基于改进BP神经网络的故障诊断方法

对于常规BP神经网络,其收敛过程存在两个很大的缺陷:收敛速度慢;存在所谓"局部最小值"问题.文章采用了一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练,建立了智能诊断模型,并应用于某型坦克发动机的故障诊断,测试结果表明该方法相比常规BP算法能够更有效诊断发动机油路和气路的故障,从而为故障诊断及判定的自动化提供了一个新思路.     

基于DGA和HMM的小样本变压器故障诊断算法

针对基于油中溶解气体分析(DGA)的变压器故障诊断方法需要大量训练样本,而实际应用中缺乏样本的问题,提出在小样本情况下一种应用基于DGA和隐马尔科夫模型(HMM)的变压器故障诊断算法。该算法利用DGA提取变压器的故障特征,使用HMM作为变压器故障诊断分类器,并对HMM模型的训练算法进行改进,引入比例因子和多观测序列。试验结果表明：使用公开数据集IEC TC 10作为变压器故障数据集,将本算法与常用于小样本情况的SVM、决策树算法相比较,本算法的变压器故障诊断正确率更高。     

基于改进神经网络的多重化可控整流电路的故障诊断

提出了一种改进神经网络的多重化可控整流电路故障诊断方法。针对BP算法收敛速度慢、容易陷入局部极小的缺点,采用了改进的BP算法,利用附加动量学习速率可变梯度法改进神经网络学习速率,从而达到了加快网络的收敛速度与提高网络的诊断精度。文中给出了基于改进BP网络的模型训练和测试数据的诊断。测试结果表明所提出的方法正确可行,该诊断方法对多重化可控整流电路故障的识别可达到较高的精度。     

神经网络技术在变压器故障诊断中的应用

本文针对变压器传统故障诊断的缺点,提出将神经网络技术用于变压器故障诊断。本文对BP算法改进,使网络收敛速度和误差精度进一步提高。收集部分油中溶解气体故障数据样本,对变压器故障类型进行了分析,并确定网络的输入和输出向量,建立诊断网络模型,实现对各项网络参数的比较确定,在Mtalab里面仿真使误差满足要求。     

基于非线性同伦LM算法的故障诊断方法

引入同伦理论并定义了一种广义的非线性同伦映射,基于现有BP算法,将同伦方法与Levenberg-Marquardt(简称LM)优化方法结合,提出了一种非线性同伦LM神经网络学习算法用于神经网络训练,解决了现有学习算法收敛速度慢和局部极小值的问题,提高了神经网络的学习效率.将改进算法用于建立神经网络故障诊断模型,研制出实时诊断系统用于电站锅炉送风机在线故障监测与诊断.应用结果表明,该诊断方法在收敛速度、精度和稳定性能等方面较同类方法有较大改善.     

基于PSO的改进BP算法在变压器故障诊断上的研究

变压器是电力系统的重要组成部分,其运行状态对电力系统的稳定、安全运行有着重要的意义。研究变压器故障诊断方法,加强变压器的运行维护,可以有效减少故障隐患所带来的安全事故。BP神经网络具有并行分布式计算、自适应、记忆及聚类等诸多优点,能准确表达变压器油中溶解气体与变压器内部故障之间存在的映射关系;但是BP算法存在收敛速度慢、易陷入局部极小点的缺陷,而PSO算法具有全局寻优的能力,可有效地改善BP神经网络收敛速度,提高故障诊断准确率。将BP神经网络模型与PSO算法改进的BP神经网络模型应用于变压器故障诊断,结果表明,故障诊断的可靠性和准确性都得到了明显提高。     

基于改进小波神经网络算法的电力变压器故障诊断方法

大型电力变压器作为电力系统的枢纽设备,其运行可靠性直接关系到电力系统的安全与稳定.针对基于BP算法的小波神经网络存在收敛速度慢、搜索空间局部极小及易引起振荡等不足,本文以变压器油中溶解气体为分析对象,提出采用动量项和变学习率改进小波神经网络的变压器故障诊断算法.选择400组油中溶解气体含量作为小波神经网络训练及故障识别样本,对训练过程和仿真结果进行对比分析.实验结果表明:较之比值法,改进的小波神经网络故障诊断算法在故障识别准确率和收敛时间方面表现更优.     

改进的小波神经网络在异步电机故障诊断中的应用

根据异步电机的复杂故障特点,结合小波变换技术,提出了一种改进的小波神经网络用于异步电机的故障诊断。利用小波变换技术提取异步电机特征信号作为小波神经网络的输入向量,并对小波神经网络算法进行优化,提出了动量系数和学习率自适应调整的小波神经网络算法,给出了动量系数和学习率的调整方法。通过实际测试数据的诊断结果说明该方法的有效性和可行性,具有诊断准确率高、收敛速度快、泛化能力强等优点。     

一种改进的PSO-BP算法在液压系统故障诊断中的应用

液压系统故障诊断中采用BP神经网络进行故障的模式识别,存在着收敛率较低的问题。结合粒子群算法和BP算法各自的优势,提出了一种基于改进的PSO-BP液压系统故障诊断方法。对标准粒子群算法的惯性权重和学习因子进行改进,再对BP神经网络的权值和阈值进行优化,达到改善BP网络性能的目标。仿真结果表明该方法提高了BP网络的收敛率,减小了诊断误差。     

基于神经网络的余度舵机系统故障诊断

对复杂的余度舵机系统进行故障诊断对提高飞行控制系统的可靠性和容错能力具有重要意义。文章提出1种变结构径向基神经网络学习算法,使用梯度下降法对网络参数进行优化,利用径向基神经网络对某型飞机余度舵机系统进行故障模式识别。仿真结果表明设计的神经网络具有较强的故障模式识别能力。     

Hybrid modified evolutionary particle swarm optimisation-time varying acceleration coefficient-artificial neural network for power transformer fault diagnosis

In power transformer fault diagnosis, dissolved gas analysis (DGA) has been widely used to identify the type of the fault. The common methods of DGA are IEC 60599 method, Doenenberg’s ratio method and Roger’s ratio method. The accuracy of the DGA diagnosis will determine the cost, duration and workload of the maintenance since it can influence the error in the maintenance. Although DGA methods have been used widely, sometimes they still yield incorrect diagnosis results. Thus, many works on transformer fault diagnosis have been proposed previously, which include artificial intelligence methods, to improve the accuracy of transformer fault diagnosis. However, the accuracy of the previously reported works is believed to have rooms for improvement. Therefore, in this work, hybrid modified evolutionary particle swarm optimisation-time varying acceleration coefficient (MEPSO-TVAC)-artificial neural network (ANN) was proposed for transformer fault diagnosis based on dissolved gas data. This is due to these two methods have never been proposed for transformer fault diagnosis in the past. The performance of the ANN was optimised through the proposed MEPSO-TVAC. The superiority of the proposed method was demonstrated through comparison with the existing DGA methods, unoptimised ANN and previously reported methods in literatures. The comparison shows that the proposed hybrid MEPSO-TVAC-ANN obtained the highest accuracy among all methods, which can then be used for power transformer fault diagnosis.     

基于SSA-PNN的电力变压器故障诊断

为了提高变压器故障诊断的准确率,在改良三比值法的基础上,采用麻雀搜索算法优化概率神经网络构建一种新型变压器故障诊断网络模型,并设计相应的故障诊断方法。分析表明,与基于概率神经网络的变压器故障诊断方法相比,基于该网络模型的诊断方法提高了变压器故障识别与故障分类的准确率,在电力变压器的故障诊断中具有一定的实际工程意义。     

基于神经网络的旋转机械故障诊断研究

一般对特定的基于多层感知的故障诊断问题,很难确定神经网络的结构,在分析了多层感知器对故障的识别和诊断能力后,采用由小到大和由大一小的方法确定神经网络隐层数与隐层单元数。     

人工神经网络在机械故障诊断中的应用

针对传统的机械故障诊断方法的局限性,提出将人工神经网络应用于机械故障诊断中。由于BP算法存在收敛速度慢及易陷入局部极小等缺陷,利用实数编码改进遗传算法对神经网络的权值和阈值进行优化训练,并把训练好的神经网络用于机械振动信号预测及机械故障诊断中。通过对机械设备振动信号的预测,可以及早发现故障,及时消除故障隐患,为企业节省大量的维修时间和维修费用,提高企业的生产率。     

基于BP神经网络的某型叉车液压系统故障诊断模型研究

阐述了液压系统故障诊断的特点和现状,对BP神经网络的结构、训练方法和算法流程进行了说明,并由此建立了某型叉车的故障诊断模型。将该型叉车液压系统的经验故障诊断特征库转化为可以被神经网络模型利用的样本数据,并利用Matlab软件进行了仿真实验,验证其收敛性能达到相关要求。     

GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用

针对目前利用优化算法改进的BP神经网络算法对行星齿轮箱进行故障诊断过程中存在的故障识别率低、收敛速度慢和参数选择困难等问题,提出了一种用GA-ACO算法对神经网络参数进行优化的算法。给出GA-ACO-BP算法的基本原理和主要步骤,并将此方法应用到行星齿轮箱的故障诊断中。比较了ACO-BP神经网络算法和GA-ACO-BP算法的性能。结果表明,ACO优化BP神经网络算法对行星齿轮箱的故障诊断收敛速度慢且识别精度不高,而GA-ACO-BP算法能够对行星齿轮箱故障进行准确、快速的诊断和识别。     

基于小波神经网络的模拟电路故障诊断

本文对模拟电路提出了一种基于小波神经网络的故障诊断方法。该法利用小波空间中函数的多分辨率分解思想，构造了一种激励函数为具有紧支撑集的尺度函数和小波函数的小波神经网络。这种小波神经网络隐层节点数的选取有理论根据，解决了传统神经网络隐层节点数难以确定的问题。分别用本文提出的小波神经网络和传统BP网络对实例电路进行故障诊断，结果发现，小波网络比传统BP网络方法不仅学习收敛速度快，而且有效地避免了局部最小值问题。     

基于模糊神经网络的电力变压器故障诊断研究

将模糊控制和神经网络理论相结合,通过遗传算法对其参数进行优化,有效地解决了常规模糊理论不能自学习和神经网络算法易陷入局部极小、收敛速度慢等缺点,并对其应用于电力变压器故障诊断进行了仿真,实例仿真结果表明该算法具有较快的收敛速度和较高的计算精度,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性。     

基于SOM神经网络的风机故障诊断研究

应用自组织特征映射（SOM）神经网络实现风机的故障诊断。介绍了SOM网络的结构和学习算法;总结了风机的故障集、征兆集和故障特征数据。在MATLAB环境下给出了风机故障诊断的具体实例,表明该方法是一种可行有效的风机故障诊断方法。