柴油机故障诊断

研究了将经验模式分解(EMD)和BP神经网络2种方法诊断大功率柴油机的振动故障信号。首先运用经验模式的分解方法对柴油机缸盖表面的振动信号进行分解并来提取特征参数;最后通过建立了BP神经网络模型对柴油机典型故障进行诊断。通过对150-12缸柴油机的验证,表明该方法能够准确识别柴油机供油系统的典型故障。     

基于BP神经网络的减速箱故障诊断

减速箱故障极大影响煤矿机械装备的安全、效率及稳定性。以某型矿用减速箱为研究对象,对减速箱实时振动数据进行采集;基于BP神经网络建立减速箱故障诊断模型,运用数值软件MATLAB对减速箱BP神经网络模型进行仿真计算,根据BP神经网络计算结果对减速箱故障进行诊断。仿真结果表明:在不同减速箱样本数据中,减速箱振动特性不一致,但整体呈现为周期性波动的趋势;在多处超出平均位置的峰峰值波峰及波谷的减速箱存在故障,需要检查和维修处理;BP神经网络中的预测输出与期望输出基本一致,验证了其准确性及可靠性。该研究为矿用减速箱故障诊断、维修等方面提供理论依据。     

基于BP神经网络的煤矿风机故障诊断

针对目前矿用风机的常见故障可收集故障征兆及类型,将故障样本数据与BP神经网络相结合,由BP神经网络确定输出向量,对风机常见故障进行诊断。通过MATLAB软件进行诊断参数运算后结果表明:神经网络输出与实际数据间误差较小,诊断结果与实际情况吻合。     

基于BP神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力,可以很好地描述频率特征和诊断结果之间的关系。建立了基于BP神经网络的旋转机械故障诊断模型,并用此模型对旋转机械的故障进行了诊断,实验证明基于BP网络的旋转机械故障诊断方法具有较高的使用价值。     

基于小波和神经网络的矿用变压器保护装置的研究

励磁涌流识别是矿用变压器微机保护中有待进一步解决的难题,鉴于传统判别原理的局限性,提出了一种基于小波和神经网络的励磁涌流识别方法,并结合比率差动保护原理,设计了以FPGA、DSP和ARM为核心的矿用变压器微机保护装置。小波和神经网络采用FPGA硬件实现方式,提高了保护的速动性。测试结果表明,该装置不误动且不拒动,能够正确区分励磁涌流和内部故障电流。     

基于GA-BP神经网络矿用通风机故障诊断研究

针对矿用通风机故障诊断问题,将遗传算法和BP神经网络相结合,在对GA-BP神经网络进行训练的基础上,建立了矿用通风机故障诊断的数学模型并进行了实验验证。实验证明,在小样本情况下GA-BP神经网络仍能准确、有效地对矿用通风机故障类型进行识别,为矿用通风机故障诊断提出了新的方法和途径。     

基于Elman神经网络矿用通风机故障诊断的研究

介绍了一种基于Elman神经网络的通风机故障诊断的诊断原理,学习算法以及技术路线。通过对现场信号特征数据的采集以及归一化处理,对Elman神经网络选取最优的结构与参数,实现了煤矿主通风机故障类型的智能分类与诊断。与传统BP神经网络诊断结果相比较,Elman神经网络综合诊断性能更优。最后通过风机的故障诊断实例表明:Elman神经网络在提高学习速度上有了很大的改进,并且有效地抑制了传统神经网络容易陷于局部极小的缺陷,缩短了自主学习的时间,是风机故障诊断的有效方法。     

基于D-S证据理论和BP神经网络的齿轮箱故障诊断

在故障诊断时,需要从多方面获得关于同一对象的多维信息并进行融合,才能对设备进行更可靠更准确地诊断,以求得最佳诊断结果。以齿轮箱故障作为研究对象,提出了一种基于D-S证据理论和BP神经网络相结合的信息融合诊断方法,并进行了验证。首先利用BP神经网络对测量数据进行分析诊断,最后用D-S理论对诊断结果进行融合,结果满足需求,从而证明了D-S理论和BP神经网络相结合的诊断方法的实效性。     

基于SMO-SVM算法的变压器故障诊断

支持向量机是一种基于统计学理论的机器学习算法,它能在训练样本很少的情况下达到很好的分类效果。针对变压器的特性,提出了以RBF为核函数的非线性支持向量机的二叉树多分类变压器故障诊断模型,利用序贯最优化算法(SMO)对样本进行训练,准确率较高。试验结果表明,SMO-SVM在变压器故障诊断中具有很大的应用潜力。     

基于BP神经网络的矿井通风机故障诊断系统

提出基于三层BP神经网络的诊断模型,提取反映矿井通风机故障信息的振动信号频谱特征,用来训练神经网络。实测证明矿井通风机故障诊断系统高效、准确,可以推广应用。     

基于BP神经网络的离心泵故障诊断方法研究

介绍了离心泵的主要故障类型和产生原因,应用BP神经网络的主要知识对离心泵的故障进行诊断,将BP神经网络的输入通过Matlab进行训练,最后得到了与理想输出基本相符的实际输出,证明了该方法的有效性和可行性。