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.     

基于RS-RBF的燃气轮机控制系统传感器故障诊断研究

燃气轮机控制系统在电厂安全运行中起到重要作用,而传感器作为控制系统中的测量信号装置,其安全性至关重要,因此开展对燃气轮机控制系统传感器的故障诊断研究具有重要意义。在传感器故障诊断中需要从故障信息中提取出有效的诊断规则。为了解决这一问题提出了一种改进离散化方法对数据进行预处理,结合粗糙集(RS)和径向基(RBF)神经网络对传感器进行故障诊断研究。实验结果表明,该方法减少了燃气轮机控制系统传感器故障类型的误判率。     

基于粗糙集—神经网络的三相SPWM逆变电路故障诊断研究

以三相SPWM逆变电路为研究对象，利用MATLAB仿真软件建立故障仿真模型。针对故障诊断中冗余及不完整的信息常使诊断规则误报、漏报的现象，采用粗糙集-神经网络对三相逆变电路进行故障诊断，优化了神经网络结构，提高诊断速度。仿真实验表明该方法取得了良好的故障诊断效果。     

基于T-S模糊神经网络的凝汽器故障诊断

针对凝汽器故障的特点,提出了基于模糊神经网络的故障诊断方法．模糊神经网络是模糊系统与神经网络相结合的产物,它利用两者的长处,提高了整个系统的学习能力和表达能力,既具有学习、联想、自适应性,又能进行模糊推理．仿真结果表明,所提出的诊断方法能有效地诊断凝汽器故障,且具有良好的应用前景．     

粗糙集-神经网络在铝电解故障诊断中的应用

目的通过对铝电解生产过程中的故障进行有效地诊断来提高铝的生产效率和节约能源．方法把粗糙集和神经网络结合起来应用在铝电解的故障诊断中．先用自组织特征映射网络（SOM）对初始数据进行离散化后得到决策表,然后用粗糙集理论对决策表进行约简得到最简决策表,根据最简决策表设计BP神经网络对铝电解中的故障进行诊断．结果用粗糙集对神经网络的输入数据进行预处理可以简化神经网络的结构,减少计算量和训练时间,从而提高整个诊断系统的诊断效率、故障诊断准确率在90％以上．结论该方法能够对铝电解中的故障做出正确的诊断．     

基于RBF与BP神经网络的建筑电气系统故障诊断比较研究

建筑电气系统的故障自诊断一直是国内外故障诊断领域的空白,其主要原因是建筑电气系统庞大、复杂,子系统多,难于建立数学模型.利用神经网络不依赖模型和收敛速度快的优势和特性,可以很好地解决该问题.由于神经网络在建筑电气故障领域的基础研究和应用非常少,通过对经典的RBF和PB神经网络故障诊断方法进行对比研究,为后续研究打下基础.通过利用建筑电气系统试验平台的数据进行实验,结果表明在两种神经网络未经优化的情况下,RBF网络在建筑电气故障诊断的应用上要优于BP网络.基于RBF网络的建筑电气故障诊断方法在工程上将有广阔的应用前景.     

基于RS-ANN的汽车发动机故障诊断分析

利用粗糙集理论对知识的约简能力及神经网络的分类能力,构建粗糙集-神经网络（RS-ANN）故障诊断组合模型;并将该模型应用于汽车发动机故障数据进行实例验证,该模型诊断速度快,故障诊断正确率高.     

层次模块化模糊神经网络在铝电解故障诊断中的应用

目的针对铝电解故障发生机理及特点，提出采用层次模块化模糊神经网络实现对铝电解故障快速、有效检测的新方法．方法利用数据处理子模块，诊断子模块，决策子模块，从而对铝电解生产过程中的故障进行诊断．结果数据处理子网络实现了对数据的特征提取，优化了数据结构，将大结构的神经网络分解成多个小网络，并用决策神经网络对故障进行模式分类．结论该方法优化了大结构神经网络的学习性能，提高了故障检测的准确率，具有良好的实用价值．     

基于粗糙集与RBF-BP复合神经网络的变压器故障诊断

变压器的安全问题是电力系统稳定运行的关键因素.将BP神经网络稳定的优点与RBF网络收敛迅速的特点相结合,同时使用粗糙集对数据进行处理,进一步提高诊断的准确率.提出了新的变压器故障诊断方法,即基于粗糙集与RBF-BP复合神经网络算法,构建出该模型并且进行仿真实验.实验结果表明:该模型达到预期效果,准确率高,收敛速度快.     

物联网的压水堆CRDM故障信息融合方法分析

针对核反应堆一回路堆芯控制棒驱动机构可能发生卡棒、漏棒和滑棒故障,提出了以物联网为决策诊断框架的粗糙集神经网络融合算法,应用MEMS传感器、Zig Bee模块和Multi-Agent模块构建了物联网CRDM故障识别系统的感知层、网络层和支撑层,选取6种输入特征代表棒位位移范围,连续属性约简后作为神经网络Agent模块前置输入,将粗糙集Agent模块简约规则作为隐藏层判断准则.实验结果表明,Multi-Agent诊断结果与实际故障相符,从CRDM故障识别角度验证了物联网应用于核动力装置故障诊断的可行性及粗糙集神经网络融合算法的准确性.     

基于PSO-RBF的航空相机电源板故障诊断技术研究

针对机载航空相机电源板故障率高,传统故障诊断方法技术不足而造成的相机维护难度大的实际问题,提出一种基于PSO-RBF神经网络的电源板故障诊断方法。考虑选取RBF网络训练算法中隐含层节点数和中心参数的难题,采用实用粒子算法约简了RBF神经网络,设计了航空相机电源板故障诊断系统方案,并给出了诊断系统的软件模块和实现方法,实现了从计算机仿真到工程应用的电源电路故障诊断。仿真与实际检测实验结果均表明,系统在不依赖任何标准设备和附加测点时,可对航空相机电源板进行实时、全自动化故障检测,其故障现象的检测覆盖率为100%,故障诊断平均可靠性可达到97.73%,故障器件定位率可达到96.89%。     

基于不同学习算法的RBF神经网络在故障诊断中的应用

基于对RBF神经网络常用的3种学习算法的研究,通过对凝汽器典型故障类型与故障征兆分析,提出了基于不同学习算法的RBF神经网络凝汽器故障诊断,并对诊断结果进行比较.诊断结果表明,基于3种常见学习算法的RBF神经网络都可以准确诊断出凝汽器的各种故障,但聚类方法和OLS算法学习速度要快得多,梯度训练方法速度较慢.研究还表明,RBF神经网络在故障诊断领域具有很好的实用性.     

基于EMD和RBFNN的地铁辅助逆变器故障检测

针对地铁辅助逆变器故障信号非平稳的特征,提出了一种基于经验模态分解方法和径向基神经网络的地铁辅助逆变器的故障诊断方法,并应用经验模态分解方法对采集的非平稳的原始信号进行处理,将原始信号分解成多个平稳的本征模函数(intrinsic mode function,IMF),同时,采用K-均值聚类算法确定RBF神经网络的模型参数,并借助径向基神经网络的分类能力对特征向量进行故障检测。仿真结果表明,基于K-均值聚类算法的RBF神经网络,在48个测试样本中有46个正确,准确率为95.8%,高于标准RBF神经网络77.0%的准确率,说明其准确性明显高于标准的径向基神经网络。该研究能够满足地铁辅助逆变器故障检测对准确性的要求,可高效识别地铁辅助逆变器的故障。     

变精度粗糙集与神经网络在故障诊断中的应用

针对标准的粗糙集理论不能很好地处理带有噪声的数据,而故障诊断信息中难以避免地存在噪声数据,对此,提出了SOM网络-变精度粗糙集-RBF神经网络的故障诊断方法：首先应用SOM网络对故障诊断数据中的连续属性值进行离散化,然后利用变精度粗糙集理论的属性依赖度进行启发式约简,据此得到最优决策系统,最后在最优决策系统的基础上设计RBF神经网络进行故障诊断。实例验证了该方法的可行性,且故障诊断正确率高。     

基于RBF -BP神经网络融合的医学数据分类研究

为改善传统的反向传播(BP)神经网络和径向基函数(RBF)神经网络的学习能力和分类性能的不足,提出一种融合RBF网络与BP网络的混合神经网络算法(HRBF -BP),并将其应用到医学数据分类问题中.在网络结构的实现上,将RBF隐藏层与BP隐藏层进行级联融合,即在连接BP网络输入层与隐藏层之间加入RBF核映射层; 在学习算法的实现上,先采用k-均值聚类算法来实现RBF核参数的估计,然后再使用基于随机梯度下降的BP算法实现级联BP网络的权值优化.将该算法与SGBP、KMRB、PFRBF等算法在不同的医学数据集上进行分类实验对比表明,该方法的网络训练精度以及测试精度均优于SGBP、KMRB、PFRBF算法; 因此,该方法对提高BP网络和RBF网络的学习能力和分类性能具有良好的参考价值.     

CP神经网络在机械故障模式识别中的应用

机械设备状态监测与故障诊断技术是保证机械设备安全稳定运行的一项重要措施。由于机械设备结构越来越大型化和复杂化 ,依靠人自身的经验和能力难以判断其征兆与故障之间的关系。随着计算机技术在各个领域的应用 ,智能型的自动监测与诊断技术在机械设备中得到了广泛应用。根据几种典型神经网络特点 ,选择了CP神经网络作为机械故障模式识别器。以大型机组典型故障的频率域特征参数作为网络的训练样本 ,对CP网络进行了训练 ,再将实际的一组频率域特征参数输入到模式识别器中 ,对故障类型进行识别。结果表明 ,以CP神经网络构筑的故障模式识别器有很强的非线性映射能力 ,可对机械设备故障模式进行正确分类。     

基于Rough集和RBF网络的车牌字符识别方法

提出了一种基于Rough集和RBF神经网络结合的车牌字符识别方法。该方法针对车牌字符二值化图像,给出了基于粗糙集理论的知识获取方法,包括根据训练样本的特征向量建立决策表、离散决策表属性、约简决策表属性,然后由约简后的属性构造RBF网络识别器。试验表明该方法有效地减少了决策属性的个数,简化了神经网络识别器的结构,提高了泛化能力和抗噪声能力,在车牌字符识别中取得了较好的识别效果。     

神经网络技术在核动力装置故障诊断中的应用研究

进行了核动力装置神经网络故障诊断方法的研究,用装置参数的变化量来训练神经网络,并采用了多项式拟合差分滤波技术来确保得到足够准确的参数变化量和滤波阀值的方法,从而保证了神经网络快速,准确的诊断。