基于BP网络的汽轮发电机组振动故障诊断方法研究

首先分析了汽轮发电机组振动故障特点及ＢＰ网络的特点,指出采用ＢＰ网络诊断方法的必要性,然后对基于ＢＰ网络的汽轮发电机组振动故障的诊断方法及网络结构与诊断性能的关系进行研究。     

汽轮发电机组振动监测与故障诊断系统

开发汽轮发电机组振动监测与故障诊断系统。该系统以模拟转子实验台作为信号源，通过数据采集和信号分析，利用计算机对机组运行参数在线监测；同时选用模糊数学方法建立频率的特征分量与故障症侯群之间的数学模型，对机组运行状态进行智能诊断。     

汽轮发电机组振动故障的一种综合诊断方法

通过对汽轮发电组水平与垂直方向振动信号的分析，指出常规的采用单方向振动信号的诊断结果往往存在一定的片面性，同时提出了一种基于ＢＰ网络的结合水平与垂直方向振动信号的综合诊断方法，通过实际诊断证明，该方法有利一对机组故障的全面诊断。     

汽轮发电机组振动故障分层诊断模型及实现

分析了汽轮发电机组振动故障诊断的属性，给出部分故障症状下的模糊诊断模型及诊断步骤，并用面向对象的程序设计方法实现了知识库表示及诊断推理。     

基于BP神经网络及其改进算法的汽轮发电机组故障诊断

为了提高汽轮发电机组的故障诊断准确率,提出了基于BP神经网络改进算法的故障诊断系统.根据输入特征向量对BP神经网络进行学习,在matlab上分别采用两种算法对故障诊断模型进行测试.结果表明,改进算法能够更有效地预测汽轮发电机组的故障.     

基于遗传-BP网络的汽轮发电机组振动故障诊断

为克服传统BP神经网络存在着容易陷入局部极小点、对初值要求高的缺点,综合遗传算法的全局优化和神经网络的并行计算等特点,探讨了一种基于遗传-神经网络的故障诊断的方法,并将其应用于汽轮发电机组故障识别.实验数据表明,遗传-BP神经网络的收敛和诊断能力优于BP神经网络,可有效运用到汽轮发电机组振动故障诊断中,具有一定的应用价值.     

浅析大型汽轮发电机组振动及诊断

本结合电力生产实例，通过对大型汽轮发电机组振动现象进行详细的分析，提出经过频谱分析，找出事故原因的主频率，诊断振源方法。     

汽轮发电机组轴系扭转振动特性

本文用有限单元法分析汽轮发电机组轴系扭转振动问题,并编制了相应的计算程序——STAP程序。利用此程序计算和分析了轴系结构参数和轴系扭转振动固有频率之间的关系。最后给出了国产某300MW汽轮发电机组轴系扭转振动的固有频率。     

汽轮发电机组振动故障分类推理综合诊断方法

分析了汽轮机组振动故障的属性，在故障诊断过程中选用模糊诊断方法，基础上提出了一种分类推理的综合诊断模型。该模型是按照故障征兆属性归类，通过分类识别缩小故障搜寻范围以利于故障的模糊诊断，然后再进行因子综合判断，对振动故障诊断的方法进行了研究。     

汽轮发电机组振动故障诊断研究

本文作者论述了汽轮机组故障诊断中使用的信号处理和故障诊断方法,分析了各种方法的优缺点,最后展望了汽轮发电机组振动故障诊断的发展方向。     

基于BP神经网络的凝汽器的故障诊断

介绍了凝汽器的故障诊断常用的三种诊断方法,BP神经网络法、模糊诊断法、模糊模式识别法。通过比较发现BP神经网络相对于另外两种诊断方法具有明显的针对性和准确性。然后,在BP神经网络诊断的基础上进行了“基于BP神经网络的凝汽器的故障诊断”系统的开发。     

基于纵横交叉算法优化BP神经网络的风机齿轮箱故障诊断方法

风电机组齿轮箱的运行工况比较复杂,容易发生故障. 针对常规BP（Back Propagation）神经网络故障诊断容易陷入局部最优的问题,提出一种基于纵横交叉算法（Crisscross Optimization Algorithm,CSO）优化BP神经网络的风电齿轮箱故障诊断新方法. 考虑到风电齿轮箱振动信号的波动性和非线性,首先从信号中提取故障特征参数,建立带评价因子的误差分析模型,然后通过纵横交叉算法优化BP的权值和阈值对神经网络进行训练,最后用训练好的神经网络对样本进行测试. 经实验仿真并与其他方法的对比,验证了本文方法用于风电机组故障诊断有效性及优越性.     

基于神经网络的某型雷达天线故障诊断

介绍了运用BP神经网络对某型雷达天线电路进行故障诊断的全过程.通过仿真结果可以看出,达到了故障定位的目的且诊断效果显著,从而为该雷达天线电路的故障诊断提供了一条新思路.     

对分式凝汽器典型故障模式及其神经网络诊断

针对大型火电机组广泛采用的对分、表面式凝汽器,结合其结构、性能特点和现场实际情况,确立 了便于工程应用的对分式凝汽器典型故障知识库。在此基础上采用ＢＰ神经网络方法实现对分式凝汽器故障诊断。提出一种恒误差修正率控制的网络学习率自适应调整方法,大大缩短了网络训练的收敛时间。     

Fault Diagnosis of Analog Circuit Based on PSO and BP Neural Network

In order to improve the speed and accuracy of analog circuit fault diagnosis,using Back Propagation Neural Network(BPNN),a new method is proposed based on Particle Swarm Optimization(PSO)to adjust weights of BP neural network.The model can not only overcome the limitations of the slow convergence and the local extreme values by basic BP algorithm,but also improve the learning ability and generalization ability with a higher precision.The response signals of analog circuit is preprocessed by Wavelet Packet Transform(WPT)as the fault feature.The simulation result shows that the proposed method has higher diagnostic accuracy and faster convergence speed,which is effective for fault location.     

变精度粗糙集与神经网络在故障诊断中的应用

针对标准的粗糙集理论不能很好地处理带有噪声的数据,而故障诊断信息中难以避免地存在噪声数据,对此,提出了SOM网络-变精度粗糙集-RBF神经网络的故障诊断方法：首先应用SOM网络对故障诊断数据中的连续属性值进行离散化,然后利用变精度粗糙集理论的属性依赖度进行启发式约简,据此得到最优决策系统,最后在最优决策系统的基础上设计RBF神经网络进行故障诊断。实例验证了该方法的可行性,且故障诊断正确率高。     

BP神经网络及其改进

介绍了标准BP算法及其优缺点,并针对其存在的缺陷,从各个不同的方面对BP算法提出了改进,并对各种改进方法的原理及优缺点作了详尽的分析,从而使BP神经网络更广泛地应用于各个领域.