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。     

基于人工蜂群算法优化支持向量机的燃气轮机故障诊断

针对基于SVM(支持向量机)的故障诊断方法中支持向量机的参数难以选取导致诊断结果较差的问题,采用ABC(人工蜂群算法)对支持向量机的惩罚因子C和核函数参数σ进行优化;并构建了ABC-SVM(人工蜂群优化支持向量机)对燃机涡轮叶片故障进行诊断。诊断实例表明,该方法诊断准确率达到96. 43%,具有很好的诊断效果,为燃气轮机故障诊断提供了一种新的方法,具有实际应用价值。     

基于RBF神经网络的柴油机故障诊断

神经网络模式识别的实时性和鲁棒性使得它成为故障诊断的常用方法.本文首先介绍了RBF神经网络的构成和特性,然后将柴油机的振动信号和油管压力信号作为特征参数,运用RBF神经网络对供油系统的3种故障进行诊断分析.实践表明,RBF神经网络用于多征兆机械系统的故障诊断是有效、可行的.     

改进蜂群算法在大型电力变压器故障诊断中的应用

电力变压器故障危及电网供电安全,为提高其故障诊断精度,避免传统算法自身固有缺陷,提出了一种改进蜂群算法优化的BP神经网络故障诊断模型。首先改进传统蜂群算法,并将其与BP神经网络相结合以优化模型参数;然后将优化后的网络模型代入变压器故障识别中,以达到提高故障诊断准确率的目的。对比不同模型预测结果表明,所提模型与方法可实现对变压器故障的精确预测。     

基于神经网络的燃气轮机故障诊断

对燃气轮机润滑油系统常见故障原因进行了分析,并结合专家知识建立了润滑油系统故障知识库;在此基础上将RBF人工神经网络引入燃气轮机装置故障诊断中来,由于采用了一种动态RBF网设计方法,使得神经网络的规模较小同时具有较高的泛化能力,提高了神经网络的诊断速度及准确性.     

基于蚁群算法的神经网络在发动机故障诊断中的应用研究

BP算法在神经网络中应用较为广泛，但有收敛速度慢、易于陷入局部极小点的缺点。而蚁群算法是一种新型的模拟进化算法，有正反馈、分布式计算、全局收敛、启发式学习等特点。将蚁群算法和神经网络结合起来，应用于发动机故障诊断中，可以提高运算效率，具有广阔的应用前景。     

基于RBF神经网络的核动力装置故障诊断方法研究

核动力装置是一个高度复杂并具有高度安全性要求的结构体系,其故障检测方法一般采用传统的阈值方法。为克服阈值方法的不足,提出了基于RBF(radial basis function)神经网络的核动力装置故障诊断方法。该方法选择对核动力装置安全具有重要影响的运行参数作为神经网络的输入,并利用核动力装置正常运行模式及典型故障模式的监测数据作为训练样本,网络训练采用正交最小二乘算法(orthogonal least square,OLS)。为了验证所提方法的可行性,利用核动力装置运行监测数据进行检验。结果表明,RBF神经网络成功地诊断出了故障,具有良好的诊断效果。     

基于果蝇算法优化BP神经网络的齿轮箱故障诊断

为有效提高风电机组齿轮箱故障诊断的快速性和准确性,采用近几年出现的果蝇算法对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,果蝇算法优化后的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,果蝇算法优化BP神经网络对风机齿轮箱故障诊断具有可行性和有效性。     

基于RBF神经网络的燃气轮机特性计算

燃气轮机各部件的特性可通过实验获得,但耗费昂贵;且基于知识产权的保护,厂家一般也不会提供完整的燃气轮机特性数据,这对燃气轮机模型建立的精度会造成较大影响。本文根据生产厂家提供的燃气轮机的部分性能曲线,利用人工神经网络的高度非线性映射、自学习和泛化等功能,采用RBF神经网络训练出所需的特性曲线。结果表明：RBF神经网络无论是在训练时间还是训练精度上,均取得了较好的效果。所得的燃气轮机部件全工况特性为燃气轮机仿真建模和性能分析奠定基础。     

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IABC和聚类优化RBF神经网络的电力信息网络安全态势评估

为提高电力信息网络安全态势评估的精度,提出一种基于改进人工蜂群（IABC）算法和密度峰值聚类（DPC）算法优化径向基函数（RBF）神经网络的电力信息网络安全态势评估方法。首先,引入改进密度峰值聚类（IDPC）算法对人工蜂群（ABC）算法的种群空间多样性进行聚类分析,重新定义个体更新机制以提高算法的全局搜索能力。然后,构建分类RBF神经网络安全态势评估模型,利用IDPC算法对输入指标数据进行聚类分析,采用IABC算法对分类拓扑结构和参数学习过程进行优化,得到输入评估指标与输出安全态势值的最佳映射关系。最后,通过实例仿真证明所提方法的有效性。     

基于RBF神经网络模型的汕头市水资源承载力研究

针对常规水资源承载力评价方法存在的不足,在Matlab 7.6环境下建立了水资源承载力评价的RBF网络模型,基于汕头市水资源现状,利用该模型综合评价了汕头地区的水资源承载力。结果表明,汕头市水资源承载力总体较好,但有逐步恶化趋势,且各区县的水资源承载力极不均衡,与汕头地区的实际情况相符。     

基于RBF神经网络与模糊控制的短期负荷预测

针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数（Radial?Basis?Function,RBF）神经网络和模糊控制相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。     

基于改进麻雀搜索算法优化RBF神经网络的光伏阵列故障诊断

针对传统BP神经网络在光伏阵列故障诊断时受初始权值阈值的影响,易导致全局搜索过程陷入局部最优这一问题,提出了一种基于改进麻雀搜索算法优化RBF神经网络（ISSA-RBF）的光伏故障诊断方法。首先,利用Matlab建立光伏阵列故障仿真模型,提取出故障诊断模型的特征参数;其次,融入Levy飞行和自适应权重φ对麻雀搜索算法进行改进,用优化后的算法建立ISSA-RBF故障诊断模型;最后,与传统BP和SSA-RBF模型进行对比验证,实验结果表明,ISSA-RBF模型在故障诊断精度上达到94.8%,可以有效诊断光伏阵列的故障类型。     

基于PSO优化LS-SVM的异步电动机振动故障诊断

为了提高异步电动机振动故障诊断的准确性,提出了基于粒子群算法优化最小二乘支持向量机的异步电动机振动故障诊断方法。先通过实验室对异步电动机各类故障的振动进行测试,对测试数据进行预处理,选择异步电动机不同位置振动信号的特征频率作为系统的输入,然后利用训练好的粒子群算法优化后的最小二乘支持向量机进行异步电动机振动的故障诊断。最终结果与其他诊断方法对比表明：该方法克服了样本训练时间较长并容易陷入局部收敛的缺点,同时诊断的准确率较高,有效地避免了异步电动机故障的误诊断。     

基于遗传算法优化神经网络的齿轮故障诊断

针对齿轮故障诊断的重要性和复杂性,基于神经网络固有的局部极小值及遗传算法良好的全局收敛能力和搜索性,在遗传算法优化初始权值和阈值的基础上构建了GA-Elman神经网络的故障诊断系统.仿真结果表明,该方法用于齿轮常见故障诊断和预测有效、可行.     

蝗虫优化神经网络在变压器故障诊断中的应用

针对变压器故障诊断中传统BP神经网络算法准确率低、收敛速度慢、易陷入局部极小值及对初始参数较为敏感等的不足,提出一种基于蝗虫优化（GOA）算法的BP神经网络故障诊断方法。建立以变压器故障特征气体为输入、故障类别为输出的故障诊断模型,利用GOA高效的计算性能和优良的全局搜索能力对BP神经网络的权值和阈值进行参数优化。仿真结果表明,GOA优化后的BP神经网络模型相比于传统BP神经网络和基于遗传算法优化的BP神经网络,能够在保留广泛映射能力的前提下,提升网络的学习速度和全局搜索能力,进而缩短训练所需时间,提高故障诊断精度。     

WA与RBFN在气密性故障诊断中的应用研究

提出了根据检测发动机起动时电瓶电压的波形来分析气密性的试验方法。在基于小波分析 (WA)的基础上对信号进行消除趋势项和除噪处理 ,并提出了包括周期延长和主频推移 2个新的判据在内的 7个特征参数。通过对径向基神经网络 (RBFN)的训练 ,证明该神经网络能够较好地进行故障模式辨识 ,从而为发动机气密性故障诊断提供了一个系统方案。     

基于PCA-PNN算法的柴油故障诊断研究

为了实现柴油机智能化故障诊断，提出一种基于PCA-PNN算法的柴油机故障诊断方法。该方法兼具主成分分析（principal component analysis， PCA）法降低数据维数和概率神经网络（probabilistic neural network， PNN）法计算速度快、容错率低、稳定性好的特点。利用AVL BOOST软件建立柴油机仿真模型，并进行有效性验证，采集包含12个柴油机故障特征参数的195组样本数据集。故障诊断试验表明：PCA-PNN柴油机故障诊断算法简洁、易于推理，诊断准确率为94.87%、运行时间为0.673 s，准确率更高、诊断速度更快，为探索柴油机智能化故障诊断提供新的技术路径。     

基于人工蜂群算法的直流接地极优化选址

为有预见性地防御直流偏磁危害,在新建直流接地极初期应对直流接地极进行优化选址。考虑母线电压、发电机功率以及变压器因直流电流额外消耗的无功功率等参数,提出了基于人工蜂群算法的直流接地极优化选址方法,并量化了直流电流对交流电网的影响,最终通过IEEE 118节点及某实际电网两个工程算例验证了人工蜂群优化选址方法的可行性。研究结果为直流接地极优化选址、防御直流偏磁危害、降低直流电流对交流系统的影响提供了可能。