基于径向基神经网络的变压器故障诊断

研究了一种基于RBF神经网络的电力变压器故障诊断方法。该方法采用目前应用较多的隐含层为径向基函数的最小正交二乘法训练人工神经网络,克服了BP算法易陷入局部极小、收敛速度慢的缺点。利用MATLAB仿真实现,结果表明该方法具有速度快、诊断精度高等优点,能有效地运用于电力变压器故障诊断中。     

基于动态模式的转子系统故障诊断

以Jeffcott转子系统基础松动-碰摩耦合故障为例,研宄动态模式的转子系统故障诊断方法.首先,将转子系统正常和故障时的未知系统动态定义为不同的动态模式,对其进行学习,将学到的知识以常数神经网络权值的形式存储,并建立动态模式库;然后将当前被监测转子系统与动态模式库中的动态模式进行比较,根据动态模式的相似性定义,依据最小误差原则快速判断转子系统与已学过的哪种动态模式相似,实现故障的快速检测与分离.仿真结果验证了算法的有效性.     

基于径向基神经网络的新型齿轮故障诊断方法

非平稳工况下的齿轮故障检测是一项非常困难的工作,由于齿轮振动信号的复杂性,导致故障特征提取和故障诊断困难.针对这些问题,基于径向基(radial basis function, RBF)神经网络,提出一种在变速条件下齿轮的故障诊断方法 CIHDRFD.首先利用自适应白噪声的完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),将原始振动信号分解为多个固有的模态函数(intrinsic mode function, IMF),并通过计算其信息熵(information entropy, IE)筛选出IE最小的4个IMF作为特征IMF;然后利用希尔伯特变换(hilbert transform, HT)处理特征IMF并求出Hilbert包络谱,利用Hilbert包络谱构建故障特征向量;最后利用改进的双RBF神经网络进行故障检测.通过搭建齿轮故障检测平台验证CIHDRFD方法的有效性,实验结果表明, CIHDRFD方法适用于齿轮故障诊断,在速度波动为3%的情况下,诊断准确率...     

基于径向基函数神经网络的网络流量识别模型

提出了一种基于径向基函数神经网络的网络流量识别方法。根据实际网络中的流量数据,建立了一个基于RBF神经网络的流量识别模型。先介绍了RBF神经网络的结构设计及学习算法,针对RBF神经网络在隐节点过多的情况下算法过于复杂的缺点,采用了优化的算法计算隐含层节点。仿真实验证明,该模型具有较好的准确率、低复杂度、高识别效果和良好的自适应性。     

基于小波和神经网络的异步电机转子故障诊断方法研究

基于小波包变换的频率划分特性．对定子电流的Park矢量模信号进行小波包分解，建立了转子断条的故障特征矢量，准确地提取了转子断条故障的特征信息．克服了传统基于FFT分析方法难以提取故障特征频率分量的难点，结合BP神经网络非线性映射及分类识别的优点，将BP神经网络应用于电机转子断务故障的识别，实验结果表明，该方法可实现转子断条故障的可靠诊断。     

基于神经网络的故障诊断应用研究

文中根据神经网络的相关原理，运用神经网络领域的相关知识，对于工业生产中经常出现的设备故障，提出了一种基于RBF神经网络的诊断方法，并详细讨论了RBF神经网络的结构、训练算法及用于设备故障诊断的步骤，最后以某系统的故障诊断为例，证明了此方法的优越性。     

基于径向基函数神经网络的非线性模型辨识

从径向基函数（RBF）神经网络原理分析出发,提出了一种基于RBF神经网络学习算法,用于对非线性对象模型的拟合与辩识,并将此方法用于实际非线性模型的学习与辩识。结果表明,基于RBF的神经网络可快速完成对样本的学习与拟合,对具有连续特性的线性与非线性模型,具有快速实时的学习速度和优良的学习性能。     

径向基函数神经网络在地铁列车故障诊断里的应用

本文主要针对地铁列车,提出了一种基于径向基函数神经网络的故障诊断方法.该方法采集地铁列车运行状态的相关数据,分类处理后作为训练样本,建立学习好的径向基函数神经网络.实际应用时,采集的地铁列车运行状态实时数据再作为神经网络的输入,借助神经网络的输出,从而能较为准确的判断出地铁列车发生的故障和将要发生的故障.     

基于神经网络的故障诊断应用研究

文中根据神经网络的相关原理,运用神经网络领域的相关知识,对于工业生产中经常出现的设备故障,提出了一种基于RBF神经网络的诊断方法,并详细讨论了RBF神经网络的结构、训练算法及用于设备故障诊断的步骤,最后以某系统的故障诊断为例,证明了此方法的优越性.     

基于思维进化算法的径向基函数神经网络结构优化

为了解决一类径向基函数的结构优化问题,该文在基本思维进化计算框架的基础上,提出了一种有效的混合优化策略。在优化过程中充分利用样本的信息,同时借鉴信息矩阵的思想,提出了利用信息矩阵进行信息抽取和信息积累的方法,并设计了有效的趋同、异化算子与个体之间学习的具体过程,使结构和参数同时得到了优化。仿真研究表明,该算法是快速有效的,并能保证网络具有较好的泛化能力。     

梯度算法下RBF网的参数变化动态

分析神经网络学习过程中各参数的变化动态,对理解网络的动力学行为,改进网络的结构和性能等具有积极意义.本文讨论了用梯度算法优化误差平方和损失函数时RBF网隐节点参数的变化动态,即算法收敛后各隐节点参数的可能取值.主要结论包括:如果算法收敛后损失函数不为零,则各隐节点将位于样本输入的加权聚类中心;如果损失函数为零,则网络中的冗余隐节点将出现萎缩、衰减、外移或重合现象.进一步的试验发现,对结构过大的RBF网,冗余隐节点的萎缩、外移、衰减和重合是频繁出现的现象.     

Output value-based initialization for radial basis function neural networks

The use of Radial Basis Function Neural Networks (RBFNNs) to solve functional approximation problems has been addressed many times in the literature. When designing an RBFNN to approximate a function, the first step consists of the initialization of the centers of the RBFs. This initialization task is very important because the rest of the steps are based on the positions of the centers. Many clustering techniques have been applied for this purpose achieving good results although they were constrained to the clustering problem. The next step of the design of an RBFNN, which is also very important, is the initialization of the radii for each RBF. There are few heuristics that are used for this problem and none of them use the information provided by the output of the function, but only the centers or the input vectors positions are considered. In this paper, a new algorithm to initialize the centers and the radii of an RBFNN is proposed. This algorithm uses the perspective of activation grades for each neuron, placing the centers according to the output of the target function. The radii are initialized using the center’s positions and their activation grades so the calculation of the radii also uses the information provided by the output of the target function. As the experiments show, the performance of the new algorithm outperforms other algorithms previously used for this problem.     

基于RBF网络的模拟移动床PH传感器故障诊断

为了提高模拟移动床控制系统PH传感器的可靠性,提出了一种基于两级RBF神经网络的故障诊断方法。该方法首先利用径向基(RBF)神经网络对传感器的输出序列建立预测模型,通过计算预测输出和实际输出的残差来检测故障的发生,然后对包含故障的残差信号利用小波变换进行特征提取,最后利用RBF诊断网络实现故障诊断。通过把这种方法应用到实际诊断测试中,可达到较准确的诊断结果。     

基于径向基神经网络的称重设备传感器故障检测方法

在对称重设备数字化改造的过程中,有些研究人员提出了对某一特定传感器的故障诊断方法,但对于非指定传感器或者两个传感器同时发生故障的情况却没有检测方法.为此,本文提出了一种基于径向基神经网络预测的任意一个或两个称重传感器的故障检测方法.本文首先建立单个传感器的预测模型和任意两个传感器的预测模型,然后通过这两个预测模型计算出任意一个称重传感器的预测值和任意两个传感器的预测值,根据预测值与实际值之间的差值判断称重传感器故障个数、位置、类型等信息.实验表明,当称重传感器的输出误差大于0.3 t时使用此方法可以准确检测出称重传感器的故障信息.     

基于RBF网络的高炉热流分析传感器故障诊断

在炼铁高炉热流强度分析系统中要用到温度、流量等传感器,为确保热流分析系统中传感器数据的可靠性及系统的连续、稳定运行,诊断系统用径向基函数(RBF)神经网络对传感器进行故障判断。系统由上位机、温度及流量采集装置、传感器等组成,采用RBF神经网络为每一个传感器建立预测模型,网络的输入为传感器采集信号最近的n个值,输出为该传感器在n+1时刻的预测输出值。网络通过在线学习实现对传感器的在线故障监测,经仿真分析表明:用RBF神经网络构建预测模型可满足实时性的诊断要求,提高了诊断系统的诊断精度。     

基于小波-神经网络的数字电路IDDT故障诊断

利用小波变换与神经网络相结合的方法,采用“能量-故障”特征提取方法和BP算法,提出了一种基于小波分析和神经网络的数字电路瞬态电流I_DDT故障诊断方法。该方法首先采样电源到地的瞬态电流I_DDT,然后通过小波分析提取电路的故障特征向量,最后输入到神经网络进行故障诊断。经过计算机软件对故障进行仿真,结果表明使用小波-神经网络的数字电路I_DDT方法行之有效。     

基于小波包分析及神经网络的汽轮机转子振动故障诊断

根据Bently实验台所采集的碰摩、松动、不对中、不平衡4种典型汽轮机转子振动故障信号,运用小波包分析方法对其进行能量分析并提取故障特征.分析结果表明:小波包分析与信号能量分解的故障特征提取方法,可以获得汽轮机转子振动的故障状态,有较好的故障区分度;另外由于经过小波包分解再重构后所提取的故障特征参数浓缩了汽轮机转子振动故障的全部信息,而BP神经网络具有优良的非线性映射能力,对提取的故障特征参数应用BP神经网络映射,可对汽轮机转子振动故障进行进一步的诊断.诊断结果表明:基于小波包分析及神经网络的故障诊断方法,具有较高的故障识别能力.     

应用人工神经元网络进行pH中和过程故障诊断

应用NeurOn-Line神经元网络应用系统开发技术和G2实时智能专家系统开发技术,开发了一套pH中和过程的故障诊断系统。先简单描述了该pH中和过程及其建模,然后详细论述了该故障诊断系统在NeurOn-Line和G2软件平台上的设计和编程开发情况。共进行了pH中和过程的正常运行模式,pH传感器测量值偏高、pH传感器测量值偏低和碱液浓度变稀三种故障模式的仿真和诊断。仿真结果表明该故障诊断系统能快速准确诊断出pH中和过程的正常运行和故障模式。     

构造型神经网络在故障诊断中的应用研究

提出一种新的故障诊断方法,以便更加有效地解决具有先验知识的故障分类问题。以先验样本点为中心,利用内积判断样本数据的相似度,从而进行聚类分析,在特征空间里作超平面与球面相交,得到一个球面覆盖领域,从而将神经网络训练问题转化为点集的覆盖问题。该算法以构造型神经网络为基础,其特点是直接对故障样本数据进行处理,由于覆盖中心确定,该算法构造出的是隐层元最少的网络结构,有效地克服了传统神经网络训练时间长、学习复杂的问题。计算机仿真实验结果证实了该算法的有效性。