基于SA-PSO优化自适应PNN网络的变压器故障诊断研究

概率神经网络中反映整个样本空间的平滑因子σ常以经验取值,缺乏足够的理论依据;对此提出一种自适应概率神经网络变压器故障诊断模型,针对作为自适应概率神经网络的激励函数的高斯函数,采用基于模拟退火思想的改进粒子群算法(SA-PSO)优化其平滑因子σ,从而提高概率神经网络诊断的识别率;通过搜集到92组故障数据进行仿真分析,其结果表明引入模拟退火过程后,粒子群算法的局部搜索能力得到了改善,并且使得SA-PSO算法优化下的自适应概率神经网络相对于单一PSO算法在变压器故障的诊断准确率上得到了较大程度的提高,从而保证变压器的安全可靠运行。     

免疫粒子群优化RBF神经网络的变压器故障诊断

电力变压器运行的可靠性直接关系到电力系统的安全性及供电的可靠性。为提高变压器内部绝缘故障诊断的准确率,通过分析变压器油中溶解气体组分含量和变压器内部绝缘故障,提出了一种免疫粒子群优化RBF神经网络的变压器故障诊断算法。介绍了基于人工免疫网络算法确定RBF网络隐层中心数目和初始位置的方法,以及基于粒子群算法优化RBF网络权重的方法。仿真结果表明,该算法能有效诊断变压器故障类型,提高故障诊断的准确率。     

基于优化神经网络的变压器故障诊断方法研究

传统基于反向传播（BackPropagation,BP）神经网络的电力变压器故障诊断方法正判率较低,本文利用粒子群算法优化神经网络算法进而对变压器故障诊断展开研究。具体做法是在电力变压器油的气体分析过程中采用优化后的神经网络方法进行故障诊断,其中优化算法为邻域粒子群算法,将经过采集、归类、预处理后的变压器油气体相关数据输入优化后的BP神经网络,利用网络进行充分优化与训练,完成电力变压器的故障类别诊断。案例分析结果显示本文基于神经网络的变压器故障诊断方法提高了故障类别诊断的正确率。     

一种基于模糊神经网络的变压器故障诊断方法

本文介绍了一种基于模糊神经网络的变压器故障诊断方法，它是将BP神经网络和模糊数学的理论应用到传统变压器故障诊断方法中，有效地解决了变压器故障诊断的复杂性和模糊性，从而提高网络诊断能力。     

可拓神经网络在变压器故障诊断中的应用

可拓神经网络是一类新的神经网络,它结合了可拓学理论和人工神经网络技术。可拓神经网络已经在模式识别、故障诊断、分类聚类等领域有了成功的应用。针对变压器故障诊断的特点,提出一种基于可拓神经网络的电力变压器故障诊断方法。介绍了可拓神经网络;构造了基于可拓神经网络的故障诊断模型和算法设计,并将其应用到电力变压器的诊断识别;通过仿真实验验证了该方法简单易行、训练误差小、收敛时间快等优点。该方法具有一定的应用及推广能力。     

一种滚动轴承故障诊断方法

针对基于支持向量机的滚动轴承故障诊断方法中支持向量机的参数优化问题,提出一种改进的果蝇优化算法,即以模式分类准确率作为果蝇味道浓度函数,并采用该算法来优化支持向量机模型的惩罚因子和核函数参数;基于改进果蝇优化算法和支持向量机对滚动轴承的故障模式进行分类诊断,结果表明改进的果蝇优化算法具有较高的收敛速度和寻优效率,基于该算法和支持向量机的滚动轴承故障诊断方法具有较高的分类准确率。     

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.     

基于神经网络的钢琴击弦机故障排除方法研究

针对传统钢琴击弦机故障诊断方法准确率低,导致机械故障排除效果不佳的问题,提出基于改进果蝇算法优化BP神经网络的故障诊断方法。基于果蝇算法FOA加入混沌映射、动态搜索半径策略和优化气味浓度判定公式,得到改进的UFOA算法;然后利用UFOA算法优化BP神经网络,并构建基于UFOA-BP的击弦机故障诊断模型;最后获取钢琴击弦机械故障数据,并通过小波包分解法进行故障数据特征提取。将本模型应用到数据集中进行实验发现,相较于未优化的BP神经网络,提出的UFOA-BP模型的故障预测误差绝对值仅为1.01和0.61,通过UFOA算法提升了BP神经网络的预测精度。且在单弦和多弦故障诊断中,对比于其他诊断模型,本模型的故障诊断准确率分别提升了7.75%、10.08%和7.19%、9.05%。由此说明,通过本模型可提升钢琴击弦机故障诊断率和排除效果。     

基于神经网络的变压器故障诊断方法研究

针对概率神经网络(PNN)模型强大的非线性分类能力,PNN能够很好地对变压器故障进行分类;文章通过对PNN神经网络的结构和原理的分析,应用PNN概率神经网络方法对变压器故障进行诊断;通过实例仿真表明,PNN网络的训练时间比BP网络少,比之预测准确度也要高,而且还具有高度的泛化能力,这使得PNN网络可以有效地运用到变压器故障诊断中,具有一定的可操作性。     

基于遗传算法小波神经网络的电力变压器故障诊断

本文提出了一种基于遗传算法小波神经网络的变压器故障诊断方法。首先构造了基于Mexicohat小波的小波神经网络,其次利用遗传算法优化小波网络的参数,并将其应用到基于溶解气体分析的变压器故障诊断中,最后通过实例证明了本方法的有效性和可行性。     

基于FOA优化GRNN的船用柴油机涡轮增压系统故障诊断

为了及时有效的发现并排除船用柴油机涡轮增压系统的故障,文中采用果蝇优化算法（FOA）对广义回归神经网络（GRNN）的分布密度SPREAD进行优化选取,提出了一种果蝇优化算法和广义回归神经网络相结合的故障诊断新方法。收集某型号船用柴油机的样本集,采用相同的训练样本分别对FOA优化GRNN和RBF神经网络进行训练,并用相同的测试样本对以上两种模型进行验证。结果表明,与RBF神经网络故障诊断方法相比,FOA优化GRNN对柴油机涡轮增压系统故障模式的识别准确率更高。     

基于CVFOA-GRNN的飞机液压系统的故障诊断研究

针对飞机液压系统故障具有随机波动性和非线性的特点,基于仿真获取故障和正常数据建立液压系统故障诊断模型.因果蝇优化算法(FOA)寻优易陷入局部最优,改进果蝇优化算法的初始值散列方式和寻优步长,构建混沌变步长果蝇优化算法.通过改进的果蝇优化算法优化广义回归神经网络(GRNN),提高GRNN的非线性学习能力,最终构建CVFOA-GRNN (chaotic variable step size fruit fly optimization algorithm GRNN)模型.实验表明相比FOA-GRNN、GRNN和BP模型,本文模型在性能上更稳定、收敛更快,应用于液压系统故障诊断准确度更高,具有实用价值.     

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.     

基于WPT和FOAGRNN的模拟电路故障诊断

为提高对模拟电路故障模式的准确分类和减少网络模型的训练时间,提出基于小波包变换(WPT)和果蝇算法(FOA)优化广义回归神经网络(GRNN)的模拟电路故障诊断方法。首先采用小波包变换提取电路优质故障特征,以减少网络训练时间,然后建立GRNN网络模型,选择FOA算法优化GRNN网络参数,构建最优模型对电路故障特征进行训练测试,最后采用仿真测试其性能。实验结果表明,FOA算法有效提高诊断模型训练效率,相比于其它电路故障诊断模型,FOAGRNN模型具有更高的诊断率和优越性。     

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SQP局部搜索的多子群果蝇优化算法

针对基本果蝇优化算法在寻优过程中种群多样性降低导致算法易陷入早熟收敛的问题,提出了基于序列二次规划（SQP）局部搜索的多子群果蝇优化算法（MFOA-SQP）。新算法将果蝇种群均匀划分为多个子群,并引入粒子群算法中的惯性权重和学习因子,协同调节果蝇移动方向和步长;每隔一定迭代次数重新划分子群,避免种群单一化,使算法更易跳出局部最优;对子群最优个体进行SQP搜索,提高局部寻优性能。通过6个测试函数和优化广义回归神经网络对银行客户进行分类的实验结果表明,算法在寻优精度和速度方面性能优越,能够有效提高广义回归神经网络的分类准确率。     

基于柯西-高斯动态消减变异的果蝇优化算法研究

针对果蝇优化算法易陷入局部极值收敛速度减慢的不足,结合柯西变异和高斯变异的各自优点,提出了变异效能系数和柯西-高斯动态消减变异因子等概念,进而提出了一种柯西-高斯动态消减变异方法,将该方法应用于改进果蝇优化算法,提出了一种基于柯西-高斯动态消减变异的果蝇优化算法。该算法兼顾了全局探索和局部开发两个特性,丰富了种群的多样性,有效地消除了易陷入局部极值的弊端,提高了算法的收敛速度。仿真实验采用经典函数用例和实际工程用例进行验证,结果表明该算法的求解速度和精度更高,稳定性更好。     

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。     

一种用于PID控制参数优化的混合果蝇算法

针对果蝇优化算法（ FOA）收敛速度快但寻优精度低的缺点,为了改善果蝇算法的优化性能,提出一种混合果蝇优化算法（ HFOA）。HFOA采用分段优化的思想,在优化过程后期采用收敛稳定性较好的粒子群优化（ PSO）算法优化果蝇算法中果蝇个体飞行距离和味道浓度的判定值,采用误差性能指标积分准则ITAE作为适应度函数,并将优化方案应用于一类不稳定系统的PID控制。Matlab仿真验证表明：HFOA计算高效,具有良好的稳定性,收敛精度高,进而验证了HFOA应用于PID控制参数优化是可行而有效的。