基于KPCA和KFCM集成的汽轮机故障诊断

为了提高汽轮机故障诊断的正确率和鲁棒性,提出一种基于核主元分析(KPCA)和模糊核聚类(KFCM)集成的汽轮机故障诊断方法.该方法针对汽轮机故障数据高维非线性的特点,采用核主元分析方法对故障数据进行特征提取,提高了神经网络的学习效率和精确度.然后由训练样本集相互独立地训练出多个神经网络,对其编号并按顺序将网络输出构成输出矩阵,再采用模糊核聚类算法对输出矩阵进行分析并对所有个体网络归类,计算所有类别中每个网络在独立验证样本集上的泛化误差,最后分别选取每个类别中泛化误差最小的个体网络作为这一类的代表进行相对多数投票法集成.实验结果表明,即使在学习样本较少的情况下,该方法也能取得较好的故障诊断效果.     

基于非线性主元分析和概率神经网络的凝汽器故障诊断方法研究

该文提出了一种基于两个神经网络的凝汽器故障诊断方法.首先使用非线性主元分析神经网络进行特征提取,降低数据维数,既简化了诊断过程,又确保故障诊断精度.随后使用概率神经网络获取最终的故障诊断结果,该神经网络训练速度快,而且容易添加新的训练样本.最后将提出的方法用于某汽轮机组凝汽器故障诊断中,测试结果表明该方法行之有效,且易于工程实现.     

基于遗传神经网络的汽轮发电机组故障诊断研究

讨论了汽轮机故障诊断中的特征提取、数据处理和遗传神经网络结构。诊断系统的核心即神经网络分类系统可根据征兆区分不同故障。由于事先不知道故障征兆关系 ,所以诊断系统应有学习功能 ,基于遗传神经网络可满足这种要求。基于此提出的新故障诊断方法并应用汽轮发电机组故障诊断中 ,诊断结果与实际相符 ,从而验证了该方法的有效性和实用性     

基于小波神经网络的电网故障诊断研究

分析了小波神经网络的基本原理,将小波神经网络引入到电网故障诊断并在4母线系统进行了测试.仿真结果表明,该方法具有很好的故障诊断能力,与基于BP神经网络的电网故障诊断方法相比,基于小波神经网络的电网故障诊断方法原理简单、诊断效果更为理想.     

智能故障诊断集成系统的研究

阐述了专家系统及神经网络用于故障诊断时集成的必要性,归纳了常见的专家系统与神经网络的集成结构及方法,总结了基于事例推理的优越性。采用嵌入式结构,将基于事例推理与ＢＰ神经网络相结合,提出了一种智能故障诊断新方案,对此方案进行了论证,详细介绍了方案的各个组成部分及实现方法。最后将该方法应用于某液压能源系统的故障诊断中,结果令人满意。     

灰色理论PNN和D-S集成的汽轮机组故障诊断

汽轮机组发生故障的原因多且复杂,若是仅采用单一的故障诊断方法进行故障诊断,可能会存在误诊或漏诊的问题.为了解决此类问题,同时为了提高故障诊断的可靠性,所以引入D-S理论进行融合故障诊断.针对汽轮发电机组故障的特点,提出了一种基于灰色理论-PNN(概率神经网络)和D-S理论集成的故障融合诊断策略.该策略先采用灰色理论和P...     

基于神经网络的高压加热器故障诊断系统

提出了一种基于神经网络的高压加热器故障诊断方法,该方法具有较强的故障模式识别能力,为汽轮机高压加热器故障诊断的精确化、自动化、科学化提供了一种有效的方法。     

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%。     

基于神经网络的凝汽器故障诊断系统

凝汽器是汽轮机的一个重要的辅助设备，本文提出了一种基于神经网络的凝汽器故障诊断方法，该方法具有较强的故障模式识别能力，为凝汽器故障诊断的自动化、科学化提供了一种有效的方法。     

基于粒子群神经网络的汽轮机故障诊断

提出了一种基于粒子群优化神经网络的进化神经网络模型（PSO-ANN）。在实例研究中,该模型被应用于汽轮机故障诊断中。与传统BP网络诊断结果相比,本文的方法具有运算效率高、收敛速度快的特点,是一种有效可靠的新型故障诊断技术。     

基于小波去噪-KPCA神经网络的光伏功率预测方法

为了提高光伏发电功率的预测精度,提出了一种基于小波去噪/聚类/核主成分分析(KPCA)神经网络的光伏发电功率预测方法。首先,应用二维小波阈值去噪法预处理光伏出力数据;然后,应用k-means算法将预测模型分为4种不同模式下的子预测模型;引入KPCA对输入空间降维重构,利用粒子群优化(PSO)神经网络算法建立基于聚类/KPCA/神经网络的光伏发电功率预测模型。采用某光伏电站的实例数据进行预测分析,结果表明该模型实现了不同模式下的光伏出力较为精准的预测,显示出良好的预测性能,验证了预测模型的可行性和有效性。     

PCA和Elman网络在移动学习策略分类中的应用

针对传统的大学生英语移动学习策略分类方法准确率较低的情况,提出了一种主成分分析（PCA）和Elman神经网络相结合的分类模型。首先,用PCA对所获得的移动学习策略原始数据作数据降维处理,提取前5个主成分,建立新的特征样本矩阵,再对Elman神经网络进行训练和泛化能力测试。仿真结果表明：单一的BPNN分类准确率为70.0%,单一的Elman网络分类准确率为80.0%,PCA Elman网络分类准确率为100.0%,PCA Elman网络模型简化了单一Elman网络的结构,提高了网络的训练速率、分类准确率和泛化能力,验证了所提出的模型的有效性。     

基于AdaBoost-Elman算法的锂离子电池荷电状态估计方法

工作状态下的电池是一个动态的非线性系统,基于数据驱动的机器学习是锂离子电池SOC估计建模的一类重要方法,其中基于神经网络的学习方法是典型代表.针对单一前馈型神经网络(如BP神经网络)预测过程中存在泛化能力低、局部极小化、预测精度低及动态性不足等问题,提出基于AdaBoost-Elman算法的锂离子电池SOC估计方法.该...     

机器人逆动力学神经网络建模

针对神经网络逆动力学模型用于前馈控制的网络泛化能力问题,通过对实际机器人的仿真实验,分析了前馈神经网络学习的机理,对神经网络训练过程中的数据采样环节进行了改进,提出了在状态空间域中进行数据筛选和处理的神经网络学习方法。通过二自由度机器人运动仿真实验表明,该方法提高了模型泛化能力,有利于实时动力学前馈控制方法的实用化;与传统PID控制相比,该神经网络模型进行动力学前馈控制能大幅度减少动态误差,改善了系统稳定性。     

基于IPSO-BPNN算法的开关磁阻发电机实验建模

文章实现了一种利用改进的粒子群算法优化BP神经网络(IPSO-BPNN)的建模方法,建立了SRG的非线性模型.该方法利用了BP神经网络较强的非线性处理能力和逼近能力,改进粒子群算法的引入克服了BP神经网络容易陷入局部最优及初值敏感的缺点.建模的实验数据采用间接测量法采集,分为训练样本与测试样本两个集合.建模效果表明IPSO-BP神经网络的泛化能力很强,可以近乎完美地表达SRG的磁链和转矩特性.     

遗传算法和神经网络结合的PSD非线性校正

针对光电位置传感器(PSD)检测系统在大坝变形观测中所呈现的非线性问题,建立改进的遗传算法和LM-BP神经网络结合的模型,对PSD的非线性进行补偿?该方法先用遗传算法对LM-BP网络的权阈值进行优化后再用LM-BP网络逼近任意非线性函数的特点对实际位置数据与理想值进行拟合后并进行测试,经过多次任意产生的种群优化后选择较为优秀个体作为神经网络的和阈值,并对任意位置进行校正,仿真结果表明,该方法克服了LM-BP网络对初始权阈值的依赖和泛化能力弱的特点,多次实验平均误差都小于1%,其泛化能力优于标准的遗传算法和神经网络结合的模型。     

基于Dropout优化算法和LSTM的铅酸蓄电池容量预测

针对变电站铅酸蓄电池容量预测模型存在的预测准确率低、泛化能力差等问题,提出一种基于Dropout优化算法和长短期记忆LSTM（long short-term memory）神经网络相结合的容量预测模型。该模型以LSTM神经网络为基础,结合变电站蓄电池充放电特性,将长时间跨度的蓄电池运行数据作为模型的输入,建立多层级LSTM预测模型来提升预测结果的准确率。同时基于Dropout优化算法完成LSTM预测模型的训练,提升模型的泛化能力。工程实际应用表明,相较于传统的LSTM神经网络和BP神经网络,改进模型在长时间跨度预测时具有更高的准确率和更好的泛化能力。     

基于核主元分析与模糊神经网络的汽轮发电机振动故障诊断方法

针对现有汽轮发电机振动故障诊断运算量大、时间长的问题,本文提出基于核主元分析与模糊神经网络的汽轮发电机振动故障诊断方法。首先采用核主元分析并经矩阵变换和降维来提取故障的主要特征值,其次将提取(降维后)的数据作为Takagi-Sugeno模糊神经网络输入数据,最后在Matlab中建立Takagi-Sugeno型自适应模糊神经网络进行训练测试。该方法用较少的数据代表原数据的最大信息量,并且仿真与标准的模糊神经网络、BP神经网络进行性能对比,最后仿真结果表明该方法的有效性,并且具有诊断速度快、收敛迅速和故障诊断效率高等特点。     

基于预处理BP神经网络的开关磁阻电机建模

针对开关磁阻电机(SRM)强耦合、强非线性、难以精确解析建模的问题,提出一种基于数据预处理的反向传播(BP)神经网络建模方法。首先通过传统直流脉冲法测量一个电周期内SRM静态电磁特性,获取建模样本数据;其次充分利用电机先验知识,通过可以初步反映SRM非线性特性的磁链和转矩解析表达式对实测样本数据进行预处理并作为BP神经网络新的输入,降低神经网络拟合误差。与传统BP神经网络建模的对比结果显示,引入预处理方法可以有效减少BP神经网络节点数量,增强神经网络泛化能力,提高神经网络建模精度。     

基于纵横交叉算法优化神经网络的负荷预测模型

为了解决传统BP神经网络对高频分量预测精度不高、泛化能力弱的缺点,提出了一种混合小波变换和纵横交叉算法(CSO)优化神经网络的短期负荷预测新方法。通过小波变换对负荷样本进行序列分解,对单支重构所得的负荷子序列采用纵横交叉算法优化的神经网络进行预测。最后叠加各子序列的预测值,得出实际预测结果。通过实际电网负荷预测表明,新模型能掌握冲击毛刺的变化规律,有效提高含大量冲击负荷地区的负荷预测精度,且预测模型具有较强泛化能力。