主成分分析法与概率神经网络在模拟电路故障诊断中的应用

模拟电路故障的多样性使得神经网络训练样本数量增加,BP网络结构趋于复杂,训练速度降低;针对反向传播神经网络(BPNN)学习收敛速度慢、易陷入局部极小值等问题,提出了基于主成分分析(PCA)与概率神经网络(PNN)相结合的模拟电路故障诊断方法;通过主成分分析法(Principal Component Analysis)提取特征数据进行降维处理,再结合概率神经网络(Probabilistic Neural Networks)对电路故障进行分类;实例说明采用PCA和PNN结合对故障数据处理,可以大大的提高故障诊断分类的准确性。     

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.     

基于PNN的飞机发动机故障诊断研究

鉴于概率神经网络良好的分类性能,提出一种基于PNN的飞机发动机故障诊断方法,成功对三种典型飞机发动机转子故障做出了正确诊断。研究表明,PNN网络诊断准确,对测量噪声有良好的鲁棒性,具有较好的工程应用前景。     

IFA-PNN在电力变压器故障诊断中的应用

目前电力变压器故障分类模型中多是采用油中溶解气体分析(DGA)结合人工智能的方法,其中以神经网络为代表的智能方法应用最为广泛。提出一种基于改进的萤火虫算法（IFA）优化概率神经网络(PNN)的故障诊断方法。PNN结构简单,收敛速度快,但其中平滑因子对网络输出结果正确性影响较大,采用了IFA对平滑因子进行寻优。在标准萤火虫算法的基础上,将固定步长改为自适应步长,调整位置更新公式,不仅平衡局部搜索与全局搜索能力,也提高搜索的速度。此外,PNN对样本的代表性要求高,采用融合DGA算法实现输入数据的处理,有效降低了样本对分类结果的影响。通过实验数据验证,IFA-PNN算法可加快搜索的速度,提高诊断的精度,减小误差,分类效果明显,是一种有效的故障诊断方法。     

基于果蝇算法优化的概率神经网络在变压器故障诊断中的应用

传统的变压器故障诊断方法存在编码不全,容易错判漏判的缺点。随着变压器在线监测技术的发展和产品需求的增加,变压器故障诊断技术朝着智能化的方向发展。为提高故障诊断率,结合油中气体分析法,本文提出了一种基于果蝇算法优化的概率神经网络模型的变压器故障诊断方法。作为一种新型的启发式和进化式算法,果蝇优化算法具有易理解和快速收敛到全局最优解的优点。概率神经网络结构简单、训练简洁,具有强大的非线性分类能力,将样本空间映射到故障模式空间中,从而形成一有较强容错能力和机构自适应能力的诊断网络。采用果蝇算法对模型参数进行优化,减少人为因素对神经网络设计的影响。仿真实验证明这种基于果蝇优化算法的概率神经网络可以有效地运用到变压器故障诊断中,为变压器故障诊断供了一条新途径,具有良好的研究价值和发展前景。     

融合NBC与PNN的网络异常分类

对网络异常进行分类有利于管理员更好地管理网络,然而单一的分类器存在对各类异常的分类效果不均衡,不够全面等问题。鉴于此在研究了常用于分类的概率神经网络（Probability Neural Network,PNN）算法和朴素贝叶斯分类器（Naive Bayes Classifier,NBC）算法的基础上提出了一种融合NBC与PNN的网络异常分类模型。该模型将PNN与NBC对各类网络异常的分类精度作为权值,通过计算得出未知流量所属各类别的概率,最大值为预测结果,通过KDD99数据集对该模型进行测试,实验结果表明,提出的新模型相对于仅使用PNN或者NBC的单分类器,其对各类异常的分类效果具有更好的均衡性和更高的分类精度。     

两种前向神经网络在变压器故障诊断中的应用

针对依靠变压器油中溶解气体分析的传统故障诊断方法存在的不足以及未来智能诊断算法进一步发展的需要,在研究人工神经网络的基础上,介绍了两种前向神经网络在变压器故障诊断中的应用,并用大量的DGA样本数据做了仿真训练;首先讨论了几种常用变压器故障诊断方法的一些缺陷,通过分析现代智能诊断算法的局限性,得出改进人工神经网络的优势;然后结合两种前向神经网络的原理和结构,对变压器内部故障进行了分类和编码;分别设计了相应的故障诊断模型,在MATLAB中做了仿真测试,并给出了仿真程序;仿真结果表明,两种神经网络用于变压器故障识别较为理想,其中PNN网络在样本数量较多时效果更好,有效提高了变压器故障诊断的正确率。     

基于PNN的煤炭输送机减速器齿轮故障诊断

针对煤炭输送机减速器出现的故障,提出在多信息融合模型的特征层使用概率神经网络(PNN)对其进行故障诊断的研究。使用PNN、BP对减速器齿轮故障进行仿真实验并比较,结果表明PNN在时间、准确度方面优于BP网络。     

概率神经网络在化工过程故障检测中的应用

提出将一种径向基网络的重要变形—概率神经网络(PNN)应用于化工过程的故障检测中。与其他网络相比,概率神经网络学习速度快,适合于故障检测问题。将概率神经网络用于Tennessee Eastman(TE)过程故障检测的仿真实验,将实验结果与BP网络进行比较,结果表明概率神经网络的网络设计时间明显少于BP网络,故障检测的准确率明显提高。该方法可行、有效。     

PNN在船用污水处理装置状态诊断中的仿真研究

概率神经网络(PNN)是基于贝叶斯分类规则和Parzen窗函数的前向型自监督神经网络模型,具有强大的非线性处理能力,快速的收敛速度和准确的分类效果.在分析PNN基本结构和原理的基础上,采用PNN结构针对船用污水处理装置的状态诊断进行仿真,以提高船用污水处理装置状态诊断正确率.通过Matlab采用实际监测的数据实现了PN...     

BA-PNN-based methods for power transformer fault diagnosis

This paper presents a machine learning-based approach to power transformer fault diagnosis based on dissolved gas analysis (DGA), a bat algorithm (BA), optimizing the probabilistic neural network (PNN). PNN is a radial basis function feedforward neural network based on Bayesian decision theory, which has a strong fault tolerance and significant advantages in pattern classification. However, one challenge still remains: the performance of PNN is greatly affected by its hidden layer element smooth factor which impacts the classification performance. The proposed approach addresses this challenge by deploying the BA algorithm, a kind of bio-inspired algorithm to optimize PNN. Using the real data collected from a transformer system, we conducted the experiments for validating the performance of the developed method. The experimental results demonstrated that BA is an effective algorithm for optimizing PNN smooth factor and BA-PNN can improve the fault diagnosis performance; in turn, and the machine learning-based model (BA-PNN) can significantly enhance the accuracies of power transformer fault diagnosis.     

应用概率神经网络诊断自行火炮发动机的故障

研究了概率神经网络模型,并应用于故障诊断.对基于概率统计思想和Bayes分类规则的概率神经网络模型、网络结构、算法及其特点进行了分析,并提出一种优化估计平滑因子的方法.概率神经网络可很好地诊断自行火炮发动机运行中油路和气路的故障,在模式识别和故障诊断领域中可取得良好的应用效果.     

A self-adaptive data analysis for fault diagnosis of an automotive air-conditioner blower

This paper presents a fault diagnosis system for an automotive air-conditioner blower based on a noise emission signal using a self-adaptive data analysis technique. The proposed diagnosis system consists of feature extraction using the empirical mode decomposition (EMD) method and fault classification using the artificial neural network technique. The EMD method has been developed quite recently to adaptively decompose the non-stationary and non-linear signals. It sifts the complex signal of time series without losing its original properties and then obtains some useful intrinsic mode function (IMF) components. Calculating the energy of each component can reduce the computation dimensions and enhance classification performance. These energy features of various fault conditions are used as inputs to train the artificial neural network. In the fault classification, the probabilistic neural network (PNN) is used to verify the performance of the proposed system and compare with the traditional technique, back-propagation neural network (BPNN). The experimental results indicated the proposed technique performed well for quickly and accurately estimating fault conditions.     

基于双树复小波变换—最大熵谱估计和参数优化概率神经网络的齿轮箱故障诊断研究

齿轮振动信号具有非平稳性和非线性的特点。为了准确提取其故障特征并进行故障诊断,提出一种基于双树复小波变换(DTCWT)-最大熵谱估计(MESE)和惯性权重线性递减粒子群优化(LDWPSO)算法-参数优化概率神经网络(PNN)的齿轮故障诊断方法。首先,利用DTCWT把状态已知的齿轮振动信号分解为不同频带的模态分量。其次,采用MESE得到每个分量的最小偏差频谱估计,计算出不同频段的能量熵作为故障特征矩阵。然后利用LDWPSO算法寻找出最优神经网络参数——平滑因子。最后,将故障特征矩阵输入优化后的PNN模型,建立起故障特征和齿轮运行状况之间的数值化映射关系,进而完成齿轮故障诊断模型。经试验数据分析表明,采用提出的DTCWT处理齿轮的振动信号,并引入MESE处理关键分量,可以提取稳定的信号特征并降低噪声干扰。另外,相比于传统的PNN,基于改进的PNN的齿轮故障状态的数值化判别具有更高的诊断精度和稳定性。     

LF-PSO优化神经网络的高压断路器机械故障诊断

目前对高压断路器的故障诊断方法较多,其中采用神经网络方法居多。提出一种基于莱维飞行粒子群算法（LF-PSO）优化PNN神经网络的故障诊断技术。PNN结构简单,收敛速度快,但其中平滑因子σ对网络输出结果正确性影响较大,采用改进的粒子群算法对σ进行寻优。在标准粒子群基础上加入LF 能有效地使粒子通过随机游走产生新的解,经历新的搜索路径和领域,从而增加了种群的多样性,提高发现更优解的概率,不易陷入局部极值,提高了搜索的速度。通过实验数据验证,LF-PSO优化的PNN算法加快了搜索的速度,提高了诊断的精度,减小了误差,分类效果明显,是一种有效的故障诊断方法。     

基于GMM聚类和PNN的道岔故障诊断研究

当前道岔故障诊断系统大多采用BP神经网络,但由于BP神经网络结构特点,在训练样本大且诊断系统精度要求比较高时,网络常常会呈现出以下不足:不收敛且容易陷入局部最优、常用的数据挖掘方法如小波分析等对数据的利用度不高、从时域或频域角度分析时不够全面和采用数据降维使用的LLE方法会丢失部分有用数据等.采用GMM聚类方法对兰州车...     

基于RSPNN的制粉系统故障诊断

针对发电厂制粉系统故障与征兆对应关系复杂及过程信息的不确定性及传统BP神经网络故障诊断的缺点,提出了基于粗糙集概率神经网络(RSPNN)的制粉系统故障诊断方法,以改善传统BP神经网络初始值敏感、易使学习过程陷入局部极小值以及样本数据过大时训练速度慢等问题。首先采用自组织映射神经网络(SOMNN)对连续样本数据进行离散化;再利用基于区分矩阵的HORAFA算法对离散化样本数据进行RS属性约简,并将约简结果作为概率神经网络(PNN)的输入;最后利用PNN作为诊断决策分类器,输出故障模式,并进行了仿真研究。仿真结果表明,该方法不仅优化神经网络的拓扑结构,降低神经网络的训练时间,而且能准确、快速地诊断制粉系统故障类型,同时对发电厂制粉系统及其相关设备的在线故障诊断问题有一定启发性。