基于相关向量机的风机齿轮箱故障诊断方法

提高风机齿轮箱的故障诊断准确率可以有效减少风机的停机时间、提高风电场的经济效益,因此,结合相关向量机(Relevance Vector Machine,RVM)和遗传算法(Genetic Algorithm,GA)的优点,提出了一种风机齿轮箱的故障诊断方法。利用RVM建立风机齿轮箱的故障诊断模型,并利用GA获得其最优参数,弥补设置参数不良造成准确率过低的不足;采用小波包分解方法提取表征齿轮箱故障的能量向量,作为样本的特征向量;采用"一对多"的多分类方法建立多个两类分类器,实现齿轮箱的多类故障分类。通过实验数据证明了该方法的有效性,并且与反向传播神经网络(Back Propagation Neural Network,BPNN)和支持向量机(Support Vector Machine,SVM)两种方法相比,该方法的诊断效果更好。     

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.     

潜油柱塞泵MMAGA-RBF故障诊断方法

针对潜油柱塞泵无法使用传统地面示功图方法进行故障诊断的问题,提出了一种适用于该抽油机的故障诊断方法.该方法首先利用多变异位自适应遗传算法(MMAGA)对RBF神经网络进行参数寻优,然后从潜油直线电机的运行参数和油井井口的仪表参数等综合数据中,提取出反映油泵运行状态的特征参数,并将其作为故障诊断模型的输入向量,从而实现潜油柱塞泵故障工况的诊断.结果表明:MMAGA-RBF故障诊断方法能够在较少的训练样本下达到较高的综合诊断准确率,在训练样本集达到1 000组以上时,其综合误判率可低于4%,相对于普通遗传算法优化的模型,其泛化能力更强.MMAGA-RBF故障诊断方法符合潜油柱塞泵的工况特点,能够达到其综合诊断准确率的要求.     

基于小波包-GABP的滚动轴承故障诊断分析

为提高诊断滚动轴承故障的效率和准确率,本文将小波包变换、BP神经网络和遗传算法三者相结合,提出了一种基于小波包和GABP神经网络的故障诊断模型。由小波包的分解与重构在滚动轴承故障原始信号中提取有效的故障特征向量,并利用遗传算法优化BP神经网络,然后训练和诊断滚动轴承信号的故障类型。同时,运用Matlab软件把采集的数据进行仿真分析。仿真结果表明,相对于传统BP神经网络,利用遗传算法优化的神经网络对故障的诊断正确率更高,并且收敛速度较快,说明由遗传算法优化的BP神经网络在故障诊断方面具有较好的效果,而且遗传算法的引入使轴承故障诊断的适应度和准确率更高。该研究为滚动轴承的故障诊断提供了理论基础。     

面向故障诊断的供水管网水压监测点优化布置方法

为解决供水管网故障诊断中准确率不高、经济性不佳的问题,设计了一个基于改进的果蝇优化算法核极限学习机的供水管网故障诊断模型。经验证,该模型具有学习速度快、故障识别率高等优点。以该模型为核心提出了基于果蝇优化算法的供水管网水压监测点优化布置方法。该方法首先利用果蝇优化算法形成多组水压监测点方案,然后用供水管网故障诊断模型计算每种方案的诊断准确率,选择其中诊断准确率最高、经济性最好的方案作为候选最优方案,并以此方案为基础,使用果蝇优化算法不断循环迭代,最终找到故障诊断准确率高且经济性最好的水压监测点布置方案。利用Matlab语言代码对提出供水管网水压监测点优化布置方法进行了编码实现,使用实际管网数据进行了实验,结果表明,所提出的供水管网水压监测点优化布置方法是一个有效的水压监测点优化布置方法。     

基于DCM-PCA和GA-BP的逆变器故障诊断

针对光伏并网三相电压型逆变器开关管的开路故障,提出深度级联模型（deep cascade mode,DCM）-主成分分析（principal component analysis,PCA）与遗传算法（genetic algorithm,GA）优化的BP神经网络结合的故障诊断方法。首先对逆变器的开路故障进行分析和仿真,确定三相电流作为故障信号,选择22类故障状态作为诊断对象,通过以稀疏表示分类（sparse representation based classififier,SRC）为基本操作单元的深度级联模型提取故障特征,DCM根据层次学习特性将故障特征分层,再由SRC部分得到不同故障的编码系数,并采用t分布—随机近邻嵌入（t-distributed stochastic neighbor embedding,t-SNE）方法验证了DCM具有较好的特征提取能力,通过PCA降低故障特征的冗余度、保留有价值的主成分提高网络映射能力,最后将故障特征向量作为GA-BP神经网络的输入信号实现对故障的诊断识别。通过仿真实验得到该方法的故障诊断准确率为95.64%,与DCM-PCA-BP、FFT-G...     

并行遗传神经网络及其在机械故障诊断中的应用

在机械故障诊断中，对并发的故障进行诊断是一个备受关注的问题。为此，提出了用并行遗传神经网络诊断并发的故障的新方法。介绍了并行神经网络的结构、遗传算法的建模原理及并行遗传神经网络的结构和诊断机理。以某大型旋转机械为诊断对象讨论了该方法的实现技术，并与传统的BP(back—propagation)网络用于故障诊断的方法进行了比较。实验仿真结果表明，该方法在训练网络过程中能够避免网络陷入局部极小，加快网络训练的速度，减少诊断时间。     

基于小波变换和优化CNN的风电齿轮箱故障诊断

针对传统故障诊断方法过于依赖人为经验的缺陷,提出小波变换和二维密集连接扩张卷积神经网络(WT-ICNN)的风电齿轮箱智能故障诊断方法. 所提方法将一维振动信号通过连续小波变换(WT)转换成二维故障图像;再将二维故障图像输入ICNN中进行训练和测试. 通过齿轮箱开源数据和风场实测数据验证结果表明,与传统故障诊断方法相比,所提方法采用密集连接的结构自适应特征提取时频图,有效加强了故障特征的利用效率;在对风电齿轮箱的故障诊断中,所提方法具有更好的特征复用能力和更高的诊断精度.     

遗传神经网络在模拟电路故障诊断中的应用

对模拟电路的故障诊断,本文采用一种将遗传算法和BP神经网络结合的智能诊断方法-GA-BP算法,实现了模拟电路的故障诊断.该方法采用遗传算法优化神经网络的权值和阈值,代替了原来BP网络随机设定的初始权值和阈值,然后再用改进BP算法进行训练.通过仿真结果比较分析,经过遗传算法优化过的神经网络的训练步教大大减少.克服了传统BP算法的收敛速度慢,容易陷入局部极小值的缺点.     

基于改进深度信念网络的燃气轮机故障诊断

针对传统智能诊断方法使用的浅层模型难以准确挖掘信号特征量与对应故障原因之间复杂的映射关系,导致故障诊断精度不高的问题,提出了一种基于深度信念网络(DBN)的燃气轮机故障诊断方法。采用Apriori关联度分析法分析燃气轮机故障模式与故障特征向量之间的关系,生成关联度矩阵;根据关联结果筛选出满足精度的特征向量作为输入,同时结合遗传算法(GA)对深度信念网络的结构参数进行优化,建立了基于GA-DBN的燃气轮机故障诊断模型。最后通过诊断实例验证了所提方法的有效性。     

基于密集连接卷积网络和支持向量机的飞行器机械部件故障诊断

针对旋转机械故障诊断浅层学习方法的高级特征提取问题和实际工程中可利用故障样本数量较少对诊断精度影响大的问题,提出了一种基于密集连接卷积网络(DenseNet)和支持向量机(SVM)的旋转机械故障诊断方法。首先,使用连续小波变换(CWT)将振动信号段转换为时频图像样本;然后,将试验样本输入DenseNet网络模型进行深层特征的提取;最后,将提取到的特征输入SVM模型进行训练,从而实现旋转机械的故障诊断。仿真结果表明:与其他先进模型相比,本文方法得到了更高的诊断准确率,证明了该方法的有效性和可行性。     

基于二维卷积神经网络的滚动轴承变工况故障诊断方法

为了实现滚动轴承变工况运行下仍能进行有效的故障诊断, 提出了一种基于二维卷积神经网络的滚动轴承变工况故障诊断方法。该方法将原始信号以及运行载荷这一工况变量作为输入信号, 无需人工提取特征向量, 减少特征提取过程中的损失, 实现端到端检测, 并将该方法与传统卷积神经网络模型进行了实验对比。结果表明, 相较于传统卷积神经网络, 该方法在故障的识别准确率和诊断的实时性上都有很大程度的提升。     

基于EEMD和BP神经网络的风机齿轮箱故障诊断方法

根据风机齿轮箱故障信号的非平稳特性,提出一种基于总体平均经验模式分解(EEMD)和BP神经网络的风机齿轮箱故障诊断方法。首先,对原始信号进行小波去噪。然后,对故障信号进行EEMD分解,将其分解为多个固有模态函数(Intrinsic Mode Function,简称IMF)之和,选取若干含有主要故障信息的IMF分量做进一步分析。最后,从各IMF分量中提取故障信号能量特征参数,将归一化后的能量特征参数作为BP神经网络输入参数进行故障诊断。实测结果表明:该方法故障诊断准确率达到了99%左右。可以准确、有效的对风机齿轮箱进行故障诊断。     

基于神经网络与遗传算法的汽轮机数据挖掘研究

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数据挖掘方法.将汽轮机故障历史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,提出了汽轮机故障诊断分类规则的挖掘算法,实现了基于神经网络与遗传算法的汽轮机数据挖掘和故障诊断仿真系统,其诊断正确率达到了84%.实验表明该方法可行,对汽轮机故障诊断系统的设计具有借鉴意义和深入研究的价值.     

基于LSGAN-LSTM的齿轮故障诊断

针对难以获取足量样本数据的齿轮故障诊断率低的问题,提出一种基于最小二乘生成对抗网络(LSGAN)结合长短期记忆网络(LSTM)的方法.将齿轮的原始样本输入LSGAN模型中,通过对生成网络和判别网络的交替训练,学习出不同状态的样本数据,从而实现数据增强,通过生成样本结合原始样本训练LSTM诊断模型,完成小样本下的故障诊断.以康狄涅格大学的齿轮实验数据为例对所提方法进行验证,结果表明,与传统方法相比,诊断准确率提高至98.3%.通过可视化方法显示出诊断方法的优越性,为小样本条件下的故障诊断提供参考.     

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。     

棒线材轧机齿轮箱故障诊断技术

为了提高棒线材轧机齿轮箱故障诊断的准确率,采用共振解调技术对“矩阵判别筛选法”和“双特征分析法”机械故障诊断方法进行了整合,在分析大量实验、实测数据以及所发现的21次故障隐患的基础上,归纳出棒线材厂轧机齿轮箱故障诊断的基本规则,并应用于现场实际诊断.     

贝叶斯网络和模糊评判结合的滚动轴承故障诊断

针对大型复杂系统在诊断的过程中,由于现有方法主要通过一系列方法来提高诊断的效果,而缺乏考虑诊断过程中的检测难度、检测速度和检测经济性等因素。提出了贝叶斯网络诊断与多因素模糊综合评判相结合进行故障诊断的方法,在诊断的过程中不仅考虑故障概率,而且结合检测方法难易程度、检测速度、检测的准确性和经济性等方面,得到诊断的优化方法。通过对齿轮箱滚动轴承故障进行诊断的实例,可以明显看出该方法在综合诊断过程中的优势。研究成果可以作为对大型复杂系统进行故障诊断的优化方法,从而科学指导维修方案。     

基于组合优化BP神经网络的模拟电路故障诊断

电子系统的可靠性已成为影响系统正常运行的关键,因此电路故障的诊断越来越受到重视。基于BP神经网络的诊断方法是目前实现模拟电路故障诊断的有效方法之一。文章针对已有BP神经网络模拟电路故障诊断技术的不足,提出了一种组合优化的诊断方案。该方案采用遗传算法优化确定BP神经网络的初始权值,以规避BP神经网络易陷入局部极小值的不足,然后应用L-M方法在这个局部解空间里对BP神经网络进行精调,搜索出最优解或者近似最优解。该方案发挥了BP神经网络的广泛映射能力和遗传算法的全局搜索能力,加快了网络的学习速度,综合提高了整个学习过程中的逼近能力和泛化能力,有效提升了基于BP神经网络模拟电路故障诊断的性能。     

基于改进PSO-BP混合算法的电力变压器故障诊断

采用粒子群算法和反向传播神经网络建立一种新型变压器故障诊断网络模型,设计故障诊断方法.仿真分析结果表明：基于该网络模型的诊断方法与传统的三比值法相比较,具有较好的故障识别与分类能力,显著提高了诊断准确率,将在电力设备故障诊断中有良好应用前景.