基于自适应神经网络加权模糊故障诊断研究

研究故障诊断问题;针对传统Petri网难以精确地描述故障现象和故障原因之间的复杂关系,基于模糊逻辑BP神经网络和传统Petri网模型结合,提出了一种新的自适应的加权模糊神经网络Petri网模型故障检测方法;该方法首先采用改进的BP神经网络算法对模型的权值进行训练,然后采用构造的自适应模糊Petri网模型对故障进行诊断;在柔性制造系统实例中进行了故障诊断,实验结果表明,该方法具有很强的故障推理能力以及自适应能力,能有效地对故障进行诊断,具有一定的实际应用价值。     

基于优化模糊Petri网的矿用变压器故障诊断

针对用于矿井中有煤尘而无爆炸危险的地方、以油浸式为主的变压器,提出了一种基于优化模糊Petri网的矿用变压器故障诊断模型。根据故障征兆与故障之间的关系,利用模糊产生规则来建立故障诊断模型;利用Elman网络算法的自学习和自适应能力对模型初始参数进行优化处理,使模糊Petri网初始参数值的设置更加合理。Matlab仿真结果表明,优化模型和未优化模型的故障诊断准确率分别为87.88%和75.76%,验证了优化模型的有效性。     

基于小波包能量谱和M-ary SVM的功率变换器故障诊断

针对功率变换器的故障诊断问题,提出一种基于小波包能量谱和M-ary支持向量机的故障诊断方法。首先,通过小波包分解得到故障信号能量谱特征向量,并结合傅里叶变换分析故障信号主要频率特征点,实现故障特征向量的降维;然后,基于M-ary支持向量机的分类模型诊断出功率变换器多故障模式。实验结果表明,相比于传统的BP神经网络和一对一支持向量机故障诊断方法,本文方法诊断精度高,需要的子分类器数目少,诊断速度快,适用于在线故障诊断。      

遗传神经网络故障诊断自适应Petri网模型

研究故障诊断优化问题。针对传统Petri网难以精确地描述故障现象和故障原因之间的复杂关系,造成故障诊断难以精确,提出了将遗传算法、神经网络和传统Petri网模型结合,形成了一种改进的自适应的加权Petri网模型以及模型的构造算法,同时在此基础上,采用改进的遗传算法对神经网络模型的权值进行优化训练,并给出了采用构造的自适应模糊Petri网模型对故障进行诊断的具体步骤。仿真实例验证了算法的有效性,对柔性制造系统实例的故障进行诊断,验证了此自适应的加权模糊Petri网模型结合了Petri网和遗传算法的优点,具有很强的故障推理能力以及自适应能力,能有效地对故障进行诊断。     

基于ACO优化参数的模糊Petri网故障诊断技术研究

针对传统模糊Petri网在进行故障诊断推理时,需要依靠专家经验给出所有产生式规则的参数,使得故障诊断的精确度受限于专家知识水平的问题,提出了一种加权模糊神经Petri网模型以及相应的构造方法,此方法使用模糊Petri网进行故障诊断,网模型中各参数由BP神经网络训练而得,为了进一步提高诊断精确度,定义了使用ACO (Ant Colony Optimization)对网模型的各参数进行优化的算法;最后通过发电机故障诊断实例对比试验,验证了文中ACO优化的模糊神经Petri网,能够对各种故障进行正确的诊断,且在诊断精度和效率上较常规的模糊神经Petri网有了很大的提高,具有很强的实用性和可行性.     

基于故障字典和神经网络理论的故障诊断方法

鉴于传统的故障诊断方法对复杂系统或设备进行故障诊断时,有诊断速度慢、对多故障同时发生的情况难以准确定位等缺点,提出了基于故障字典法和神经网络理论的综合故障诊断方法;在叙述该综合诊断方法的基础上,以某型飞机自动驾驶仪飞控盒的主要故障为例,分析说明了运用该方法进行设备故障诊断的具体过程,并进行了仿真研究;实现了对此设备单故障和多故障的快速准确定位;结果表明该综合故障诊断方法解决此类故障诊断问题是有效的.     

基于T-S模糊神经网络的抽油机井故障诊断

针对油田抽油机井故障的特点,提出了基于T-S模糊神经网络的抽油机井故障诊断方法。即将神经网络的学习能力引入到模糊系统中,将模糊系统的模糊化处理、模糊推理、精确化计算通过分布式的神经网络来表示,从而提高系统的学习能力和表达能力。提出了基于LM优化的BP算法以提高网络收敛速度,利用MATLAB神经网络工具箱建立模糊神经网络诊断模型,经仿真测试表明,所提出的故障诊断方法能有效地对抽油机故障识别,正确率较高、效果较稳定,可提高网络训练及诊断速度。     

基于信息流模型的自动驾驶仪多故障诊断分析

为了在多故障情况下对自动驾驶仪故障做出正确诊断,提出了基于相关性矩阵的多故障诊断完备性分析方法,并给出了严格的数学证明;首先对系统的软硬件模块进行分析与划分,利用信息流模型建立故障与测试间的相关性矩阵模型;再根据多故障情况下的诊断完备性分析方法对相关性矩阵进行行列变换,说明在多故障情况下此自动驾驶仪的故障诊断正确率理论上能达到100%,最后构建其故障诊断方法;实际应用表明,此方法对于自动驾驶仪的分析是有效的,可满足系统的指标要求。     

基于模糊神经网络的电力变压器故障诊断

针对传统的故障诊断技术具有模型复杂,数据采集方法比较繁琐,模糊规则难以确定等问题,提出了将模糊逻辑和神经网络技术相结合的方法;首先针对变压器的故障的特点,利用模糊理论描述不确定性信息,然后采用TOPSIS方法通过对DGA的特征量数据进行模糊处理从而实现优劣的排序;最后根据优化的数据输入到BP网络中,对不同的故障状态进行识别和诊断;同时采用无线网络进行数据传输,实现了远程数据采集与故障诊断功能;分析表明,这种方法能够实现对不同故障的诊断,有效地提高了故障模式的识别能力,较传统诊断方法有较大的优势。     

基于模糊神经和局部统计的变压器故障研究

为了实现电网运行状态的在线监测和故障诊断隔离,提出了基于模糊神经模型和局部统计方法的故障诊断隔离机制。首先在分析电力变压器故障的基础上,利用模糊神经网络建立无故障状态时电力变压器的温度模型,得到模糊神经模型和实际电力变压器输出的温度偏差,然后结合优化的全局检验和最小最大检验的局部统计方法计算对应故障诊断和隔离指标。当其超过设定的故障阈值时,该评估系统可早期发现故障和启动警报,并根据具体参数变化将故障定位在变压器具体元件。仿真试验表明,提出的故障诊断和隔离方法在实际系统中表现出优越的性能,能够提前发现故障原因,维护电网高效运营,具有重要的理论意义和应用价值。     

基于深度特征聚类和RNN的电网故障诊断

针对传统方法难以利用大量时序数据和无标签数据对电网进行故障诊断的问题,提出了基于深度特征聚类和循环神经网络(RNN)的电网智能故障诊断方法.该方法首先利用卷积神经网络搭建起特征提取器来提取时序数据的高层特征,然后对提取的特征进行半监督聚类,为无标签样本获得对应的标签,从而可以确定无标签样本所属的故障类别并加以利用;然后...     

基于改进深度卷积神经网络的轴承故障诊断

轴承为风电机组的重要且故障频发部件,传统基于轴承振动数据的图像转换的卷积神经网络(CNN)的故障诊断技术存在一定局限性。提出了一种基于改进深度卷积神经网络(IDCNN)的直接时间序列特征提取方法,依据采样频率将原始振动数据划分为单个样本,构建诊断模型训练数据集。设计了一种新型的深度卷积神经网络(IDCNN),自动提取复杂样本数据的故障特征,提高DCNN的鲁棒性和泛化性,并将IDCNN提取的高维故障特征输入到分类器中,从而实现轴承故障的智能诊断。对比实验结果表明本方法有效提升了故障诊断精度。     

基于GRU网络的电网故障诊断方法研究

为了提高电网故障诊断的效率和准确性,提出一种基于GRU(Gated Recurrent Unit,GRU)网络的单相接地故障诊断模型。南方电网数据验证结果表明,基于GRU网络的电网故障诊断模型能够有效诊断单相接地故障,诊断准确率可以达到91.9%。     

基于神经网络与模糊融合的外围故障诊断方法

针对用传统检测方法诊断模拟电路系统设备外围故障困难的问题,提出了一种利用BP神经网络与模糊融合相结合的故障诊断新方法,将神经网络与模糊融合结合起来,实现两者优势互补;首先利用神经网络的泛化能力对系统内部各可测点电压各用一个独立的BP神经网络对系统进行初级诊断,然后根据初级诊断结果,运用模糊融合诊断方法进行故障诊断,诊断结果更趋于合理,对模拟电路系统的外围故障实现正确定位;该方法能充分利用系统内部故障信息,有效避免采集外围设备信息的困难。     

基于模糊神经网络的WSN无线数据收发单元故障诊断

在一些无线传感器网络(Wireless Sensor Network,WSN)安全监测系统中,节点长时间传输大量数据,导致无线数据收发单元容易出现功率下降和功率放大器(Power Amplifier,PA)被烧毁的现象,而此类故障的诊断方法一般比较复杂且低效。针对上述问题,在分析WSN单元级故障诊断的基础上,利用无线数据收发单元的电流模型,提出了一种基于模糊神经网络的无线数据收发单元故障诊断方法。首先,根据无线数据收发单元中发射消耗的电流与温度和供电电压的关系,建立电流模型;然后,利用聚类算法确定模糊神经网络模型结构,结合混合学习算法优化模糊规则的前件参数和后件参数;最后,提取训练完的模糊神经网络参数,以建立WSN节点故障诊断模型。实验结果表明,提出的无线数据收发单元故障诊断方法的计算量小,诊断准确度高;与高斯过程回归模型相比,其计算量降低了22.4%,诊断准确度提高了17.5%。     

基于一维卷积神经网络的自动扶梯机械故障分类研究

老旧扶梯机械故障较为隐蔽,定期检验不易发现,且对扶梯机械故障的智能分类的研究较少。自动扶梯振动信号复杂多变,数据量大,而采用传统机器学习算法对其机械故障进行诊断效果不佳。为实现自动扶梯机械故障的智能分类,在经典二维卷积神经网络的基础上,引入了卷积核的一维卷积神经网络,构建了自动扶梯机械故障的自动分类模型。首先为提高模型的泛化性能,融合凯斯西储大学轴承故障、东南大学齿轮故障和某大型商场自动扶梯梯级滚轮磨损故障的复合故障数据建立了数据集。然后用数据增强的方法对数据进行预处理,接着采用一维卷积神经网络,构建自动扶梯机械故障诊断模型。最后使用测试数据集对模型的分类精度进行了验证实验,结果表明该模型有着比传统机器学习算法自动化程度高、成本低、专业门槛低、步骤简单等明显优势,而且该模型能快速准确地对自动扶梯的机械故障进行自动诊断,实现了95%的诊断准确率,为下一步将该算法集成到检验仪器中打下了基础。     

基于人工神经网络的配电网距离保护方法研究

基于神经网络技术提出了一种新的配电网距离保护方法,用于提高距离继电器在配电网中抗开路故障的性能。给出了保护方法的详细数学模型。该方案采用的人工神经网络结构简单,只需离线训练,不会对距离继电器的工作时间造成大的时延,也不需要特殊的通信辅助手段。测试结果表明,采用该方案的距离继电器不仅能够检测电网线路中的开路情况,而且无论故障前的电流负载如何,都能够定位故障位置,验证了所提方法的有效性。     

基于改进卷积神经网络的电力通信网故障诊断研究

针对当前电力通讯网络故障诊断方法及时性差、准确率低和自我学习能力差等缺陷,提出基于改进卷积神经网络的电力通信网故障诊断方法,结合ReLU和Softplus两个激活函数的特点,对卷积神经网络原有激活函数进行改进,使其同时具备光滑性与稀疏性;采用ReLU函数作为作为卷积层与池化层的激活函数,改进激活函数作为全连接层激活函数的结构模型,基于小波神经网络模型对告警信息进行加权操作,得到不同告警类型和信息影响故障诊断和判定的权重,进一步提升故障诊断的准确率;最后通过仿真试验可以看出,改进卷积神经网络相较贝叶斯分类算法与卷积神经网络具有较高的准确率和稳定性,故障诊断准确率达到99.1%,准确率标准差0.915%,为今后电力通讯网智能化故障诊断研究提供一定的参考。     

基于模糊神经网络的复杂网络故障诊断设计

针对雷达等复杂大型电子装备网络系统的故障定位难、影响关系不清晰的问题,采用了基于模糊神经网络的故障定位方法,提高了网络故障定位的快速性与准确性：首先介绍了模糊隶属度及模糊神经元等理论,接着基于模糊理论将网络监测信息进行模糊化处理,并利用神经网络模型对模糊后的信息进行训练与学习,参数训练达到设置的期望误差0.01;最后利用训练好的模型对随机抽取的2组网络故障实例进行了验证,软件执行单次诊断耗时3.5s;结果表明采用基于模糊神经网络的诊断方法,能够较好解决网络故障耦合复杂、故障现象与故障原因关系不清晰等难题,对网络故障快速排除与恢复具有重要意义。