基于PCA与GA-LM-BP神经网络的变压器故障诊断

研究基于油中溶解气体的变压器故障诊断问题.采用主成分分析与数据归一化方法,对变压器故障样本数据进行规范化处理,使其更具有代表性.对比主成分规范化前后的样本故障诊断结果,主成分分析能够消除特征气体样本数据间的相关性,使输入层样本数据更加符合神经网络工作机理.实验可得主成分规范化后的样本故障诊断结果优于未经过主成分分析规范化的故障诊断结果.在主成分分析对数据规范化的基础上,进一步改进BP神经网络算法,建立基于Levenberg-Marquardt算法的LM-BP神经网络故障诊断模型,改善了BP神经网络模型诊断精度不高,网络收敛困难以及易陷入局部极小值等问题.利用遗传算法对LM-BP神经网络的权值和阈值进行优化,然后再进行第2次神经网络训练,克服了LM-BP神经网络性能受初始权值和阈值限制的问题,使故障诊断正确率提高了6.16%.通过对441组样本数据中随机选取的376组训练样本和65组检验样本进行故障诊断实验,诊断正确率达到83%,表明所构建的基于PCA与GA-LM-BP神经网络的故障诊断方法是一种有效的变压器故障诊断方法.     

贝叶斯网络的电网故障诊断应用

根据电网的线路模型,建立贝叶斯网络对元件故障进行诊断.该方法能对不确定的知识和规则进行推理,根据实际的电网故障样本数据进行训练,不断更新条件概率表的参数,以提高电网故障诊断的准确率.     

基于多层次信息融合的水轮机调速器故障诊断

在建立故障诊断的信息模型基础上,设计了一种软件传感器,用于帮助在故障诊断中提供不能直接测量的重要性能信息,通过融合不同层次的信息提取动态过程的特征参数,然后用作FMECA故障诊断模型的输入,进行故障识别.应用该方法进行水轮机调速器故障诊断,能给出引起故障发生原因的各种组合和概率.实际应用表明,该方法的快速性能满足水轮机调速器在线故障诊断辅助决策的要求.     

基于多1DCNN集成的电流互感器故障诊断

针对目前电流互感器故障诊断效率和准确率偏低的问题,提出了一种基于多个一维卷积神经网络集成的智能故障诊断模型,用于对电流互感器故障进行快速诊断。首先构建一系列具有不同激活函数的卷积层,每个卷积层独立搭建一维卷积神经网络(1DCNN),再通过多数投票集成策略构建具有不同一维卷积神经网络的集成网络模型(E1DCNN),最后进行样本数据训练和测试。通过试验分析,结果表明该方法可以实现电流互感器快速精确的故障诊断,并且效果比传统的故障诊断方法更优。     

提升小波包和神经网络在轴承故障诊断中的应用

针对轴承故障信号的特点,采用9／7提升小波包和概率神经网络（Probabilistic Neural Networks）相结合的算法对轴承故障进行诊断。首先对原始数据进行小波变换,并对其进行特征提取。然后利用概率神经网络对得到的特征向量进行类别判定。在VB和Matlab设计的故障诊断仿真实验平台上,验证了9／7提升小波包和概率神经网络混合的故障诊断方法满足实验要求．     

基于神经网络的汽轮机故障智能诊断系统的设计

介绍了BP神经网络的结构和算法,分析了如何将BP神经网络用于机械设备的故障诊断,结合汽轮发电机组的故障特性,建立了汽轮发电机组故障诊断的神经网络模型,并利用该神经网络模型对汽轮发、也机组的故障进行了诊断,诊断结果是正确和有效的。     

基于LMD和PNN神经网络的列车辅助逆变器故障检测

针对列车辅助逆变器故障信号非平稳的特性,本文提出了一种基于局部均值分解方法和概率神经网络的地铁辅助逆变器的故障诊断方法。通过对采集到的列车故障信号进行局部均值分解,将非平稳信号分解成多个乘积函数(product function,PF)分量,并利用概率神经网络(probabilistic neural network,PNN)模型,将故障信号进行检测和分类,最后采用Matlab进行仿真实验。仿真结果表明,局部均值分解方法对非平稳信号的处理效果良好,特征向量输入到概率神经网络进行训练分析,PNN神经网络故障诊断正确率较高,30组测试样本输出结果对于逆变器故障检测结果均是正确的。该研究可以准确识别列车辅助逆变器的不同故障类型,能够满足对列车辅助逆变器的故障检测要求。     

基于径向基多小波神经网络的水电机组故障诊断

针对常规神经网络收敛速度慢,难以实现水电机组故障在线学习的不足,提出基于径向基多小波神经网络的水电机组故障诊断方法.采用多小波尺度函数作为径向基多小波神经网络的核函数,建立网络模型.利用水电机组振动信号频谱分量的幅值作为特征向量,对网络进行训练,实现特征样本集到振动故障集的有效映射,达到水电机组故障诊断的目的.实验结果表明:与常规神经网络的诊断方法相比,径向基多小波神经网络水电机组故障诊断方法具有较快的收敛速度和较好的泛化能力,为水电机组故障在线学习和诊断提供了有效的解决途径.     

基于线性判别分析和分步机器学习的变压器故障诊断

为了改善当前变压器故障诊断在特征量选取和使用单一诊断模型进行故障诊断上的不足,提高变压器故障诊断的准确率和效率,提出基于线性判别分析（LDA）的特征选取方法,建立基于分步机器学习的诊断模型. 该模型选取16组油中溶解气体体积分数比值的多特征参数,运用线性判别分析对参数进行降维作为输入特征向量;运用概率神经网络对变压器故障做出初步诊断,区分出易混淆故障;使用基于灰狼群算法优化的支持向量机对易混淆故障做进一步的区分. 最终实验诊断准确率为97.27%,诊断时间为4.87 s. 与单一机器学习模型相比,所提出的模型不仅具有更高的准确率,还具有更高的效率. 实例分析表明,本研究方法能有效弥补单一机器学习的缺陷,为故障样本有限情况下的电力变压器故障诊断提供参考.     

基于BP神经网络的逆变器开路故障诊断方法

为了实现对逆变器电路故障位置快速精确定位,减少停工检修时间,提高运行效率,提出一种基于BP神经网络的变频器逆变电路开关器件开路故障诊断方法。使用MATLAB对逆变电路建模和仿真,从输出电压波形直接采样提取故障信号特征。根据故障特征和诊断目标,建立三层神经网络故障模型,确定神经元数目和传输函数。将故障特征信号作为BP神经网络的输入,通过Levenberg Marquardt算法实现对神经网络的训练,用训练后的神经网络模型实现对变频器逆变电路的故障诊断。结果表明:直接波形采样实现简单;可实现1只或2只IGBT同时开路故障准确定位;所提出的故障诊断模型诊断准确率高。     

基于BP神经网络的三相SPWM逆变电路故障诊断

提出了基于BP神经网络的三相SPWM逆变电路的故障诊断方法。首先提出BP神经网络模型及算法,然后运用BP神经网络对三相逆变电路进行故障诊断,通过调整隐含层节点和学习参数,寻找出最优的BP神经网络结构。最后,采用非学习样本数据对训练好的网络进行仿真,实验结果表明该故障诊断方法正确率达99%,该诊断方法同样适用于其它电力电子电路。     

基于LM-BP神经网络的机床伺服系统故障诊断

针对故障复杂、传统维修方法较难实现快速、准确的故障定位问题,在克服传统BP神经网络进行故障诊断存在问题的基础上,引入基于LM-BP的神经网络方法,对机床伺服系统进行故障诊断和分析。设计了一种基于LM-BP神经网络的机床故障诊断方案,应用3层BP神经网络,建立机床伺服系统LM-BP神经网络故障诊断模型,实现在一个复杂的非线性动力系统中,根据设备运行参数的变化调整分类过程,准确判断故障及其位置。实验结果表明,LM-BP神经网络较传统BP神经网络能更精确地诊断机床运行中伺服系统的故障和预测机床运行中伺服系统出现的故障类型。     

基于小波包-GABP的滚动轴承故障诊断分析

为提高诊断滚动轴承故障的效率和准确率,本文将小波包变换、BP神经网络和遗传算法三者相结合,提出了一种基于小波包和GABP神经网络的故障诊断模型。由小波包的分解与重构在滚动轴承故障原始信号中提取有效的故障特征向量,并利用遗传算法优化BP神经网络,然后训练和诊断滚动轴承信号的故障类型。同时,运用Matlab软件把采集的数据进行仿真分析。仿真结果表明,相对于传统BP神经网络,利用遗传算法优化的神经网络对故障的诊断正确率更高,并且收敛速度较快,说明由遗传算法优化的BP神经网络在故障诊断方面具有较好的效果,而且遗传算法的引入使轴承故障诊断的适应度和准确率更高。该研究为滚动轴承的故障诊断提供了理论基础。     

基于RS-ANN的汽车发动机故障诊断分析

利用粗糙集理论对知识的约简能力及神经网络的分类能力,构建粗糙集-神经网络（RS-ANN）故障诊断组合模型;并将该模型应用于汽车发动机故障数据进行实例验证,该模型诊断速度快,故障诊断正确率高.     

基于遗传优化BP神经网络的供热管网故障诊断模型

为了克服传统BP神经网络收敛速度慢,易陷入局部极值的缺陷,提出一种遗传优化的BP神经网络供热管网故障诊断模型.通过建立泄漏工况数学模型,获取了泄漏工况下的节点压力变化情况,并以此作为BP神经网络的样本数据;利用遗传算法对BP网络初始权值和阀值进行了优化,再通过BP神经网络进行了供热管网的故障诊断,以确定泄漏管段和泄漏量,并对泄漏点进行定位.实验结果表明:该模型性能明显优于传统的BP神经网络故障诊断模型,且诊断精度高.     

采用多信号流图模型的雷达接收机故障诊断方法

介绍了多信号流图模型建模的基本方法。利用多信号流图模型建立了雷达接收机的故障诊断模型,得到了反映故障源和测试结果之间对应关系的故障依赖矩阵。在此基础之上结合故障源先验故障概率信息推导了一种计算故障源贝叶斯最大后验概率的算法。将该算法应用于某型雷达接收机故障诊断中,以故障后验概率最大为判断准则,实现了对雷达接收机系统的在线多故障实时诊断。     

基于SOFM网络的雷达装备智能故障诊断

针对雷达装备故障特征,采用自组织映射（SOFM）神经网络构建雷达装备故障诊断模型,通过网络学习,获得可视拓扑映射图,并采用映射图对典型雷达电子装备故障进行了诊断.结果表明：该故障诊断模型具有较高的诊断准确度,具有故障诊断可视化,为雷达装备故障诊断研究提供了新的有效方法.     

BP神经网络在变压器故障诊断中的应用

介绍了电力变压器内部常见的故障,采用BP神经网络算法建立了变压器的神经网络故障诊断模型,通过与传统的IEC三比值法相比较,表明基于BP网络的诊断方法达到了较好的故障识别与分类,诊断准确率也有显著的提高,在变电设备故障诊断中具有良好的应用前景.     

振动诊断在水轮机故障诊断与失效分析中的应用

振动故障预测和诊断是保障水轮机安全运行的有效技术手段.根据水轮机常见振动故障特点,提出建立故障诊断专家系统,提高故障诊断的识别和故障部位的判断,结合状态监测检修系统对水轮机运行状态进行实时监测,对机组进行故障诊断和综合状态评估,从而判定是否需要维修、何时维修、维修部件和部位,并给出状态检修建议,为检修计划、失效与否提供依据.     

粒子群优化RBF神经网络的光伏阵列故障诊断

光伏阵列能否正常工作直接关系到整个光伏发电系统运行的安全性和可靠性。对于光伏阵列故障诊断中传统的BP神经网络诊断算法准确率低、收敛速度慢等问题,提出一种基于粒子群优化RBF神经网络的故障诊断算法。建立以光伏阵列的4种故障特征参数为输入、5种情况为输出的故障诊断模型,对基于粒子群算法的网络模型的自适应权重寻优进行仿真实验。最后,将优化算法与BP神经网络算法以及RBF神经网络算法进行对比。实验结果表明,优化算法不仅可以有效地诊断光伏阵列的故障类型,而且还可以提高故障诊断的准确率。