基于RBF神经网络和自适应遗传算法的变压器故障诊断

由于变压器故障征兆与故障类型之间具有复杂的非线性关系,采用传统的BP神经网络诊断方法存在收敛速度慢、准确率低和自适应能力差等缺点.针对以上问题,提出了一种基于自适应遗传算法的RBF神经网络故障诊断方法,建立了以变压器的故障特征参数为输入、以主要故障类型为输出的故障诊断模型;将自适应遗传算法和RBF神经网络有机地结合起来,利用自适应遗传算法对RBF神经网络的基函数宽度和中心进行优化,将优化后的RBF神经网络应用于变压器故障诊断.仿真结果表明,该诊断模型加快了网络收敛速度,改善了RBF神经网络的泛化能力,提高了故障诊断正确率,具有良好的实用性.     

粒子群优化RBF神经网络的光伏阵列故障诊断

光伏阵列能否正常工作直接关系到整个光伏发电系统运行的安全性和可靠性。对于光伏阵列故障诊断中传统的BP神经网络诊断算法准确率低、收敛速度慢等问题,提出一种基于粒子群优化RBF神经网络的故障诊断算法。建立以光伏阵列的4种故障特征参数为输入、5种情况为输出的故障诊断模型,对基于粒子群算法的网络模型的自适应权重寻优进行仿真实验。最后,将优化算法与BP神经网络算法以及RBF神经网络算法进行对比。实验结果表明,优化算法不仅可以有效地诊断光伏阵列的故障类型,而且还可以提高故障诊断的准确率。     

基于RBF网络的汽轮发电机组故障诊断

针对电厂汽轮发电机组故障诊断问题,设计了RBF网络故障诊断系统．根据输入特征向量进行RBF网络的学习,并将RBF网络诊断故障的方法成功地应用于汽轮发电机组故障诊断．仿真结果表明：RBF网络比BP网络更稳定,训练误差更小。     

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。     

基于PSO-RBF的航空相机电源板故障诊断技术研究

针对机载航空相机电源板故障率高,传统故障诊断方法技术不足而造成的相机维护难度大的实际问题,提出一种基于PSO-RBF神经网络的电源板故障诊断方法。考虑选取RBF网络训练算法中隐含层节点数和中心参数的难题,采用实用粒子算法约简了RBF神经网络,设计了航空相机电源板故障诊断系统方案,并给出了诊断系统的软件模块和实现方法,实现了从计算机仿真到工程应用的电源电路故障诊断。仿真与实际检测实验结果均表明,系统在不依赖任何标准设备和附加测点时,可对航空相机电源板进行实时、全自动化故障检测,其故障现象的检测覆盖率为100%,故障诊断平均可靠性可达到97.73%,故障器件定位率可达到96.89%。     

基于潮流变化量特征的电网开断故障诊断方法研究

传统的基于保护、开关动作信息的电网故障诊断方法在实际应用中存在误动和拒动。利用SCADA系统采集的电网支路稳态潮流信息作为诊断依据,提出一种电网支路开断故障诊断的新方法,利用支路开断分布因子建立全网支路开断故障模式集,提取电网发生故障后各支路稳态潮流变化量,并运用模式识别算法对电网故障支路进行匹配识别,实现电网开断故障诊断。对某区域电网实例数据进行仿真分析,结果表明:该方法能够有效地对电网支路开断故障进行快速诊断,具有较好的工程实用价值。     

小波包与径向基神经网络的电力电子装置故障诊断

为提高人工神经网络对电力电子装置进行故障诊断的准确性与快速性,提出一种小波包与RBF神经网络相结合并应用于电力电子装置故障诊断的方法。以三相桥式逆变电路为例,对电路的故障信号采用小波包分解,有效地提取出故障特征后利用RBF神经网络进行训练。仿真结果表明,该方法具有更快的收敛速度和更高的诊断精度,能够有效地进行电力电子电路的故障诊断。     

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.     

人工神经网络在电力变压器故障诊断中的应用及仿真

研究了径向基函数 ( RBF)神经网络的模型结构及其在电力变压器故障诊断中的实现方法。通过仿真实验 ,将 RBF神经网络与 BP神经网络的性能进行比较。结果表明 ,RBF神经网络训练速度快 ,逼近误差小 ,能够更有效地解决电力变压器故障诊断问题     

基于振动信号高压断路器故障诊断的仿真研究

基于高压短路器的机械振动信号,研究了一种高压断路器的故障诊断方法,由于高压断路器机械故障的出现,不仅引起振动冲击事件的时移,还会引起时域波形中一些波峰幅值的变化,基于径向基函数网络理论（RBF网络）,将健康振动信号和断路器实际振动信号波峰幅值之差形成的残差以及冲击事件发生的时间作为断路器故障诊断的特征参数,来判断路器是否故障及故障的类型,仿真结果表明,RBF网络故障诊断的方法具有实时性、精度高和鲁棒性,确是一种新颖而有效的方法。     

一种基于Rough集和RBF网络的模拟电路故障诊断方法

提出了一种基于Rough集和RBF神经网络结合的故障诊断方法。该方法针对模拟电路的故障特征,进行粗集约简预处理研究,然后由约简后的属性构造RBF网络。仿真结果表明:在相同的精度要求下,该算法的训练时间远小于普通的进化神经网络,提高了泛化能力,对模拟电路的故障诊断有一定的实际意义。     

基于决策树与脉冲神经膜系统的输电网故障诊断方法

为有效处理电网故障诊断过程的不确定和不完备信息,提出一种基于决策树与模糊推理脉冲神经膜系统的输电网故障诊断方法:首先采用权重网络分割法将电网分割为若干小型子网,再利用决策树算法对原始故障决策表进行训练,并约减故障信息,提取输电网故障产生式规则;然后利用模糊推理脉冲神经膜系统的强大知识并行推理和模糊信息处理能力,建立基于 FRSNPS 的故障诊断模型,实现输电网故障诊断;最后,以 IEEE14 节点标准系统为对象进行仿真实验和分析。实验结果表明,该方法在单类型和多类型故障信息丢失时,依然能够诊断出正确故障元件。     

基于遗传小波神经网络的电网故障诊断方法研究

电网故障中继电保护和断路器的拒动、误动以及信息上传过程中的丢失、畸变等问题使快速、准确的故障诊断仍是一个难题。神经网络方法虽已应用,但神经网络容易陷入局部极小值,针对此情况,提出了基于小波神经网络和遗传算法相结合的故障诊断方法。用遗传算法学习小波神经网络的权值、尺度函数、结构,可以确定用于故障诊断的最优小波神经网络。并对算例进行了仿真,仿真结果表明优化的故障诊断系统优于BP算法的诊断系统,提高了故障诊断精度。     

智能故障诊断技术在核动力装置中的应用研究

核动力装置对系统的安全性能要求较高．为了让操作员在发生故障时,避免产生错误的判断及操作,一种较好的方法是将智能故障诊断技术应用到核动力装置故障诊断系统中．利用粗糙集的数据约简技术提取精简的规则,基于这些规则建立的模糊神经网络具有更好的拓扑结构,学习速度大大提高,容错能力强;RBF神经网络有着良好的局部性能,诊断单个故障的能力要优于模糊神经网络,且网络不用训练,诊断实时性好．将粗糙集理论所构建的模糊神经网络与RBF神经网络相结合,能充分发挥各自的优点．为了验证该方法的有效性,以核动力装置蒸汽发生器U形管破裂等故障为例,进行了仿真实验研究．研究结果表明该邦联网络具有良好的诊断准确性、实时性和可扩充性,得到了预期的效果．     

基于粗糙集—神经网络的三相SPWM逆变电路故障诊断研究

以三相SPWM逆变电路为研究对象，利用MATLAB仿真软件建立故障仿真模型。针对故障诊断中冗余及不完整的信息常使诊断规则误报、漏报的现象，采用粗糙集-神经网络对三相逆变电路进行故障诊断，优化了神经网络结构，提高诊断速度。仿真实验表明该方法取得了良好的故障诊断效果。     

基于纵横交叉算法优化BP神经网络的风机齿轮箱故障诊断方法

风电机组齿轮箱的运行工况比较复杂,容易发生故障. 针对常规BP（Back Propagation）神经网络故障诊断容易陷入局部最优的问题,提出一种基于纵横交叉算法（Crisscross Optimization Algorithm,CSO）优化BP神经网络的风电齿轮箱故障诊断新方法. 考虑到风电齿轮箱振动信号的波动性和非线性,首先从信号中提取故障特征参数,建立带评价因子的误差分析模型,然后通过纵横交叉算法优化BP的权值和阈值对神经网络进行训练,最后用训练好的神经网络对样本进行测试. 经实验仿真并与其他方法的对比,验证了本文方法用于风电机组故障诊断有效性及优越性.     

电网故障诊断的遗传模拟退火算法研究

针对电网出现的复杂故障,如断路器和保护不正常动作或多重故障等情况,结合新的故障诊断优化模型,应用遗传模拟退火优化算法进行故障诊断,寻找使构造的目标函数最小的最优解.将遗传算法和模拟退火算法结合,有效避免了遗传算法过早收敛和模拟退火算法全局搜索较差的缺点,解决了电网故障诊断结果多解和漏解的情况,实现了电网断路器和保护不正常动作的故障诊断.     

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.     

基于QPSO算法的含分布式电源配电网故障诊断

针对含分布式电源的配电网发生故障后,故障电流流向更加复杂,导致传统配电网故障诊断方法适用性变差的问题,本文将故障电流作为馈线终端单元采集的故障信息,构造了新型故障诊断评价函数。同时,以-1,0,1规定故障电流方向,在馈线终端单元上增加方向元件采集故障信号,利用量子粒子群优化算法对评价函数进行求解实现诊断,并通过仿真算例,验证该方法在含分布式电源的配电网故障诊断中的有效性及容错性。仿真结果表明,该算法可准确验证发生故障的区段,不具备关键信息丢失的容错性能,但对于非关键信息丢失或畸变时具有良好的容错性。该研究为含分布式电源的配电网故障诊断提供了新的解决方案,具有一定的应用价值。     

一种基于RBF神经网络的非线性PCA故障检测方法

针对传统PCA(主元分析)故障诊断方法在非线性过程应用中存在的缺点,提出了一种基于RBF(径向基)神经网络的非线性PCA故障检测方法。首先,提出一个由两个RBF网络构成的非线性统计模型,其中第一个网络用于建立输入变量到主元的非线性映射,第二个网络实现逆映射来重构原始数据。其次,用主元曲线算法来解决网络训练数据的获取问题。最后,给出了使用基于RBF网络的非线性PCA方法进行故障检测的步骤,并通过一个三阶非线性系统的仿真实例验证了该方法的有效性。