共查询到20条相似文献,搜索用时 78 毫秒
1.
变压器油中溶解气体分析是变压器内部故障诊断的重要手段。当前我国大部分应用的是改良三比值法对油中溶解气体进行分析。但利用三比值法作为变压器故障诊断的判据存在两方面的不足,即所谓编码缺损和临界值判据缺损。针对概率神经网络(PNN)强大的模式识别和能很好地对变压器故障进行分类的特性,文章在对概率神经网络结构和原理介绍的基础上,利用概率神经网络对变压器故障进行诊断。仿真实例表明,该方法具有较高的故障诊断正确率。 相似文献
2.
基于径向基函数神经网络的模拟/混合电路故障诊断 总被引:5,自引:0,他引:5
径向基函数神经网络是一种前馈型神经网络,具有较强的函数逼近能力和分类能力,学习速度快等优点.本文采用幅值恒定的正弦信号源进行模拟电路的故障仿真,从频域提取输出信号波形的特征值建立故障字典,应用径向基函数神经网络的这些优点进行响应分析和故障诊断,能够实现快速故障诊断及定位,具有准确率高的特点. 相似文献
3.
4.
5.
模拟电路的固有特点使其故障诊断较数字电路困难.相对于BP网络,RBF神经网络具有最佳逼近性能且收敛快、无局部极小,可引入解决上述困难.根据具体电路,定义故障,选定测试点,确定网络结构,用Pspice获得训练样本,经过训练得到RBF网络.网络的输入为从测试点得到的输入向量,输出为对应的故障.为了验证网络的泛化性能,对每种... 相似文献
6.
为提高甚高频通信收发机通信失真故障诊断的效率和准确性,提出了一种利用PNN神经网络进故障诊断的方法.利用甚高频通信收发机输出信号中的9个参数作为故障特征输入向量,5类故障模式作为输出向量,建立PNN神经网络故障诊断模型.仿真实例表明,该诊断方法可行、有效,可大大提高诊断效率和准确性. 相似文献
7.
8.
9.
《电子技术与软件工程》2017,(24)
针对转子系统中出现的裂纹故障,本文利用径向基函数(RBF)神经网络和基于模型转子系统诊断技术在非线性系统动态辨识过程中的优势,提出了全新的转子系统裂纹故障的诊断处理方式,此处理方式使用径向基函数神经网络实现转子系统裂纹故障的诊断处理,在诊断过程中通过已经辨识到的信息对转子系统故障进行快速的检测及分离。通过研究分析,本文中提出的径向基函数神经网络下的转子系统裂纹检测适用于在线检测及定量识别。最后对此方法进行仿真,表示此方式有效。 相似文献
10.
为提高发电机状态异常判别和故障诊断的能力,研究一种状态监测的智能判别方法。设计了一种基于径向基函数神经网络的模型,阐述其网络结构,训练算法及综合决策方法,该模型不仅能利用故障样本及专家经验知识进行状态判别,而且可以不断学习新的样本获取新的知识。经过训练的网络能很好地判别电机状态,仿真结果表明,该网络及决策方法有效,并具有良好的实用价值。 相似文献
11.
一种基于小波神经网络的故障诊断方法 总被引:2,自引:0,他引:2
在阐述了小波变换和BP(反向传播)神经网络概念的基础上,根据小波神经网络故障诊断的基本思想,提出了一种基于"能量-故障"的小波预处理神经网络故障诊断方法.实验仿真结果表明,使用该方法提取故障特征加快了神经网络的训练速度,能迅速地进行故障的检测和定位. 相似文献
12.
小波-神经网络在故障诊断中的应用 总被引:1,自引:0,他引:1
根据旋转机械振动信号特点,提出了小波分析和概率神经网络相结合的故障诊断方法。该诊断方法利用小波分析进行预处理-获取机械故障特征向量,概率神经网络应用该特征及对应的故障类型建立非线性映射,实现故障诊断。通过计算机仿真和试验的结果,表明该方法运算速度快、对样本噪声有较强的鲁棒形,结构简单,工程上易于实现,为旋转机械故障诊断提供了实践方法。 相似文献
13.
14.
以齿轮振动信号的时域特征为神经网络输入,齿轮的主要故障形式作为神经网络输出,利用改进的BP算法训练后的网络对齿轮故障进行诊断,取得较好的效果。 相似文献
15.
概率诊断算法是系统级故障诊断研究的一个重要方面,本文在集团理论的基础上,利用贪婪算法中不同贪婪准则提出了四个概率诊断算法.通过对诊断算法进行仿真,分析比较了各算法的性能,每种算法在较少的测试数情况下,均表现出较高的诊断正确率,且时间复杂度不高.四种贪婪算法中贪婪算法一的性能最优,实验结果表明,相对于经典的概率诊断算法—Compete算法与Majority算法,相同条件下,在诊断正确率上贪婪算法一要远好于Majority算法,在时间复杂度上要好于Compete算法,综合性能上要优于此两种概率诊断算法. 相似文献
16.
17.
18.
19.
Fault Diagnosis of Analog Circuits Using Bayesian Neural Networks with Wavelet Transform as Preprocessor 总被引:4,自引:1,他引:3
We have developed an analog circuit fault diagnostic system based on Bayesian neural networks using wavelet transform, normalization and principal component analysis as preprocessors. Our proposed system uses these preprocessing techniques to extract optimal features from the output(s) of an analog circuit. These features are then used to train and test a neural network to identify faulty components using Bayesian learning of network weights. For sample circuits simulated using SPICE, our neural network can correctly classify faulty components with 96% accuracy. 相似文献