基于BP神经网络的三相SPWM逆变电路故障诊断

提出了基于BP神经网络的三相SPWM逆变电路的故障诊断方法。首先提出BP神经网络模型及算法,然后运用BP神经网络对三相逆变电路进行故障诊断,通过调整隐含层节点和学习参数,寻找出最优的BP神经网络结构。最后,采用非学习样本数据对训练好的网络进行仿真,实验结果表明该故障诊断方法正确率达99%,该诊断方法同样适用于其它电力电子电路。     

基于粗糙集和神经网络的机械故障诊断研究

提出了粗糙集理论与神经网络结合的机械故障诊断方法,研究了连续属性离散化的SOM方法和条件属性约简的差别矩阵方法,归纳了构建神经网络需考虑的关键问题,用一个算例验证了方法的有效性.结果表明：粗糙集能有效地约简冗余信息,简化神经网络的结构,缩短网络的训练时间,提高诊断的效率;SOM网络能将连续性输入映射成具有理想聚类结果的离散性输出,并能保持数据间的拓扑结构不变;利用差别矩阵对决策表进行约简,结果准确可靠;BP神经网络泛函逼近能力强,能快速准确地完成特征空间到故障空间的映射.     

基于粗糙集与BP神经网络的烟气机故障诊断

结合粗糙集理论和神经网络在信息处理方面的优势,提出了一种基于粗糙集理论与BP神经网络相结合的烟气机故障诊断方法.首先对故障诊断数据中的连续属性进行离散化,然后根据粗糙集理论进行故障诊断决策系统约简,获得最优决策系统.最后在最优决策系统的基础上,设计BP神经网络对烟气机故障进行诊断.试验结果表明,该方法可以有效提高烟气机故障诊断的精度和效率.     

基于改进粗糙集理论与概率神经网络的变压器故障诊断研究

提出了一种基于改进粗糙集理论与概率神经网络的变压器故障综合诊断方法.利用了粗糙集理论的决策表约简技术,去除冗余信息,并引入可辨识矩阵,更加快速地去除故障冗余属性,减小了约简过程的复杂度.将得到的最小决策表作为改进的概率神经网络的训练样本,提高了PNN的训练速度和诊断的准确率.实例证明,该模型不仅能在信息不完备的情况下进行有效诊断,而且可以提高诊断速率及正判率.     

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.     

三相SPWM光伏逆变电路LC滤波器设计与仿真

目前光伏并网逆变电路的控制普遍采用SPWM正弦脉宽调制法,由于采用该方法的电路输出电压中含有一定量的谐波,对负载的工作将带来不利影响,因此要设法消除谐波以满足负载的要求. 本文在计及电源内阻和负载的情形下,从插入损耗入手,详细地分析了LC滤波网络的相关参数,并用归一化方法设计滤波器,最后利用MATLAB软件仿真,验证了所设计LC滤波器的有效性.     

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．     

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。     

基于改进的邻域粗糙集与概率神经网络的水电机组振动故障诊断

提出了一种基于改进的邻域粗糙集与概率神经网络的水电机组振动故障诊断方法.该方法将邻域粗糙集中的近似精度与信息论观点中的条件熵结合,提出近似条件熵的属性约简算法,减少故障冗余信息,得到最优决策表,并将得到的最优决策表作为概率神经网络(PNN)的训练样本,提高了PNN的训练速度和诊断效率,通过实验证明了所述方法的可行性和有效性.     

基于卷积神经网络的光伏逆变器故障诊断

光伏逆变器将太阳能电池板的直流电压转换为交流电压以驱动家用电器或者升压并入能源互联网,而绝缘栅双极型晶体管（IGBT）是光伏逆变器的核心组件,其状态异常将直接影响系统的正常运行。从减少传感器数量的角度出发,以直流侧的电流信号作为输入信号,设计了基于卷积神经网络（CNN）的故障诊断模型来监测IGBT的开路状态。并利用设计的Simulink模块生成的仿真数据对模型进行了训练和测试,都取得了很好的故障诊断性能。此外,还设计了不同噪声水平下的故障诊断测试,测试结果表明该故障诊断模型在噪声环境下具备有效性和鲁棒性。     

基于粗糙集配电网故障定位系统

针对配电网复杂线路,根据故障投诉电话信息构建的故障定位决策表,运用粗糙集理论对决策表进行化简,导出配电网故障定位规则的最小约简形式,揭示故障投诉电话信息内在的冗余性,同时,也能解决故障投诉电话信息不完备情况下的故障定位问题.通过仿真算例表明,该方法简单、可行、定位快速、准确.     

基于粗糙集和ANFIS相结合的配电网故障诊断方法

为了提高配电网故障诊断的准确性和效率,提出了将粗糙集与自适应神经网络模糊系统(adaptive neuro-fuzzy inference system,ANFIS)相结合构建粗糙集和神经网络的智能混合诊断系统,以充分利用粗糙集理论对知识的约简能力和神经网络的容错学习能力.通过粗糙集理论中的信息熵概念对诊断系统输入变量进行合理选择,即选取与故障诊断信息相关性大的参数作为输入,然后利用ANFIS进行建模和参数辨识,并通过训练样本进行学习训练,这样既减少了神经网络的学习训练时间,又提高了诊断的准确度.用该方法对某一实际配电网进行了故障诊断,结果表明:该方法计算速度快,具有良好的容错性能和在线故障诊断潜力.     

粗集理论在车辆传动系故障诊断中的应用

用粗集的方法对车辆动力及传动系统的故障数据进行分析处理 ,通过计算属性的重要性和依赖度 ,从而获得最小的有效故障特征参数向量 ,使得车辆故障的快速实时诊断成为可能 .并通过计算决策的协调度来完成多决策信息的故障诊断 .结果表明 ,粗集方法在车辆故障诊断这一领域有着广泛的应用和其他方法无法替代的优越性     

基于熵和粗集的设备故障诊断方法

提出了一种基于熵和粗集的故障诊断方法。利用信息熵判断系统运行状态，确定系统故障的严重程度，并依据故障程度采集相应的数据，在此基础上，运用一种改进的区分矩阵方法进行相对约简并对不一致信息进行处理，最终形成一种综合策略的诊断规则。     

基于Rough set理论的无线传感器网络节点故障

提出了一种无线传感器网络（WSN）节点故障诊断的新方法，首先基于粗糙集理论中改进的可辨识矩阵算法得到故障诊断决策的属性约简；然后通过属性匹配的故障分类算法，建立一套WSN节点故障诊断方法，对WSN节点的各个模块分别进行具体的故障诊断和定位. 仿真实验表明，该方法在WSN节点故障诊断时通信代价小、能量消耗低、诊断准确率高，因而具有在能量有限的WSN节点中应用的可能性.     

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.     

基于粗糙神经网络的歼击机操纵面智能故障诊断

提出了一种基于粗糙神经网络的歼击机操纵面故障诊断方法．给出并证明了可利用粗集方法对故障信息进行快速特征提取的方法，用其作为神经网络的前置系统进行信息预处理，减少了所需样本数目，从而简化了神经网络结构，减少了网络训练时间，并且充分利用了神经网络容错及抗干扰能力，有效地降低了故障诊断中的误报率和漏报率．该方法可以进行组合故障的诊断，且具有较好的鲁棒性．仿真实验说明了该方法的有效性和实用性．