基于粒子群优化的神经网络容错控制算法

针对一类非线性系统的传感器故障,将故障诊断与容错控制方法相结合,提出了一种容错控制方法。用BP网络建立传感器故障模型,并用粒子群算法来训练BP网络的参数,在线估计系统的状态和故障参数。然后将故障参数与修正的Bayes分类算法相结合,对传感器故障在线检测、分离和估计,通过补偿算法,实现容错控制。对连续搅拌釜式反应器（CSTR）的仿真结果表明,该方法收敛性好,对传感器故障具有很强的容错能力。     

粗糙集-神经网络集成的WSN节点故障诊断

提出一种粗糙集-神经网络集成的无线传感器网络(WSN)节点故障诊断新方法。根据无线传感器网络的应用环境和故障特征得到诊断决策表,利用改进的粗糙集中的归纳属性约简算法对诊断决策表进行属性约简,用Hamming网络建立一套故障分类的方法。仿真实验结果显示,该诊断算法在进行WSN节点故障诊断时,诊断准确性高,通信代价小,能耗低,鲁棒性高。     

变体飞行器传感器故障在线主动容错控制

为保证变体飞行器在传感器故障情况下的稳定飞行性能和良好跟踪效果,提高故障诊断准确度和容错控制能力,针对变体飞行器传感器故障诊断与容错控制问题,提出一种基于考虑属性可靠度的置信规则库(BRB-r)专家系统在线主动容错控制方法。首先,给出变体飞行器的气动参数模型和纵向非线性动力学模型,综合考虑外界扰动和传感器故障,利用最小二乘拟合方法和雅克比线性化方法,建立变体飞行器的切换线性变参数(LPV)故障模型;然后,基于BRB-r专家系统构建变体飞行器传感器故障诊断与容错控制模型,通过统计方法对传感器监测指标进行可靠性分析,并引入证据推理(ER)解析算法,提高故障诊断精度和容错控制效果;最后,利用基于投影算子的协方差矩阵自适应优化策略(P-CMA-ES)算法优化故障诊断与容错控制模型,降低系统的复杂度,提高了故障诊断效率。仿真结果表明,变体飞行器传感器故障诊断精度能够达到98.75%,当传感器故障程度小于50%时,所提方法能够有效克服传感器故障和外界扰动,保证变体飞行器的稳定飞行,具有较强的容错控制能力和鲁棒性能。     

基于EMD和SVM的传感器故障诊断方法

为了解决自确认压力传感器的故障诊断问题,提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数(IMF),对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型.通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中.     

遗传神经网络在齿轮故障诊断中的应用

由于齿轮故障征兆与故障之间具有非线性和耦合性等特点,采用BP神经网络对齿轮进行故障诊断存在着收敛速度慢和可靠性差等缺点,提出了一种基于遗传算法的BP神经网络齿轮故障诊断方法,即在利用BP神经网络对齿轮进行故障诊断的基础上,利用遗传算法对神经网络的权值和阈值进行修正,得到全局的最优值.仿真结果表明,该诊断策略具有故障诊断能力强和诊断效率高的特点,改善了齿轮故障诊断的精度和速度.     

基于在线学习神经网络的状态依赖型故障预测

提出外部激励故障和内部激励故障的概念,研究非线性系统状态依赖型故障的预测问题.将非线性系统的故障模型描述成外部激励与内部激励相耦合的一般非线性函数形式,函数的结构未知.通过反向传播(BP)神经网络在线学习故障函数模型实时逼近故障模型,提出基于在线神经网络的状态依赖型故障的预测算法.该算法能够实时地检测故障,对系统状态和故障进行迭代估计和预测.利用系统状态的预测值实时预测了系统的失效时间.故障模型的一般化拓展充分体现了系统状态对故障的影响,增强了算法的实用性.仿真结果验证了该方法的有效性.     

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.     

改进PSO-BPNN的电力变压器故障诊断与模式识别

为了优化反向传播网络相关学习参数,提出一种粒子群优化辅助BP神经网络(BPNN)的新方法.以变压器油中气体体积分数百分比构造故障特征,将BP网络的初始权值和阈值进行实数编码,以对应PSO中的粒子,实现BP网络的离线训练与在线分析,对变压器故障模式做出判断.结果表明,该算法更合理地更新了粒子的位置和速度,最优地设置了全局极值,有效克服了粒子的早熟收敛,获得的故障诊断准确率高达91%,并大大提升了BP网络的收敛速度.该算法为此类设计提供了有效的模型参考.     

基于神经网络推理策略的电梯故障诊断法

针对电梯控制系统中, 基于故障树推理法的故障诊断专家系统在线诊断实时性较差, 诊断结果准确性偏低的问题, 采用基于神经网络推理策略的方法, 建立了单故障诊断和复合诊断模型, 并给出有权值训练的变步长BP算法.在Matlab环境下, 对单故障模型进行了仿真实现, 实验结果表明, 神经网络推理策略效果优良.     

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.     

Fault detection and diagnosis of permanent-magnetic DC motors based on current analysis and BP neural networks

In order to guarantee quality during mass serial production of motors, a convenient approach on how to detect and diagnose the faults of a permanent-magnetic DC motor based on armature current analysis and BP neural networks was presented in this paper. The fault feature vector was directly established by analyzing the armature current. Fault features were extracted from the current using various signal processing methods including Fourier analysis, wavelet analysis and statistical methods. Then an advanced BP neural network was used to finish decision-making and separate fault patterns. Finally, the aeeuracy of the method in this paper was verified by analyzing the mechanism of faults theoretically. The consistency hetween the experimental results and the theoretical analysis shows that four kinds of representative faults of low power permanent-magnetic DC motors can be diagnosed conveniently bv this method. These four faults are brush fray, open circuit of components, open weld of components and short circuit hetween armature coils. This method needs fewer hardware instruments than the conventional method and whole procedures can be accomplished by several software packages developed in this paper.     

基于人工神经网络的电力电子电路故障诊断

提出了采用基于波形直接分析的人工神经网络故障诊断方法实现电力电子电路的故障诊断．以三相整流电路的诊断为例，设计了人工神经网络的层数和点数，建立了三相整流电路的模型获取了样本数据，并训练了人工神经网络．仿真表明用四层人工神经网络对三相整流电路进行诊断可获得正确结果、     

Research on fault mode and diagnosis of methane sensor

To improve the reliability of coal mine safety monitoring systems we have analyzed the characteristics of a methane sensor, an important component of the monitoring system of production safety in a coal mine and studied the main type and mode of faults when the sensor was used on-line. We introduced a new method based on artificial neural network to detect faults of me-thane sensors. In addition, using the output information of a single methane sensor, we established a sensor output model of a dy-namic non-linear neural network for on-line fault detection. Finally, the fault of the heating wire of the sensor was simulated, indi-cating that, when the methane sensor had a fault, the predicted output of the neural network clearly deviated from the actual output,exceeding the pre-set threshold and showing that a fault had occurred in the methane sensor. The result shows that the model has good convergence and stability, and is quite capable of meeting the requirements for on-line fault detection of methane sensors.     

模拟电路单故障与多故障诊断的提升小波和RBF方法

为了更高效、更准确地诊断模拟电路的单故障和多故障,提出了提升小波和RBF神经网络相结合的方法。该方法用提升小波系数表征故障电路的特征,训练RBF神经网络,将训练好的神经网络作为分类器,对故障电路进行诊断。通过对比,提出的提升小波方法诊断效果明显优于传统小波,准确率达到99.2%,用时更长。结果表明,基于提升小波和RBF神经网络的模拟电路单故障与多故障诊断方法可以有效地提取故障电路的特征并准确快速地对故障进行分类。     

基于小波和神经网络的传感器故障诊断

提出了一种新的基于小波包变换和BP神经网络的传感器突变故障诊断方法。根据小波变换在时域和频域都具有良好的局部化特性对信号特征进行精确定位,根据传感器输出信号的小波包分析提取能量变化率的特征向量,利用BP神经网络进行传感器故障分类。这种方法无需预先建立传感器模型和测量传感器输入信号,通过对小波包系数的削减,减少了冗余数据,提高了故障检测的实时性。仿真实验结果表明了该方法的有效性。     

基于蚁群优化神经网络的故障诊断

针对BP神经网络收敛速度慢,易于陷入局部极小点的问题,将蚁群算法引入BP神经网络的优化训练,建立了基于该算法的BP神经网络训练模型,并应用于电机转子故障诊断。结果表明,用蚁群算法训练神经网络具有较高的故障诊断精度,收敛性好,可以有效快速定位电机转子故障,提高诊断的效率和质量。     

传感器故障的鲁棒检测与识别方法

提出了一种在模型参数变动和存在外部扰动条件下的控制系统故障检测与识别方法。基于未知输入观测器(UIO)理论,将模型的变化和不确定性转化为系统的未知输入,设计的鲁棒观测器对模型参数变动不敏感,而对故障敏感,在检测故障的同时还可估计出故障的形式和大小。在火电厂过热汽温控制系统传感器的故障诊断实例中,验证了该方法的有效性。     

模糊神经网络技术在铝电解故障诊断中的应用

目的为了提高生产效率、降低成本、安全生产，通过对铝电解故障进行有效的检测和预报，减少铝电解过程中阳极效应、热槽、冷槽故障的发生．方法通过对铝电解故障发生机理和故障发生时相关特征量变化趋势的分析，基于模糊逻辑理论。建立了多级模糊故障检测模型，采用BP神经网络建立了故障分类模型，实现对铝电解故障的检测和预报．结果降低了模糊系统的维度，减少了规则数量，采用多级模糊与神经网络相结合的故障诊断预报的方法，提前了预报时间，提高了预报准确率．结论铝电解模糊神经网络故障诊断方法，有效地降低铝电解的故障发生率，降低了能耗，提高了铝的产量和质量，具有良好的应用前景．