基于IPSO-PNN的电动汽车故障诊断

为了提高电动汽车故障诊断的准确性,提出了一种基于改进粒子群(Improved Particle Swarm Optimization,IPSO)算法优化概率神经网络(Probabilistic Neural Network,PNN)的电动汽车故障诊断方法,即基于IPSO-PNN的电动汽车故障诊断方法。首先,研究了基于PNN的电动汽车故障诊断模型,分析了PNN的平滑因子对该模型诊断准确率的影响;其次,在粒子群(Particle Swarm Optimization,PSO)算法中引入频率粒子群和采用动态惯性权重,改善PSO算法的全局和局部寻优能力,利用IPSO算法优化基于PNN的电动汽车故障诊断模型的平滑因子,以改善模型的分类能力;最后进行仿真与分析。仿真结果表明:相较于基于PSO-PNN的电动汽车故障诊断方法,基于IPSO-PNN的电动汽车故障诊断方法具有更高的诊断准确率和诊断速度。     

基于小波分析与概率神经网络的化工过程故障诊断

针对复杂化工过程,提出了一种结合小波分析与概率神经网络（PNN）的故障诊断方法（HWPNN方法）,即利用Haar小波分析对过程原始数据进行消噪处理,然后将重构的逼近系数作为输入样本送入概率神经网络完成故障诊断。将HWPNN方法应用于TE过程（一个化工生产过程,由Tennessee Eastman公司控制小组提出）的15种故障进行实验,并与将原始数据直接送入概率神经网络作故障诊断的PNN方法进行了比较,实验结果表明HWPNN方法的故障诊断的准确率明显高于PNN方法。HWPNN方法的诊断准确率达到了100％,是一种可行而有效的化工过程的故障诊断方法。     

基于改进EMD与PNN的汽轮机通流部分故障诊断

根据热力参数非线性、非稳态的特点,提出了一种基于改进的经验模态分解(empirical mode decomposition,简称EMD)算法与概率神经网络(probabilistic neural network,简称PNN)的汽轮机通流部分故障诊断新方法。该方法针对EMD存在的端点效应问题,采取基于波形相似度的镜像延拓法进行改进,以得到更准确、更真实的本征模函数(intrinsic mode function,简称IMF)分量,从而有效提取了故障特征信息,并通过PNN训练判别汽轮机通流部分故障类型。以某电厂600MW火电机组实时运行数据为基础进行仿真实验,结果表明,基于改进EMD与PNN的汽轮机通流部分诊断方法能够快速准确地判别汽轮机通流部分的故障类型,其准确率明显高于基于EMD与PNN的故障诊断方法。     

基于SVD-LMD模糊熵与PNN的滚动轴承故障诊断

为了提高轴承故障特征信息提取的有效性,实现轴承故障模式智能识别,提高故障诊断效率。提出一种基于SVD-LMD模糊熵相结合的特征量化和PNN网络识别相结合的滚动轴承故障诊断方法。首先运用SVD降噪技术对原始信号降噪,运用LMD分解将降噪后的非稳定信号分解成若干个稳定的乘积函数分量(PF)。其次利用模糊熵能表征时间序列复杂程度并具有稳定的统计性,提取PF分量的模糊熵,组成N维特征向量,实现故障特征量化。构建PNN网络模型,将特征向量输入PNN训练,实现故障类型识别。最后对比PNN算法与BP算法性能,验证PNN算法的优越性。实验数据分析结果表明,所提方法在少量数据样本情况下故障诊断准确率高达93.75%。     

基于SSA-PNN的电力变压器故障诊断

为了提高变压器故障诊断的准确率,在改良三比值法的基础上,采用麻雀搜索算法优化概率神经网络构建一种新型变压器故障诊断网络模型,并设计相应的故障诊断方法。分析表明,与基于概率神经网络的变压器故障诊断方法相比,基于该网络模型的诊断方法提高了变压器故障识别与故障分类的准确率,在电力变压器的故障诊断中具有一定的实际工程意义。     

概率神经网络PNN在发动机故障诊断中的应用

介绍了概率神经网络的模型，分析了其特点，并探讨了基于PNN的发动机故障诊断方法。通过MATLAB进行仿真试验，结果表明基于概率神经网络的故障诊断方法可以最大程度地利用故障先验知识，提高发动机故障诊断的准确率。     

基于频谱分析的油田注水柱塞泵故障诊断

针对传统注水柱塞泵故障诊断高度依赖经验,实时处理能力不足,准确率低的问题,提出了一种柱塞泵频域信号在线诊断方法。采集了柱塞泵正常和16种故障状态下的振动信号,采用傅里叶变换进行分析,通过建立故障模型库,在线获取振动信号并进行故障特征提取,通过多次连续时间与模型库的均方根误差进行故障诊断,同时对故障中传感器贡献率进行排序并使传感器降维减少计算量。研究结果表明：采用该方法对轴向柱塞泵故障进行诊断,准确率从66.7%提高到80%以上,计算量降低为原来的26.7%。     

基于领域对抗网络的轴承故障诊断方法研究

在使用传统机器学习方法进行机械设备故障诊断过程中,因运行工况复杂多变无法满足测试数据和训练数据的同分布,导致模型诊断性能不高。针对这一问题,提出了一种基于领域对抗网络的设备变工况故障诊断方法。在卷积神经网络基础上,建立了包含特征提取器、故障分类器以及领域判别器的诊断模型,对测试与训练样本进行了分析处理,通过最小化故障分类器损失和最大化领域判别器损失,实现了对机械设备的故障诊断过程;通过在轴承试验台上进行了故障诊断模拟实验,将该方法诊断结果与其他故障诊断方法结果进行了对比,验证了该诊断模型对故障的识别能力。研究结果表明:该方法取得了96%以上的平均诊断准确率,在诊断过程中具有不受训练样本和测试样本差异影响的效果。     

基于PCA神经网络和D-S决策的瓦斯传感器故障辨识

针对瓦斯传感器故障诊断时,存在提取的样本数据空间维数大、诊断实时性差、诊断结论的识别能力低和存在不确定性的问题,提出了一种基于主元分析(PCA)-神经网络和D-S证据理论集成的故障诊断策略。使用主元分析方法对高维故障样本空间数据进行降维,再结合神经网络分类器进行故障模式识别。并且运用DS证据理论对神经网络分类器的故障诊断结果进行数据融合。仿真实验表明:该诊断方法改善了神经网络对瓦斯传感器故障诊断准确率的同时提高了诊断速度,并且降低了故障结论的不确定性以及提高了结论的识别与决策能力。     

一种聚类优化融合故障诊断方法及其应用

针对单一聚类诊断方法难以准确、全面识别不同故障状态的问题,提出了一种聚类优化融合故障诊断方法。分别利用社团聚类、K均值聚类及粒子群聚类三种方法对故障进行识别,得出三种聚类方法对应的故障识别准确率,在此基础上构建初始权值矩阵,并通过遗传算法对初始判断矩阵与三种聚类方法进行优化,得到最优权值矩阵与优化的聚类模型,用于融合诊断。轴承故障诊断实例结果表明,该聚类融合诊断方法能够有效提高故障识别准确率。     

基于支持向量机和顺序前项选择算法的PNN风电机组液压变桨的故障诊断

针对液压变桨距系统的强耦合、非线性,以及液压变桨距故障发生原因复杂、故障单一造成的定位问题,该文提出基于支持向量机和顺序前项选择算法的概率神经网络诊断方法。首先,选取SCADA数据的特征值为输入,桨距角为输出,利用支持向量机进行模型的回归,得出桨距角输出的预测值;接着,将测量值与预测值带入顺序前项选择算法,挖掘和发现特征与故障之间的关系,评估各特征之间的重要性,并选出最好的一组特征集合;最后,建立变桨距概率诊断模型,将所选的数据送到故障诊断模型进行训练,再用所选数据进行测试,定位出变桨距系统的故障原因。实验分析表明:基于支持向量机和顺序前项选择算法的概率神经网络液压变桨距故障诊断方法可以有效地分辨出不同故障,并且诊断的精确度得到了提高。     

基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法

研究了一种基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数分量,然后将各分量的多尺度熵作为故障特征向量输入概率神经网络进行模式识别,实现了对损伤位置和损伤程度的诊断。将该方法与基于LMD时域统计量和神经网络的滚动轴承故障诊断方法进行了对比。实验结果表明,基于LMD多尺度熵和概率神经网络的方法能对滚动轴承故障进行有效的识别与诊断。     

基于加权概率神经网络的齿轮箱抗噪故障诊断

针对齿轮箱现场故障诊断易受噪声干扰、诊断精度低的问题,提出了一种基于区分性权重概率神经网络的故障诊断方法。该方法考虑了不同子带特征受噪声的污染程度不同,提高噪声影响小的特征在诊断中的权重,降低噪声影响大的特征在诊断中的权重,以提高诊断的噪声鲁棒性,最终实现了齿轮箱故障的诊断。试验研究结果表明,与BP神经网络和概率神经网络诊断相比,该方法具有较高的诊断正确率和较强的诊断鲁棒性;并且该方法中平滑度参数对故障诊断精度影响不大,可以避免该参数选择困难的问题,具有良好的工程应用前景。     

模拟电路故障诊断的新方法

本文提出了用多小波神经网络诊断模拟电路故障的新方法。根据多小波的多分辨率分析思想,构造了一种多小波神经网络,其激励函数为具有紧支撑集、对称性和正交性的多尺度函数和多小波函数。用多小波神经网络和单小波神经网络对实例电路进行故障诊断,仿真结果表明,与单小波神经网络相比,多小波神经网络不仅学习收敛速度快,而且能够更准确地对模拟电路进行故障诊断。     

Machine fault diagnosis using a cluster-based wavelet feature extraction and probabilistic neural networks

In this paper, a cluster-based feature extraction from the coefficients of a discrete wavelet transform and probabilistic neural networks are proposed for machine fault diagnosis. The proposed approach first divides the matrix of wavelet coefficients into clusters, which are centered around the discriminative coefficient positions identified by an unsupervised procedure, based on the entropy value of coefficients from a set of representative signals. The features that contain the informative attributes of the signals are computed from the energy content of the obtained clusters. Then, machine faults are diagnosed based on these feature vectors using a probabilistic neural network. The experimental results from the application on bearing fault diagnosis have shown that the proposed approach is able to effectively extract important intrinsic information content of the test signals and increase the overall fault diagnostic accuracy, as compared to conventional methods.     

基于提升小波和PNN的三容水箱故障诊断

针对三容水箱是典型的非线性多变量耦合系统,提出将提升小波和概率神经网络相集合(LWPNN)方法用于三容水箱液位故障诊断.首先,建立三容水箱数学模型以获取实验数据,之后利用提升小渡对数据快速降噪,最后通过概率神经网络进行故障分类.实验结果表明,LWPNN集合方法较传统PNN故障诊断方法有较高的故障诊断率,是一种有效的故障...     

基于遗传PNN网络的组合导航故障诊断研究

针对INS/GPS组合导航系统观测信息无冗余且观测信息可能存在故障的情形,提出一种基于状态x2检验与自适应概率神经网络( APNN)相结合的组合导航故障诊断方法.该方法通过监测组合导航系统状态分量,提取故障的特征值并利用APNN确定故障的类别,从而实现故障的定位与隔离.APNN采用高斯函数作为激励函数,通过遗传算法获得模式层矢量最佳数目及匹配的平滑因子参数集,使每个神经元传递函数具有不同的平滑参数,提高了网络的泛化能力以及诊断精度.数值仿真结果表明,该算法能够有效地识别出INS/GPS组合导航系统的故障,确保了系统的安全性和可靠性.     

采用“GA+LM”优化BP神经网络的电液伺服阀故障诊断

针对标准BP神经网络用于故障诊断时学习效率低、收敛速度慢、易陷入局部极小点及对初始参数较为敏感等不足,提出了一种组合优化的方法,即采用遗传算法（GA）确定BP神经网络的最佳初始权值矩阵,以规避BP神经网络对初始参数较为敏感的不足;应用LM（Levenberg-Marquardt）算法在局部解空间里对BP神经网络进行精确训练,搜索全局最优解。该方法在保留BP神经网络的广泛映射能力的前提下,提升了网络的学习速度和精确搜索能力,进而大幅提高了基于BP神经网络的电液伺服阀故障诊断的效率和精度。通过对MOOG D761-2716A机械反馈伺服阀进行故障诊断,进一步说明了该方法的实用性和高效性。