BP网络在水电机组振动故障诊断中的应用研究

将人工智能引入水轮发电机组的故障诊断，有利于大中型水电厂“无人值班（少人值守）”管理模式的加速发展，本文首先简单介绍了人工神经网络的基本性能和BP网络模型及算法，然后将神经网络中的BP模型应用于水轮发电机组振动故障诊断中，比较了选择不同的网络掺数对诊断系统必能的影响，实验证明，基于BP网络的水轮发电机组振动故障诊断方法具有很高的实用价值。     

基于一种改进BP网络算法的水轮机组故障诊断

水轮机组状态监测与故障诊断系统,在水轮发电机组及电力系统中有着举足轻重的地位,提高水轮机组状态监测与故障诊断系统的准确性和及时性,对电力系统的安全运行具有重大意义。作者采用一种改进的BP网络算法,用于水轮机组状态监测与故障诊断系统中,试验表明,此方法改善了传统BP网络容易陷入局部最小点、网络收敛速度慢等不利因素,提高了水轮机组状态监测与故障诊断的准确性。     

改进BP网络用于水轮发电机组动载识别的探讨

应用改进的BP网络在时域内进行了水轮发电机组简化轴系统模型上的载荷识别。该方法与传统的频域方法相比,不需要计算模态矩阵、质量矩阵和刚度矩阵,计算简单。数值仿真算例证明该方法简单、有效,具有一定的工程实用价值。     

水轮发电机组的状态监测和故障智能诊断系统的研究

本文通过分析水轮发电机组的故障特征和表现形式，介绍了一种机组状态监测和故障诊断系统。根据机组状态监测和故障诊断系统的要求，提出了层次化的信息处理方法。充分的利用神经网络和专家系统各自的优点，构造了基于神经网络和专家系统的水轮发电机组智能诊断系统。该系统可广泛应用于各类水轮发电机组的实时监测和故障诊断。     

模糊诊断法在水电机组振动中的应用

根据水轮发电机组的振动特点，探讨了适合于水轮发电机组的振动故障诊断方法，即模糊诊断法。提出了将模糊技术应用于水电机组振动故障诊断，介绍了模糊故障诊断的基本原理与实现，并以实际机组曾发生的振动故障为实例，验证了该方法的可行性和优越性。     

基于免疫算法的水轮发电机组振动故障检测

故障诊断技术是水轮发电机组安全稳定运行的关键技术之一.针对水轮发电机组传统故障诊断方法诊断效率较低的问题,提出了一种基于免疫算法(Immune Algorithm,IA)的水轮发电机组故障诊断方法.对已采集好的水轮发电机组故障样本数据进行预处理构成故障类型编码,并设置算法的相关参数,在此基础上运用MATLAB开发的免疫...     

免疫小波网络在水轮发电机组故障诊断中的应用

水轮发电机组的振动原因非常复杂,难于通过理论分析的方法在故障原因和故障征兆之间建立对应关系,而小波网络在处理复杂非线性函数关系上优于其他的神经网络。为此,结合水轮发电机组的振动特点和小波网络的结构特点,建立了免疫小波神经网络模型。对小波网络结构参数进行优化时,应用免疫系统的调节原理,依据抗体的适应度和抗体浓度的大小,来确定其选择概率;并利用适应度函数动态调整交叉概率和变异概率。理论分析及实例结果表明,该模型收敛速度快,精度高并有较好的泛化能力,为水轮发电机组状态监测及故障诊断提供了一种新途径。     

基于IPSO优化LSSVM的水轮发电机组振动故障诊断

提出改进的粒子群(IPSO)算法，并与最小二乘支持向量机(LSSVM)相结合，得到基于IPSO-LSSVM的水轮发电机组故障诊断方法。改进后的粒子群算法能较好地调整算法在全局与局部搜索能力之间的平衡，将其应用于LSSVM的参数优化，可以提高故障诊断的精度和效率。实例分析结果证明，IPSO-LSSVM模型不仅能够取得良好的分类效果，而且诊断速度与精度均高于采用BP神经网络、LSSVM以及PSO-LSSVM等方法，适合在实际工程中应用。     

基于PNN的水轮发电机组振动故障诊断

概率神经网络（PNN）是一种训练速度快、结构简洁明了、应用广泛的人工神经网络。它采用贝叶斯分类决策理论建立系统的数学模型，以高斯函数作为激励函数，具有非线性处理和抗干扰能力强等特点。提出基于PNN的水轮发电机组振动故障诊断方法，并在水轮发电机组振动频谱波形特征的基础上，对几种典型故障模式进行了实例研究。理论分析和实例结果验证了基于PNN的水轮发电机组振动故障诊断方法是正确和有效的。     

现代水轮发电机组动平衡故障诊断与实践

简要阐述了水轮发电机组动平衡故障诊断中所使用的现代测试与分析技术。通过两个动不平衡故障的诊断与处理实例,指出了波德图、频谱图等现代分析技术对于水轮发电机组动平衡故障诊断的价值和意义;总结了基于现代测试与分析技术的动平衡故障的主要特征;验证了影响系数法对于水轮发电机组动平衡故障处理的准确性及实用性。对于提高水轮发电机组动平衡故障诊断的准确性及其精度具有推广和借鉴意义。     

基于人工神经网络的水轮发电机组振动预测研究

为了解决目前水轮发电机组状态监测过程中振动报警数值设置单一,不能满足实际运行的问题,根据三峡电站升水位试验数据,提出了基于BP算法的水轮发电机组监测部件振动人工神经网络预测模型,并给出了具体算法。研究表明,由于建立在翔实的数据基础之上,该模型能够有效预测水轮发电机组监测部件的振动,通过设置合理的报警阈值空间,能够有效地减少机组误报警,提高报警的有效性。     

基于变精度粗糙集的水电机组故障诊断

将变精度粗糙集理论引入水电机组故障诊断中,利用变精度粗糙集属性约简方法对水电机组故障的检测信息进行约简,提取对故障分类起主要作用的信息,并用RBF神经网络对粗糙集处理后的故障信息进行诊断。该方法不仅克服了神经网络对冗余信息和有用信息识别的局限性,有效地降低了神经网络的输入信息空间维数,减小了神经网络规模,还可以弥补经典粗糙集方法对输入信息中的噪声较敏感、抗干扰能力差的不足,进而达到提高诊断准确性的目的。水电机组振动故障实例的诊断分析结果证明了该诊断方法的有效性和优越性。     

人工神经网络在水电机组故障诊断中的应用研究

水电设备状态检修的关键是状态监测和故障诊断。人工神经网络具有分布并行，容错性和记忆功能等特点，用人工神经网络方法进行故障诊断具有明显优势，通过对发电机设备故障诊断的具体应用，证明此方法是有效可行的。     

基于支持向量机的水电机组状态趋势预测研究

趋势预测是水电机组状态监测与故障诊断系统中的重要内容之一,对保障机组安全稳定运行具有重要意义。针对水电机组振动的非线性、非平稳特性,提出将最小二乘支持向量机应用于水电机组振动状态趋势预测;并将该算法应用于某水电机组振动序列峰峰值的预测,与BP神经网络的预测结果的对比表明：最小二乘支持向量机算法更适合于水电机组状态趋势预测分析。     

RBF与GRNN神经网络模型在城市需水预测中的应用

针对需水量预测具有受诸多因素影响的复杂、高维和非线性等特性,本文基于RBF与GRNN神经网络算法原理,构建RBF与GRNN神经网络需水预测模型,将模型应用于城市需水预测中,并与基本BP神经网络模型以及灰色GM(1,1)需水预测模型的拟合、预测结果进行了对比分析.结果表明:①RBF与GRNN神经网络模型有着较高的拟合、预测精度,平均相对误差均在5％以内,表明研究建立的RBF与GRNN神经网络模型应用于需水预测是合理可行的,模型泛化能力强,预测精度高,算法稳定,与基本BP网络算法相比,RBF与GRNN网络模型还具有收敛速度快、调整参数少和不易陷入局部极小值等优点,可以更快地预测网络,有着良好的应用前景.②相对而言,RBF与GRNN神经网络模型预测精度要优于基本BP网络和灰色GM(1,1)模型.     

Matlab仿真平台下大坝位移BP神经网络模型研究

基于人工神经网络的非线性映射能力,应用Matlab7.1网络仿真平台,结合辽宁省白石水库多年大坝位移实测数据,建立了3种不同改进BP算法的多层前馈神经网络模型。并通过LM算法、BR算法、GDX算法的BP网络模型的拟合、预报结果,对3种模型的应用效果进行了比较分析,得出了LM算法的BP网络更适合用于建立坝顶位移监控模型的结论,以实现对大坝位移实时、有效的监控。     

小波神经网络模型在河道流量水位预测中的应用

鉴于BP神经网络学习收敛速度慢、参数选择困难、易陷入局部极值等缺点,提出小波神经网络河道流量水位预测模型,以盘龙河天保站流量水位预测为例进行分析。采用循环算法确定最佳BP神经网络结构,并在相同网络结构及期望误差等条件下,运用GA优化BP神经网络初始权值和阈值,构建传统BP、GA-BP神经网络河道流量水位预测模型作为对比预测模型。结果表明:小波神经网络结合了神经网络与小波分解在函数逼近上的优点,其预测精度高于传统BP和GA-BP网络模型,表明小波神经网络用于河道流量水位预测是合理可行和有效的,可为水文预测预报提供新的途径和方法。且小波神经网络模型具有计算简便、逼近能力强、收敛速度快,能有效避免局部极值等特点,有着广阔的应用前景。     

基于小波神经网络的GPS高程异常拟合模型探究

利用GPS进行高程测量具有很多优越性,高精度地确定高程异常对于用GPS高程测量部分代替普通几何水准测量具有重要意义。依据BP神经网络和小波神经网络的基本原理,利用实验数据证实了小波神经网络模型比BP神经网络模型和文献[6]模型在GPS高程异常拟合中具有更高的精度,说明小波神经网络在GPS高程异常拟合中具有较强的实用性。