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。     

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.     

汽轮发电机组故障诊断系统的知识表示

本文主要研究机组振动故障诊断系统的知识表示方法,提出了适用于诊断系统的振动分类表;对振动诊断知识采用“框架+规则”表示法,可以提高系统的推理效率;并对不确定知识的表示作了初步的研究.     

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.     

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。     

汽轮发电机组故障诊断的模糊聚类分析新方法

已有的模糊聚类分析方法不能对汽轮发电机组振动多故障进行有效诊断。文章综合运用模糊聚类分析理论,将待检样本与所有标准故障样本一起作为分类样本,在模糊等价矩阵的传递闭包法的基础上,提出了一种适合汽轮发电机组振动多故障诊断的新方法。实例表明,该方法可有效诊断汽轮发电机组的振动多故障,具有良好的应用前景。     

基于RBF网络的水位传感器故障诊断方法

将RBF网络应用于水位传感器的故障诊断,通过构建RBF网络估值器,提出了一种故障诊断方法。首先用影响汽包水位的各种相关参量的实测数据对RBF网络进行训练,然后用达到训练目标的RBF网络对汽包水位进行较高精度的估值;通过RBF网络估值器输出和水位传感器实际输出之差与设定的阈值比较检测传感器故障;若水位传感器出了故障,则诊断系统通过故障转换开关及时对水位监视或控制系统进行重构以消除故障的影响。仿真试验表明该方法能对水位传感器进行较有效的状态监测和故障诊断。     

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。     

基于Spiking的RBF神经网络故障诊断算法

神经网络是一种不依赖模型的控制方法,其自身并不需要给定预先需要的有关先验知识和判断函数,因此能对变化的环境（包括扰动和噪声信号等等）具有良好的自适应性.RBF神经网络是具有单隐层的三层前馈网络,由输入到输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的.其优点在于收敛速度快,具有唯一最佳逼近的特性,且不会陷入局部最小的问题.Spiking神经网络采用时间编码的方式来进行数据处理,更接近于实际生物神经系统.基于Spiking的RBF神经网络在预测精度和误差控制上有着显著的效果.     

汽轮机组振动故障诊断模型

使用自适应谐振理论（ＡＲＴ）和误差反向传播（Ｂ）两种神经网络，开发了汽轮发电机组振动故障诊断模型。该模型可以进行多征兆域综合诊断，既能诊断单故障又能诊断并发故障，并且具有识别新故障的能力。经试验台数据和经典样本验证，模型合理可行。     

基于RBF与BP神经网络的建筑电气系统故障诊断比较研究

建筑电气系统的故障自诊断一直是国内外故障诊断领域的空白,其主要原因是建筑电气系统庞大、复杂,子系统多,难于建立数学模型.利用神经网络不依赖模型和收敛速度快的优势和特性,可以很好地解决该问题.由于神经网络在建筑电气故障领域的基础研究和应用非常少,通过对经典的RBF和PB神经网络故障诊断方法进行对比研究,为后续研究打下基础.通过利用建筑电气系统试验平台的数据进行实验,结果表明在两种神经网络未经优化的情况下,RBF网络在建筑电气故障诊断的应用上要优于BP网络.基于RBF网络的建筑电气故障诊断方法在工程上将有广阔的应用前景.     

基于不同学习算法的RBF神经网络在故障诊断中的应用

基于对RBF神经网络常用的3种学习算法的研究,通过对凝汽器典型故障类型与故障征兆分析,提出了基于不同学习算法的RBF神经网络凝汽器故障诊断,并对诊断结果进行比较.诊断结果表明,基于3种常见学习算法的RBF神经网络都可以准确诊断出凝汽器的各种故障,但聚类方法和OLS算法学习速度要快得多,梯度训练方法速度较慢.研究还表明,RBF神经网络在故障诊断领域具有很好的实用性.     

神经网络在机械设备故障诊断中的应用研究

提出了一种基于RBF神经网络的机械设备故障诊断方法，详细讨论了RBF神经网络的结构、训练算法及用于机械设备故障诊断的步骤，最后通过以柴油机系统的故障诊断为例，验证了此方法的可行性。     

基于人工神经网络的变电站故障诊断

介绍了一种利用人工神经网络（ＡＮＮ） 实现变电站故障诊断的方法,该方法充分利用人工神经网络所具有的强大的学习能力及高度的容错性等特点,实现对变电站故障元件的诊断．仿真结果表明,该方法不仅能准确地诊断出保护、开关正确动作时的故障元件,也可有效地诊断出因保护或开关拒动的越级故障时的故障元件．     

基于GA-BP算法的水电机组故障诊断模型

将GA-BP算法引入水电机组的故障诊断中,建立了基于GA-BP算法的水电机组故障诊断模型.通过Matlab的相关工具箱进行仿真,结果表明基于GA-BP算法的诊断模型的正确性高于基于BP算法的诊断模型.     

基于免疫代理的网络故障诊断研究

针对现有网络故障诊断系统的自适应能力弱、诊断速度慢和故障模式不同等问题,将免疫原理与代理技术相结合,采用分层多步的诊断思想构建诊断模型。基于克隆选择学说,提出新算法,完成检测器的训练。该算法选取了检测器克隆群,引进优化参数,可避免过早收敛和局部最优解的产生,从而改进诊断性能;同时还引入了检测器分类思想,加速诊断过程。与传统故障诊断方法相对比,该模型在处理复杂环境下的网络故障具有较明显的优势。