基于AGA—RBF神经网络的短期负荷预测

针对RBF神经网络的不足以及传统遗传算法的特点,采用浮点数编码的自适应遗传算法（AGA）作为RBF神经网络的学习算法．来确定RBF神经网络的隐含层的中心参数和宽度参数,形成AGA—RBF网络来进行负荷预测,并通过实例验证,该方法与RBF神经网络相比,能有效地提高预测精度和改善网络性能。     

基于小波和概率神经网络的煤矿主通风机故障诊断

针对煤矿主通风机故障与征兆对应关系复杂的特点,以及利用传统BP网络进行故障诊断存在训练速度慢、易陷入局部极小的缺点,提出基于小波和概率神经网络的故障诊断方法:先利用时频两域有紧支撑能力的MexicanHat小波变换故障信号并提取能量归一化故障特征向量;然后将概率神经网络作为诊断决策分类器,输出故障模式。该方法充分利用了概率神经网络计算简单、收敛快、新增样本无须重新训练的特点,而且通过小波特征提取有效地减少了网络输入层节点数,降低了网络规模,减少了计算复杂度,加快了训练速度。经验证,此方法准确地诊断煤矿主通风机故障类型,具有速度快、精确度高的特点。     

基于小波和概率神经网络的煤矿主通风机故障诊断

针对煤矿主通风机故障与征兆对应关系复杂的特点和利用传统BP网络进行故障诊断存在训练速度慢、易陷入局部极小的缺点,本文提出基于小波和概率神经网络的故障诊断方法。先利用时频两域有紧支撑能力的Mexican Hat小波变换故障信号并提取能量归一化故障特征向量;然后将概率神经网络作为诊断决策分类器,输出故障模式。该方法充分利用了概率神经网络计算简单、收敛快、新增样本无须重新训练的特点,而且通过小波特征提取有效的故障特征,减少了网络输入层节点数,降低网络规模,减少计算复杂度,加快了训练速度。经实际验证,此方法准确的诊断煤矿主通风机故障类型,具有速度快、精确度高的特点。     

基于小波和概率神经网络的煤矿主通风机故障诊断

针对煤矿主通风机故障与征兆对应关系复杂的特点,以及利用传统BP网络进行故障诊断存在训练速度慢、易陷入局部极小的缺点,提出基于小波和概率神经网络的故障诊断方法：先利用时频两域有紧支撑能力的Mexican Hat小波变换故障信号并提取能量归一化故障特征向量;然后将概率神经网络作为诊断决策分类器,输出故障模式。该方法充分利用了概率神经网络计算简单、收敛快、新增样本无须重新训练的特点,而且通过小波特征提取有效地减少了网络输入层节点数,降低r网络规模,减少了计算复杂度,加快了训练速度。经验证,此方法准确地诊断煤矿主通风机故障类型,具有速度快、精确度高的特点。     

基于自适应遗传优化神经网络的航空装备故障诊断

针对改进反向传播神经网络在航空装备故障诊断中存在的缺陷和不足,将自适应遗传算法与改进反向传播算法相结合构成混合算法用以训练人工神经网络。以改进反向传播神经网络的初始权值空间为切入点,利用改进遗传操作对其开展多点自适应遗传优化,然后运用改进反向传播算法开展局部精确搜索,最终实现全局最优。以某型飞机电气控制盒和某型飞机自动驾驶仪飞行控制盒的故障诊断为例对所提算法进行仿真研究,结果表明自适应遗传算法与改进反向传播算法相结合的方法收敛速度快、诊断精度高,对于具有复杂输入输出关系的工程样本具有较好的诊断结果。     

基于GA优化BP神经网络的液压钻机故障诊断

针对BP神经网络应用于故障诊断时存在着收敛速度慢、易陷入局部最小值等问题,提出了一种基于遗传算法(GA)优化BP神经网络的液压钻机故障诊断方法.利用GA的选择、交叉和变异操作优化BP神经网络的权值和阈值,提高网络训练的收敛速度.根据液压钻机工况参数提取的特征信号,进行归一化处理建立样本,利用训练样本对网络进行训练,根据训练结果进行故障诊断.仿真结果表明,GA优化的BP神经网络迭代次数少,收敛速度快,能够对测试样本进行有效地分类,故障诊断正确率高.     

基于概率神经网络（PNN）的矿井提升机故障诊断研究

煤矿主副井提升机是煤矿生产中的关键设备,在井下煤炭提升以及设备和人员运送环节承担着重要作用,其工作状况的好坏,将直接影响矿井能否正常生产。本文以提升机主轴装置为研究对象,研究运用小波包能量法对监测的振动信号提取特征向量,基于概率神经网络建立故障诊断模型,在Matlab环境下进行仿真。结果表明,基于概率神经网络（PNN）建立的故障诊断模型收敛速度快,能够对提升机主轴装置的故障类型及故障位置进行很好地预测。     

基于RBF神经网络的高压断路器机构故障诊断

为诊断高压断路器操作机构故障,分析高压断路器机构故障时的分合闸线圈电流,本文通过提取时间和电流特征参数,对故障特征参数进行相对归一化处理后输入RBF神经网络,建立基于果蝇—粒子群混合算法的高压断路器RBF神经网络模型,用于高压断路器操作机构故障识别.以MATLAB为实验平台,通过训练样本和测试样本的仿真分析,得出RBF...     

基于RBF神经网络的风力发电机组故障诊断研究

风力发电机组是一个复杂的机电系统,采用整机诊断模式将使系统非常复杂,诊断效果也不理想;采用两层诊断模式不但实现起来简单,而且可以获得很好的诊断效果。使用RBF神经网络对发电机子系统进行故障诊断,仿真结果表明该诊断方法满足要求。     

基于遗传神经网络的电力机车主变流器故障诊断

在变流器的故障诊断系统中,针对BP算法存在收敛速度慢、容易陷入局部极小值的问题,采用了遗传算法的选择、基因突变（基因重组）及变异过程代替BP神经网络的反向传播过程的遗传神经网络算法。通过仿真试验证明,该算法具有收敛速度快及推广性强的特点,极大提高了变流器的故障诊断系统的效率和准确性。     

基于改进RBF神经网络的光伏组件故障诊断

由于光伏组件的输出特性受多种因素混合影响,对光伏组件的故障检测是一个严峻的考验.为了保证故障诊断的实时性和精确性,采用多传感器法提取短路和开路故障特征,利用电压扫描法获取不均匀光照引起的热击穿和电击穿故障的判断依据,以故障特征为判据,给出一种基于K均值聚类算法的改进RBF神经网络的光伏组件故障诊断方法,在Matlab平...     

基于RBF神经网络的动力电池故障诊断系统研究

纯电动车动力电池在性能、成本、寿命、安全性上的局限是制约电动车普及的关键问题。基于RBF神经网络,设计了一套电池故障诊断系统,对动力电池组的故障进行预防和诊断。首先,利用d SPACE中的电池模型,模拟电池的故障,进行神经网络的学习训练,然后,利用三组测试数据对故障诊断系统进行测试。测试结果显示,设计的系统可以准确诊断电池故障类型与故障级别。     

基于神经网络的无刷同步电机控制系统的故障诊断研究

设计了一套无刷同步电机控制器的故障诊断系统,利用实际的非线性控制系统训练神经网络状态观测器,根据系统实际输出与神经网络观测器输出之间的残差来判别和检测实际控制系统的故障,针对系统控制器、电流和速度传感器故障进行仿真实验故障诊断研究。仿真结果表明该方法能有效抑制噪声,并快速准确地确定故障发生的时间、位置、大小以及故障的类型,具有很强的鲁棒性,且适用性和应用价值强。     

基于改进型ANFIS的矿用空压机故障诊断系统

考虑到矿用空压机在长期运行过程中容易由多种因素复合共同作用而出现各种故障,且产生故障的原因和故障之间表现出非线性关系难以用数学模型表达等问题,建立基于改进型自适应神经模糊推理系统的故障诊断系统。该系统采用附加动量算法不断修正自适应神经模糊推理系统中的前题参数以避免采用梯度下降算法时易陷入局部极小,训练速度较慢等缺点,提高系统的忽略网络中微小变化的能力。为了验证该故障诊断系统的性能,将其与基于BP神经网络的故障诊断系统相比较。分析与实验结果表明,改进型ANFIS模型的诊断输出与实际情况完全相符,最大误差为13.7%,最小误差为0.17%,其诊断准确度达到95.85%,在训练速度、误差精度以及收敛性等方面,其性能优于BP神经网络。     

遗传算法优化的RBF神经网络控制器

为了消除神经网络参数初值对控制器性能的影响,提出了一种改进遗传算法优化的RBF神经网络控制器.该方法设计了基于性能指标的适应度函数,自适应的交叉概率、变异概率,引入移民的遗传算法,保证了得到的控制器为最优参数控制器.该方法可用于非线性对象的控制器设计,仿真结果说明了该方法的有效性.     

基于模糊遗传神经网络的信息融合故障诊断技术及其应用

在基于广义模糊加权型推理的模糊神经网络基础上,融合非一致性遗传算法,建立了一种模糊遗传神经网络。利用模糊遗传神经网络技术建立信息融合中心,对多传感器数据进行融合处理,通过多源互补信息减小故障诊断系统的不确定性。讨论了模糊遗传神经网络多传感器信息融合方法中数据处理、特征向量维数压缩与关联、归一化处理方法等。同时,对模糊遗传神经的构造以及学习训练等内容,也作了较为详细的讨论。并对模糊遗传神经网络信息融合技术应用于变压器状态的实时监测的应用前景进行了初步探讨。     

基于分形神经网络的电力电子电路故障诊断

针对电力电子电路的故障,分析了故障产生的特征类型,提出了基于分形理论及BP网络故障诊断的方法。以三相整流桥路为例,利用分形理论建立了故障元与分形维数之间的关系,对故障信息做预处理。通过仿真试验提取出用于BP神经网络训练的学习样本,并构建了用于不同类故障的三层BP神经网络结构,继而确定故障点。     

基于卷积神经网络的变压器故障诊断方法

变压器是电力系统中的重要设备,其安全与稳定直接影响着国民经济的健康发展。油中溶解气体分析(Dissolved Gas Analysis,DGA)是分析变压器故障类别的重要手段。卷积神经网络是深度学习的一种模型,广泛应用于图像识别、语音处理等领域,具有非常好的分类能力。文章选取了变压器的五种油中溶解气体含量作为模型输入量,在借鉴传统浅层BP神经网络油中气体分析方法的基础上,针对BP神经网络表达能力不足以及容易过拟合的缺点,将卷积神经网络应用于变压器故障诊断,并与BP神经网络的分类效果进行了对比,通过算例研究证明了卷积神经网络的效果更优。文章也对卷积神经网络的卷积核个数、卷积核大小以及采样宽度对分类效果的影响进行了探讨。