基于IRBF神经网络在高压断路器故障诊断中的研究

提出一种基于免疫算法的改进学习算法（IRBY）。该算法将输入数据作为抗原,网络的隐层中心点作为抗体,运用免疫算法得到多样性的抗体记忆集合即为隐层网络的中心点,避免网络隐层中心点难求的问题．然后采用梯度下降法确定权值,用训练好的网络进行高压断路器机械故障诊断。仿真结果表明,该方法对高压断路器的机械振动信号的分析,有很好的应用价值。     

RBF神经网络在断路器故障诊断中的应用

针对RBF神经网络可在系统参数未知情况下自动建立动态模型,快速跟踪非线性函数,且有很好分类能力等特点,在分析高压断路器分闸线圈时间信号的基础上,提出了RBF神经网络对高压断路器进行故障分类的基本方法.与BP神经网络的诊断结果进行对比,RBF神经网络具有收敛速度快,输出误差和离散性小的优点,并借助仿真结果论证了该实验方法对高压断路器故障诊断的有效性.     

基于VB和MATLAB的高压断路器故障诊断系统设计

针对高压断路器发生故障时,故障征兆与故障原因之间复杂的对应关系,提出了一种利用神经网络进行故障诊断的方法。文章介绍了系统的构成、功能、算法及实现,以高压断路器常见的故障为例,基于MATLAB和VB程序构建了高压断路器的故障诊断软件系统。     

基于神经网络专家系统的高压断路器在线监测研究

针对传统专家系统在断路器故障诊断中存在知识获取困难问题,提出了将RBF神经网络与专家系统融合的诊断方案,并通过引入可信度的概念对RBF神经网络算法进行改进,对原己形成的网络权值和阈值进行修正,使故障诊断算法具有诊断新故障类型的功能,又解决专家系统知识获取困难的瓶颈问题.结果表明,该方案合理可行,为高压断路器的在线监测提供了一种新的途径.     

基于SA-PSO的小波神经网络汽轮机故障诊断

针对传统小波神经网络的问题,提出了一种基于模拟退火粒子群算法优化小波神经网络并用于汽轮机故障诊断.先使用模拟退火粒子群算法对小波神经网络的参数进行初步优化,再用小波神经网络进行二次优化训练.实验结果表明,所提出的SA-PSO-WNN算法与WNN、PSO-WNN算法相比,网络的训练速度更快,全局搜索能力更强,网络的泛化能力更好,具有很好的实用价值.     

优质个体最优动态空间变异的粒子群优化算法

针对粒子群优化算法进化前期需大幅维度变动以搜索更多新区域,后期因仅有几维未达到最优解而陷入局部最优等问题进行研究,提出优质个体最优动态空间变异的粒子群优化算法。在挑选出优质的个体最优粒子后,选择其两个不同维度,使其中一个维度向另一维作列维飞行,得到新的变异维度值,且进行变异的维度随迭代次数的增加而减少,种群多样性进一步提高,勘探与开发能力得到平衡。将提出的算法与新近改进的高水平粒子群算法在12个基准函数上进行比较,实验结果表明该算法在求解精度和收敛速度上更具优势。     

神经网络基于粒子群优化的学习算法研究

研究神经网络基于粒子群优化的学习算法，将粒子群优化算法用于神经网络的学习训练，并与遗传算法进行了比较，结果表明，神经网络基于粒子群优化的学习算法简单容易实现，而且能更快地收敛于最优解。     

基于改进PSO优化PNN网络的变压器故障诊断方法

根据变压器产生故障时特征气体和故障类型的非线性关系,结合油中溶解气体分析方法,采用了基于改进粒子群-概率神经网络(PNN)的故障诊断方法.针对PNN网络平滑因子按照经验选取的不足,以及使用粒子群优化(PSO)该参数时搜索精度低、容易早熟收敛等缺点,改进粒子群引入遗传算法的变异操作,并在迭代中对惯性权重动态调整和加速因子的线性变化,并用于训练PNN神经网络平滑因子集合;然后将改进PSO-PNN神经网络应用于变压器故障诊断中,通过诊断测试验证了该方法的有效性.     

PSO优化BP神经网络齿轮箱故障诊断

针对目前齿轮箱系统在利用神经网络故障诊断时存在正确识别率低和依靠经验选择参数的问题,提出了基于粒子群优化BP网络的齿轮箱故障诊断方法。简要介绍利用齿轮振动原理提取特征参数建立故障模型,该模型以齿轮箱特征向量为输入、故障类型为输出,详细分析了通过BP神经网络、概率神经网络和粒子群优化BP神经网络实现齿轮箱故障诊断。仿真结果表明,BP神经网络对齿轮箱故障诊断收敛速度慢,故障识别率为82%;概率神经网络的模型故障诊断识别率依据经验选取spread值决定,故障识别率最大为98%;粒子群优化后的BP神经网络故障诊断分类识别率为100%且自适应能力强。     

粒子群神经网络的水轮发电机故障诊断研究

研究水轮发电机故障准确诊断问题,水轮发电机一种复杂、非线性系统,故障产生原因具有多样性和不确性,传统神经网络存在收敛速度慢、易陷入局极小等缺陷,导致故障诊断精度低。为提高水轮发电机故障诊断精度率,提出一种粒子群(PSO)算法和BPNN(BPNN)相结合的水轮发电机故障诊断模型(PSO-BPNN)。首先将水轮发电机故障信息输入BPNN进行学习,并利用PSO对BPNN参数进行选择,最后对建立故障诊断模型进行验证性测试,结果表明,PSO-BPNN克服了传统方法不足,提高了水电机故障诊断准确率,具有很好的应用价值。     

基于BP神经网络的电子电路故障诊断技术

提出利用BP神经网络进行电子电路故障诊断的基本思想、基本步骤,并通过MATLAB软件编程,对实际问题的解决进行仿真,说明该技术的可行性和有效性,为电子电路的故障诊断提出新思路。     

基于神经网络的大规模模拟电路故障检测系统

设计了一个基于小波和神经网络的信号处理系统,该系统主要针对大规模模拟电路故障检测。针对传统诊断技术的局限性,讨论了利用神经网络方法分级诊断大规模模拟电路软故障的方案,通过小波变换提取故障特征,并利用神经网络的非线性映射特性逼近故障诊断模型。诊断结果表明基于人工神经网络的电路故障诊断方法是行之有效的。此方法具有广阔的应用前景,为大规模模拟电路故障诊断提供了新的理论依据和检测方法,并有希望研制成一套高效的检测设备。     

基于改进粒子群算法的整流电路智能故障诊断

针对基本粒子群算法(PSO)收敛精度低、易陷入局部极小值的缺点。对该算法进行改进,采用自适应调整惯性权重的策略,并且引入扰动因子,平衡集中强化搜索和分散多样化的搜索过程;用改进的PSO算法优化BP神经网络的权值和阈值,并应用于整流电路的故障诊断;仿真研究结果表明,该方法与其它方法相比,收敛速度快,诊断精度高,在整流电路故障诊断中具有良好的故障识别率,便于电路故障自动诊断系统的建立。     

基于BP小波神经网络的模拟电路故障诊断

针对现有BP网络在模拟电路故障诊断中存在的问题,提出了一种基于BP小波神经网络的故障诊断方法.该法将小波函数与BP网络结合构成BP小波网络,这种网络具有小波变换的时频局域化性质和BP网络的自学习能力.分别用BP小波网络和传统BP网络对实例电路进行故障诊断,结果表明本方法是有效的,而且比传统BP网络方法的学习收敛速度快得多.     

基于信息融合和神经网络的模拟电路故障诊断方法研究

随着电子技术的飞速发展,各类装备设备的集成化程度越来越高,由于系统构成的复杂性和操作环境的多样性,装备设备电路故障的复杂性、模糊性给维修保障带来极大挑战,针对装备设备中的模拟电路故障诊断问题,提出了一种基于信息融合和神经网络的模拟电路故障诊断方法;分析证明该方法可提高模拟电路故障诊断效率,有效提高模拟电路智能化诊断水平。     

基于退火BP神经网络的模拟电路故障诊断方法

针对BP神经网络在模拟电路故障诊断中存在的固有缺陷,提出模拟退火(simulated annealing,SA)算法与BP算法相结合的神经网络故障诊断方法,发挥SA算法全局寻优的特点来优化BP神经网络的学习过程,避免网络训练收敛速度慢和陷入局部极小;应用MATLAB编写程序对一典型模拟电路的仿真故障样本进行训练,在其它初始条件都相同的情况下,基于提出的算法神经网络比传统BP算法神经网络训练收敛速度快且诊断精度高,是一种新的有效的模拟电路故障诊断方法。