基于遗传算法优化BP神经网络的GIS设备放电故障诊断

为有效GIS设备放电故障诊断的快速性和准确性,采用近几年出现的遗传算法对BP神经网络进行优化,减少了BP神经网络算法陷入局部最优解的风险,显著增强了BP神经网络的泛化能力和全局寻优能力。对比发现,遗传算法优化后的BP神经网络模型具有比较好的快速性和准确的诊断能力。测试结果表明,遗传算法优化BP神经网络对GIS设备放电故障诊断具有可行性和有效性。     

基于混合神经网络和遗传算法的故障诊断系统

故障诊断对于事故后快速恢复具有重要意义。多种人工智能技术在其中得以应用, 然而快速、准确的故障诊断仍是一个悬而未决的难题, 尤其在保护和断路器不正常动作或多重故障的情况下, 故障诊断更为困难。提出了一种基于神经网络 (ANN) 和遗传算法 (GA) 的故障诊断方法, 它采用三层前向神经网络执行诊断功能, 双重 GA循环优化该神经网络的结构和连接权重。第一重 GA循环用于优化神经网络结构, 第二重 GA循环进一步优化神经网络的连接权重。两重 GA循环可以搜索确定用于故障诊断的最优神经网络。有关的数学模型和算法流程在文中作了详细介绍。以4-母线简单电力系统为例, 进行了计算机仿真计算。结果表明, 基于混合神经网络和遗传算法的故障诊断系统优于传统的BP神经网络, 可以较好地解决故障诊断问题。     

基于神经网络与遗传算法的汽轮机组数据挖掘方法

针对当前专家系统知识获取瓶颈的难题,提出了基于神经网络与遗传算法的汽轮机组数据挖掘方法。将汽轮机组历史故障数据首先进行模糊化及离散化处理,接着构造一个多层的前向神经网络,然后通过教师示教的方式训练构造好的神经网络,最后进行基于遗传算法的神经网络优化。以神经网络为知识本体,提出了汽轮机组故障诊断分类规则的挖掘算法,其实现过程有4个步骤:计算效果度量矩阵;提取规则;计算规则权重;基于遗传算法的规则修剪。实现了基于神经网络与遗传算法的汽轮机组数据挖掘和故障诊断仿真系统,其诊断正确率达到了84%。     

基于改进遗传小波网络的电机故障诊断研究

用频谱分析方法提取了无刷直流电动机的正常工作状态和几种常见的故障(位置传感器一路故障、A相绕组断路故障和驱动开关断路故障)时的特征信号,进行了诊断算法研究,提出了用改进遗传算法优化小波神经网络参数的调整过程,并用改进遗传小波神经网络对无刷直流电动机进行故障诊断。仿真结果表明,与经典遗传小波神经网络、小波神经网络和BP神经网络等方法进行比较,该方法在无刷直流电动机故障诊断中具有更快的收敛速度和更高的诊断精度。     

基于遗传算法异步电动机转子故障诊断研究

为了能够有效地对异步电动机转子进行故障诊断,深入地研究遗传算法在异步电动机转子故障诊断中的应用。首先,对传统的遗传算法进行了改进。其次设计了基于遗传算法的异步电动机转子故障诊断的神经网络。最后,进行实际的异步电动机转子的故障诊断,验证结果表明该方法具有准确、便捷的优点。     

基于GA优化BP神经网络的液压钻机故障诊断

针对BP神经网络应用于故障诊断时存在着收敛速度慢、易陷入局部最小值等问题,提出了一种基于遗传算法(GA)优化BP神经网络的液压钻机故障诊断方法.利用GA的选择、交叉和变异操作优化BP神经网络的权值和阈值,提高网络训练的收敛速度.根据液压钻机工况参数提取的特征信号,进行归一化处理建立样本,利用训练样本对网络进行训练,根据训练结果进行故障诊断.仿真结果表明,GA优化的BP神经网络迭代次数少,收敛速度快,能够对测试样本进行有效地分类,故障诊断正确率高.     

改进的基于遗传优化BP神经网络的电网故障诊断

BP神经网络具有良好的自学习、自适应和泛化能力,但运算过程中容易陷入局部极小值,同时隐含层节点数的选择也影响着诊断的效果。文中根据经验公式缩小隐含层节点数范围,在小范围里寻找最优的隐含层节点数。根据遗传算法具有全局寻优的特点,用遗传算法优化BP神经网络训练的初始权值阈值,可以避免BP神经网络陷入局部极小值的问题。结合两种方法对电网进行故障诊断,实例分析表明该方法可以准确有效地诊断出电网故障位置,提高电网故障诊断的容错性。     

一种改进的小波神经网络应用于电动机故障诊断

对基本的小波神经网络进行改进,用遗传算法取代传统的梯度下降法,对小波神经网络中的初始参数进行全局优化.将经过改进的小波网络应用于电动机的故障诊断,并对5组电动机故障数据进行验证.实验结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了此方法应用于电动机故障诊断的正确性和有效性.     

小波消噪和改进神经网络相融合的模拟电路故障诊断

为了提高电路故障诊断的正确率,提出一种小波消噪和改进神经网络相融合的模拟电路故障诊断模型。首先采用小波分析电路状态信息进行消噪并提取电路特征,然后采用遗传算法优化神经网络建立电路故障诊断模型,最后采用仿真实验测试其性能。实验结果表明,相对于其他电路故障诊断模型,该模型不仅提高了电路故障诊断的正确率,而且加快了故障诊断的速度,具有更高的实际应用价值。     

基于移民算子遗传BP神经网络的模拟电路故障诊断

针对传统BP神经网络实现模拟电路故障诊断时存在的缺陷:容易收敛于局部最优值且训练时间过长等,提出了利用遗传算法(GA)优化的BP神经网络来对模拟电路进行故障诊断的方法.实验结果证明,优化后的BP网络可有效地避免收敛于局部最优值,大大地缩短了训练时间.同时为了提高遗传优化的收敛速度和精度,避免"早熟"现象,本文提出了一种引入移民算子的遗传算法,仿真结果表明了该算法的有效性.     

基于RBF神经网络的凝汽器故障诊断研究

针对BP网络的训练收敛速度慢,网络初值对学习性能影响比较大的缺陷,提出了一种基于RBF神经网络的故障诊断方法。介绍了RBF的网络结构和训练方法,并应用于凝汽器故障诊断中。通过对现有凝汽器运行中常见的典型故障及征兆集的分析,建立了完备的学习样本。通过实例证明,RBF网络训练速度快,分类性能良好,在故障诊断领域具有很好的实用性。     

凝汽设备模糊神经网络故障类别诊断模型

火电厂汽轮机凝汽设备故障较多，且故障原因复杂。在对凝汽设备故障类别详细分析的基础上，建立了基于模糊神经网络的凝汽器故障类别诊断模型。该模型结合了模糊逻辑与人工神经网络(ANN)的优点，采用了先进的批处理自适应变尺度优化学习算法(MDFP)，减少了计算工作量，使故障诊断迅速，准确。仿真试验表明，模型故障类别诊断效果良好。     

基于模糊神经网络的凝汽器故障诊断研究

采用模糊神经网络进行凝汽器的故障诊断。根据某电厂的运行规程及运行经验构造了进行凝汽器故障诊断所需的全部17个隶属函数,利用这些隶属函数可以对各个输入进行模糊化处理,使之成为量化输入。对模糊BP网络进行训练,可以得到模糊BP网络的知识库结构。在此基础上,对一个凝汽器实际故障进行了诊断,得出了令人满意的结果。     

基于改进粒子群算法的小波神经网络在变压器 故障诊断中的应用

针对变压器故障征兆和故障类型的非线性特性,结合油中气体分析法,设计了一种改进粒子群算法的小波神经网络故障诊断模型。模型采用3层小波神经网络,并用一种改进粒子群算法对其进行训练。该算法在标准粒子群算法的基础上,通过引入遗传算法中的变异算子、惯性权重因子和高斯加权的全局极值,加快了小波神经网络训练速度,提高了其训练的精度。仿真实验证明这种改进粒子群算法的小波神经网络可以有效地运用到变压器故障诊断中,为变压器故障诊断提供了一条新途径。     

基于神经网络的数字电路多故障测试生成算法

针对数字电路中多故障测试生成效率较低的问题,提出了基于神经网络的数字电路多故障测试生成算法。依据故障转换方法把数字电路多故障测试生成问题转换成为单故障测试生成问题,采用神经网络的方法对单故障电路构造故障的约束网络,通过使用遗传算法求解故障约束网络能量函数的最小值点获得故障的测试矢量。在ISCAS’85国际标准电路上的实验结果表明,故障平均测试生成时间在0．017s以下,故障覆盖率在96％以上。与其他算法相比,测试生成效率明显提高。     

改进的双向联想记忆网络在凝汽器故障诊断中的应用

在确立凝汽器典型故障知识库的基础上,应用双向联想记忆(BAM)网络对凝汽器进行故障诊断.网络学习算法采用强化系数的多重训练算法.在该算法的作用下,BAM网络将被强化矢量对存储在以此矢量对为中心的Hemming距离为1的邻域里的能量最小点,从而保证矢量对的正确联想.设计了诊断模型,实现了对凝汽器典型故障的诊断,并分析了该模型在实际应用中可能出现的问题.     

基于遗传算法与BP神经网的风力发电机齿轮箱故障诊断研究

为研究风力发电机组齿轮箱故障的诊断方法,提高其工作的可靠性,将BP算法寻优具有精确性与遗传算法全局寻优的优点相结合,提出一种新的BP神经网训练算法。通过算法比较和实例分析表明,该算法在风力发电机组齿轮箱故障诊断领域具有良好的实用性。     

基于AGA优化RBF神经网络的矿井通风机故障诊断

针对径向基神经网络(RBF)用于故障诊断时存在收敛速度慢、诊断结果准确率低等问题,提出了一种基于自适应遗传算法(AGA)优化RBF神经网络的矿井通风机故障诊断方法.采用AGA对RBF神经网络的隐含层节点数、隐层基函数的中心和宽度进行优化,以此提高RBF网络的泛化能力.通过大量收集和整理工作形成样本集,使用训练样本训练RBF网络,根据网络输出结果对通风机故障进行诊断.仿真结果表明,相较于RBF神经网络,AGA优化的RBF神经网络收敛速度更快,迭代次数更少,能够有效识别通风机故障类型,诊断结果准确率更高.     

基因多点交叉遗传算法在变压器故障诊断中的应用

文中提出了一种基因多点交叉遗传算法,设计了基于该遗传算法、自动调整网络参数、连接权重和偏差的最优神经网络,建立了一套集溶解气体分析(DGA)技术、遗传算法和神经网络为一体的变压器故障诊断系统.由于基因多点交叉遗传算法的全局搜索能力和神经网络的高度非线性映射属性,文中的故障诊断系统能够较好地自动识辨变压器油中溶解气体与故障的对应关系,离线试验和现场运行结果表明,该诊断系统对变压器的过热、放电和受潮等故障诊断有一定的准确性.