基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法

提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法。粒子群算法不需要计算梯度,可以兼顾全局寻优和局部寻优。利用粒子群算法对BP网络权值和偏置进行优化,减少了BP神经网络算法陷入局部最优解的风险,提高了神经网络的训练效率,加快了网络的收敛速度。考虑风电齿轮箱振动信号的不确定性、非平稳性和复杂性,提取功率谱熵、小波熵、峭度、偏度、关联维数和盒维数作为故障特征。经测试,算法诊断结果正确,表明了PSO优化BP神经网络用于风电机组齿轮箱故障诊断的有效性和实用性。     

基于改进弹性BP算法神经网络转子故障诊断

为精确诊断转子故障,以转子故障模拟实验台的实测数据为研究对象,采用基于小波包能量特征向量提取的信号特征值作为网络的学习样本,采用改进弹性BP算法训练网络研究转子的振动状态。为神经网络在转子故障诊断领域更深入广泛的应用提供可参考的思路和方法。     

基于BP神经网络的燃气轮机冷热部件故障诊断

为解决燃气轮机故障诊断中可测参数难以直接反映机组故障状态的问题,在分析燃气轮机冷热部件组成和故障判据的基础上,提出利用小偏差方程建立并求解燃气轮机故障数学模型,并结合故障判据寻找可测参数与性能参数的关系,确立从可测参数到性能参数,再到故障原因的诊断思路。另外,将BP神经网络作为故障诊断工具,通过向网络中输入8个机组可测参数来实现智能故障诊断,为燃气轮机的快速精确诊断提供了可参考的思路和方法。     

基于BP神经网络的水电站电气设备故障诊断

阐述BP神经网络应用在水电站电气设备故障诊断中的目的,通过查阅文献并结合专家经验,构建了电气设备的故障诊断知识库,并建立神经网络模型。最后,以一个故障诊断实例进行具体分析,验证BP神经网络的可行性与优越性。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

基于改进的BP神经网络学习算法的变压器故障诊断

电力变压器的故障除了给其自身带来重大损失外,还对电力系统的安全造成很大影响。利用BP神经网络对变压器故障进行诊断,针对BP神经网络学习率的缺点,提出了一种跟踪型自适应学习率的确定方法,该方法仅需整定一个参数,有效地提高了BP神经网络的收敛性和训练时间,进而通过构建变压器故障诊断训练样本集,验证了该方法的可行性,获得了更精确的诊断结果。     

基于粒子群混合算法的风力发电机齿轮箱故障诊断

针对传统方法在风力发电机齿轮箱故障诊断中存在精度不高的问题,引入了一种改进粒子群算法优化神经网络的方法。该算法的惯性权重可进行自适应调整,以平衡全局和局部搜索能力。同时,收缩因子可加快算法的收敛速度,以更快收敛到全局最优。仿真结果表明,该方法能较好地识别故障模式,具有一定的实用性。     

基于改进人工蜂群算法的Elman神经网络风机故障诊断

在风机齿轮箱故障诊断过程中,针对由于故障数据稀疏导致模型建立困难的问题,提出一种使用改进人工蜂群算法(IABC)优化Elman神经网络的故障诊断模型。该模型通过建立齿轮箱正常状态下的温度模型,采用残差分析,得到齿轮箱的故障状态,降低了建立模型的复杂度。采用IABC对Elman神经网络的相关参数进行优化,解决了Elman网络收敛速率慢、易陷入局部最优的问题。在IABC算法中,观察蜂阶段采用动态搜索策略,实现搜索能力和开发能力的平衡;在侦查蜂阶段,通过引入混沌变量扰动,增大种群多样性,进而达到全局最优。通过华北某风电场历史数据进行实验,结果表明,IABC与Elman神经网络的结合可对风机齿轮箱故障状态进行识别,且诊断正确率较高,可应用于实际故障诊断。     

基于SCADA数据特征提取的风电机组偏航齿轮箱故障诊断方法研究

针对风力发电机组偏航系统故障处理难度大和危害严重等问题,开发出基于数据采集与监视控制(SCADA)数据的偏航齿轮箱神经网络诊断模型.利用ReliefF算法和核密度-均值法提取能反映出偏航齿轮箱运行工况的7个SCADA参数,并提取出6种故障特征指标作为神经网络诊断模型输入量,来诊断偏航齿轮箱的正常状态、磨损故障以及断齿故...     

基于小波包特征向量弹性BP算法的故障诊断

为精确诊断转子故障,采用了基于小波包能量特征向量的弹性BP神经网络和最速下降BP算法神经网络的故障诊断方法,对采集到的信号进行3层小波包分解,构造小波包特征向量,对样本进行3层BP网络训练,实现智能化故障诊断。结果表明采用改进的BP算法优于最速下降BP算法,训练的网络可以很好地诊断转子故障。     

基于果蝇优化算法的GRNN模型在边坡稳定预测中的应用

鉴于边坡系统是一个复杂的多因素影响的非线性系统,综合考虑边坡的物理状态和环境因素,采用了一种基于果蝇优化算法(FOA)的广义回归神经网络(GRNN)模型(FOAGRNN)预测边坡的稳定状态,并与BP神经网络预测模型结果进行比较。结果表明,FOAGRNN预测的精度较高,基本反映了边坡稳定的真实状态。     

基于BP网络的故障诊断方法及其在电站中的应用

电站机组可能会发生各种故障，有些故障没有明显征兆。为能诊断这类故障，需要新的方法。提出了根据当前技术条件下可以测量到的参数，而不一定是故障特征参数，进行故障诊断的思路。介绍了BP人工神经网络的结构和学习方法，提出了基于BP网络的模式识别能力，建立电站性能监测与诊断系统的新思路和方法。利用该方法，对电站设备性能下降故障的程度进行了成功诊断。图2表2参3     

粒子群优化神经网络在高压断路器机械故障诊断中的应用

提出了一种以振动信号小波包特征熵为特征向量的高压断路器机械故障诊断的智能算法,该算法利用小波包分解原理将高压断路器振动信号分解到不同的频段中,计算各频段的能量熵值,并将其作为神经网络的输入向量,同时利用粒子群算法对神经网络进行优化,以提高故障诊断的精度。试验结果表明：该方法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传统神经网络算法,适用于高压断路器机械故障诊断     

基于BP神经网络的超临界对冲火焰锅炉飞灰含碳量预测分析

飞灰含碳量是反映燃煤锅炉机组燃烧效率的重要技术指标和运行经济指标,同时也影响锅炉的安全运行。超临界对冲火焰锅炉由于掺烧劣质煤,经常出现飞灰含碳量偏高的现象。本文以660MW超临界对冲火焰锅炉为研究对象,将影响飞灰含碳量的负荷、煤粉细度等十个运行参数作为输入量,应用BP神经网络的非线性动力学特性和自学习能力,建立了飞灰含碳量预测模型。经网络预测,与实际值的误差小于5.48%。在预测模型的基础上,对飞灰含碳量影响因素进行单因素影响规律分析。预测和分析结果表明,本模型方法能有效提取各参数对飞灰含碳量的影响规律,可用于锅炉飞灰含碳量的分析、预测和优化调节。     

基于异构粗糙神经网络集成的故障诊断研究

将粗糙集与神经网络集成相结合,提出一种基于异构粗糙神经网络集成进行故障检测的方法。首先利用粗糙集的属性约简能力,从给定数据集中去除冗余信息;然后基于负相关学习理论构造多个异构成员神经网络,最后组合多个训练好的异构神经网络进行故障诊断。该方法不仅显著提高了神经网络的泛化能力,而且无需预先确定神经网络的拓扑结构,简单易用。设计了四种不同的诊断器在柴油机供油系统的标准样本集上进行的诊断测试实验,结果表明,基于异构粗糙神经网络集成的故障诊断方法具有最好的诊断正确率。     

基于小波包能量特征向量神经网络的旋转机械故障诊断

为精确诊断旋转机械的故障,提出一种基于小波包特征向量的神经网络故障诊断方法。用转子台信号模拟旋转机械故障,并对采集到的信号进行3层小波包分解,构造小波包特征向量,并以此为故障样本对3层BP网络进行训练,实现智能化故障诊断。实验结果表明训练好的神经网络能够很好地诊断出转子台故障类型,为旋转机械的故障诊断提供了新方向。     

基于小波神经网络的旋转机械故障诊断

研究了小波变换与人工神经网络结合起来应用于旋转机械故障诊断的问题。通过选择合适的参数，对故障信号功率谱进行小波分解，简化了故障特征向量的提取。建立了基于小波变换和BP网络的混合诊断模型，成功地实现了对故障的智能诊断。     

基于优化PSO-RBF的柴油机故障诊断方法

针对传统RBF算法收敛速度慢,易于陷入局部极值的问题,提出了一种经优化的粒子群算法PSO,对RBF神经网络粒子群的改进参数、权值线性递减参数和标准参数进行训练寻优,构建出最优PSO-RBF神经网络,并将其用于柴油机的故障诊断预报。对MAN B&W 6L23/30H柴油机三种不同工况下第一缸试验参数的训练表明:改进的PSO-RBF神经网络在柴油机故障诊断中判别率更高,故障诊断的准确性与可靠性得到提高。     

多层传递函数的量子神经网络在汽轮机故障诊断中的应用

针对汽轮机故障分类边界的模糊性和故障模式之间存在交叉数据的诊断不确定问题,将多层传递函数的量子神经网络用于汽轮机发电机组的故障诊断,提出了量子神经网络的学习算法.以某热电厂汽轮机组被确诊的不对中故障为例,证明了这一方法的有效性.