无人机机载发电机故障诊断技术研究

针对无人机的电源系统提出了建模仿真分析,并将BP神经网络应用于无人机的发电机故障诊断中。在分析机载电源系统结构和工作原理的基础上,结合实际的飞行数据和相关参数,根据机载电源系统的数学模型,建立Simulink模型进行仿真分析。根据对象的特性,采用主成分分析法建立机载电源系统的发电机的故障特征库,采用BP神经网络算法实现故障诊断。结果表明,该系统能有效地对无人机发电机系统进行快速准确地诊断,具有一定的实用性。     

改进小波结合BP网络的风力发电机故障诊断

针对风力发电机早期故障时定子电流特征量难以提取的问题,提出了单子带重构改进小波变换结合BP神经网络的风力发电机故障诊断新方法。通过对风力发电机的定子电流进行单子带重构改进小波变换,消除了传统小波变换中的频率混叠现象;从小波变换后的子带信号中选取特征域、提取特征量作为BP神经网络的输入;在此基础上,结合BP神经网络的输入输出非线性映射能力,完成对故障的诊断和定位。经过仿真实验证实,该方法准确地实现了对风力发电机故障的诊断。     

基于神经网络的风力发电机变频器故障诊断研究

为了准确分辨风力发电机变频器故障类型,针对直驱式风力发电机变频器,给出了一种基于神经网络的风力发电机变频器故障诊断方法。分析了直驱式风力发电机变频器的结构、故障原理和故障类型,得到了一系列不同故障状态下直驱式风力发电机的输出电压波形变化情况,并对设计好的BP神经网络进行训练和测试,基于单纯神经网络训练时间长、预测结果不太理想等因素考虑,尝试采用遗传算法优化神经网络权值、阀值参数。仿真结果表明优化后的神经网络训练时间更短,且有更高的预测精度。     

支持向量机和BP神经网络在水轮发电机轴承故障诊断中的应用

支持向量机（SVM）与BP神经网络相比各有优缺点,通过对支持向量机和BP神经网络在水轮发电机滚动轴承故障诊断中的仿真实验,来对比两者在轴承故障诊断上的泛化能力。首先通过应用经验模态分解（EMD）的方法将轴承振动信号进行分解,得到本征模函数（IMF）,再将IMF的平均能量值作为故障特征向量。将这些特征向量作为支持向量机和BP神经网络的学习样本。经过仿真研究结果表明,在小样本集的前提下,支持向量机在轴承故障诊断中的精确度不但受样本数量变动的影响较小,准确度也高于BP神经网络,具有较强的泛化能力。对水轮发电机滚动轴承故障诊断模型的应优先考虑选择SVM。     

航空发电机综合故障诊断技术研究

针对航空发电机的故障难以准确诊断的问题,提出了一种基于BP神经网络的航空发电机综合故障诊断方法,通过对BP神经网络数学原理及算法的深入分析与研究,构建基于BP神经网络的航空发电机故障诊断模型。结合某型航空发电机的真实试验数据,对所构建故障诊断模型的正确性进行了试验验证。在试验验证过程中,利用航空发电机真实试验数据的前60组对神经网络进行训练,后40组数据对神经网络进行测试,最终验证了所构建的故障诊断模型能够较好实现对航空发电机故障进行准确诊断的效能,且所采用的BP神经网络方法具有收敛速度快、识别能力强、精度高以及准确性高等优点。     

风力发电机故障诊断的优化算法研究

为提高风力发电机故障诊断的可靠性,结合小波变换,提出一种遗传算法优化BP神经网络(GA-BP)的综合优化算法.利用单子带重构改进小波变换方法对风力发电机的定子电流信号进行分解与重构,提取准确的特征量;通过遗传算法的选择、交叉、变异等操作和全局寻优特性获取稳定的权值和阈值,赋值于BP网络作为初始值;借助BP网络的自学习、寻优具有精确性等特性不断训练网络;最后以BP神经网络的非线性映射能力完成对风力发电机的故障诊断.算法对比和实例分析表明,该算法对风力发电机的故障诊断有良好的实用性.     

DGA与GRNN的联合变压器故障诊断研究

针对传统的变压器故障诊断方法的不足,提出了基于油中溶解气体分析(DGA)方法和广义回归神经网络(GRNN)的变压器故障诊断方法。以DGA方法获取GRNN故障诊断模型的输入特征向量,建立了GRNN故障诊断模型,为了检验GRNN诊断模型的实际诊断能力,以某变电所主变压器的4种典型故障诊断为例进行仿真实验,并与标准BP神经网络(BPNN)和LM算法改进的BPNN(LM-BPNN)的诊断结果进行对比。仿真结果表明:DGA方法与GRNN的联合变压器故障诊断方法的诊断速度更快、准确率更高和泛化能力更强,且GRNN故障诊断模型构建简单,验证了所提出方法的实用性和有效性。     

基于GA-BP神经网络的双馈风力发电机故障诊断

双馈风力发电机在风力发电系统中得到了广泛应用,但由于其工作条件及自身结构原因,导致故障发生率较高.BP神经网络作为一种多层前馈网络,在电机故障诊断分析领域应用成熟.为避免陷入极小值问题,利用GA遗传算法对其优化,建立GA-BP神经网络模型,对双馈风力发电机定子匝间短路特征进行分析,以定子电流为故障信号,经快速傅里叶分解...     

基于BP算法的模拟电路故障诊断

文中就BP神经网络的学习算法进行了分析,使用PSPICE软件对电路进行仿真,在此基础上建立了模拟电路的BP神经网络故障字典库。通过查阅字典库实现模拟电路的故障诊断。指出了BP神经网络在模拟电路故障诊断过程中存在的网络泛化性能差的问题,并提出了解决办法。经过仿真实验验证,这种方法用与模拟电路故障诊断相结合能够提高神经网络检测故障的智能性,提高故障诊断的准确性,结果较好,具有一定的应用价值。     

基于多重分形谱和改进BP神经网络的水电机组振动故障诊断研究

本文建立了小波分析、多重分形谱和改进BP神经网络相结合的水电机组振动故障诊断模型。该模型首先利用小波分解对振动信号波形进行去噪提纯,得到各种故障信号的小波近似系数,应用多重分形谱算法提取出振动故障的特征向量,并将该特征向量作为BP神经网络的输入向量进行分类识别。该模型直接通过振动波形提取信号特征,避免提取其频谱特性,并结合先进的多重分形谱进行诊断识别,为水电机组故障诊断提供了一种新的方法。应用实例表明,该方法能够提高诊断的智能化和人性化,增强了人机交互性,识别结果令人满意。     

基于类神经网络的MW永磁风力发电机短路故障智能诊断

针对大型永磁风力发电机故障诊断工作薄弱的现实,通过建立基于发电机结构的典型短路故障仿真模型,对多种电磁场和温度场故障联合研究,利用同一模型场路耦合求解电磁场和温度场,得出短路故障发生时的电磁场和温度场数据及分布规律;为提高诊断可靠性,先利用BP网络诊断,后利用Elman神经网络对动态系统诊断较为优越的特点诊断,最后概率神经网络(PNN)对短路故障发生时的多源数据(电流、磁场、温度和振动特征信息)融合处理诊断,以判断发生单一或者复合故障;结合MW永磁直驱样机的试验数据及风电场的运行数据,对发电机典型短路故障进行理论结合试验的诊断,分类对比了诊断结论.     

EMD融合多重分形的故障诊断研究

本文建立了以EMD分解为基础,将分解信号再多重分形然后用改进BP神经网络训练的水轮发电机组故障诊断模型。该模型先利用EMD分解对振动信号进行识别,得到故障信号的EMD近似系数,再通过多重分形谱算法提取振动故障的特征向量,最后将该特征向量输入BP神经网络进行分类识别。故障信号频谱特性的提取差异很大,不能反应故障特征。该模型直接通过波形提取信号特征,避免频谱提取的提示还结合了多重分形谱进行诊断识别,为水轮发电机组故障诊断提供了一种新的思路。经过现场试验,该方法能够准确识别故障,结果令人满意。     

电力电子电路软故障诊断方法对比分析

为减少由于电力电子装置故障导致的停机时间,方便工作人员提前维修将要发生故障的器件,研究电力电子电路的软故障诊断意义重大。为此,分别分析并使用 BP 神经网络和支持向量机的故障诊断算法。基于 BP 神经网络,采用了单输出BP神经网络模型和多输出BP神经网络模型;基于支持向量机,采用了一对多(OVA)算法和一对一(OVO)算法。并以闭环控制的DC/DC变换电路诊断为例,仿真验证了诊断算法的有效性,并对各诊断算法的诊断性能进行了评估。     

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...     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

1000 MW机组凝汽器低真空故障特征向量的提取及应用

针对某1000 MW机组的低真空问题,确定故障集和征兆集,在判别引起真空急剧下降与缓慢下降的基础上,分类建立各征兆参数状态量化值的计算模型,并通过该机组仿真机的模拟试验得出了机组的凝汽器低真空故障特征向量。据此应用BP神经网络建立该机组的凝汽器故障诊断模型,对机组的低真空故障进行诊断。结果表明根据仿真机试验得出的1000 MW机组凝汽器故障领域特征向量,在实际机组运行中可用于凝汽器故障诊断。     

变压器内部故障诊断研究

主要介绍以变压器油中溶解气体为分析对象,采用BP神经网络对变压器内部故障进行诊断。采用几种BP神经网络算法进行网络建模和仿真,并对它们进行了分析比较,得到了优于其他几种算法的将自适应学习率法和动量BP法相结合的学习率可变的动量BP算法,建立了一种具有较强学习能力、泛化能力和适应能力的神经网络模型,并通过实验证明了其对变压器故障诊断的准确性。     

改进BP神经网络的SVM变压器故障诊断

油中溶解气体是变压器故障诊断的重要依据,为了融合以及扩充变压器油中溶解气体含量的特征信息,提高变压器故障诊断准确率,本文提出了改进BP神经网络的SVM（Support Vector Machine）变压器故障诊断方法。首先,通过改进的BP神经网络将5维的气体特征信息进行融合并扩充到128维;然后,在改进的BP神经网络中使用每层提取的特征向量作为SVM的输入对变压器故障进行诊断,增加改进的BP神经网络中诊断准确率较高的特征向量的权重;最后,选择累积权重最大的特征向量作为输入,使用SVM进行变压器的故障诊断。该方法经过多层神经网络的映射使提取的气体特征信息融合及扩充后具有更加明显的特征区别,从而可以有效的提高SVM的诊断准确率。实验结果表明,本文所提出的算法与BP神经网络和SVM的变压器故障诊断方法相比诊断准确率有较大的提升。同时,随着训练数据样本的增加,模型的诊断准确率具有一定的提升。     

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。     

异步电动机故障仿真与诊断研究

针对异步电动机传统故障诊断方法存在的问题,基于Simulink平台建立异步电动机故障仿真模型,应用人工神经网络开展故障诊断研究。在Simulink平台上选取仿真模块,设置单相短路(A相、B相、C相)、两相短路(AB、AC、BC)等6种接地短路故障类型,设定仿真参数,并进行仿真分析;建立异步电动机BP神经网络诊断模型;提取异步电动机故障特征量,经预处理后,送入BP神经网络模型进行训练与仿真测试。仿真结果表明该方法对于异步电动机的故障诊断是有效的、可行的。