基于SOM神经网络的凝汽器故障诊断研究

应用自组织特征映射(SOM)神经网络实现凝汽器的故障诊断。介绍了SOM网络的结构和学习算法;总结了凝汽器的故障集、征兆集和故障特征数据。在MATLAB环境下给出了凝汽器故障诊断的具体实例,表明该方法是一种可行有效的凝汽器故障诊断方法。     

基于SOM神经网络的人力资本聚类分析

对人力资本数据进行知识的发现,可以了解未来各地区人力资本的演化进程,从而对连带的一系列的社会问题如教育、劳动力结构等将有一个充分的认识。正确的人力资本预测结果将对政府制定与此相关的政策意义重大,利用数据挖掘中的SOM神经网络技术,对各地区的人力资本进行了聚类分析,得出中国各地区的教育结构分为5个层次的结论。聚在一起的地区在教育的结构层次上具有一定的相似性,而且与各地区经济发达程度密切相关并得到部分结论。     

红外热像法在低速边界层诊断中的应用研究

讨论了在低湍流度风洞进行的用红外热像法诊断二元连界层转捩的研究情况及其结果,简要地阐明了用红外热像仪诊断连界层转捩的一些技术问题,研究结果表明,用红外热像法诊断翼型连界层转捩的位置的方法是可行的,结果是可靠的。     

基于小波奇异熵和SOM神经网络的微电网系统故障诊断

针对微电网系统运行方式灵活、拓扑结构多样的特点,基于对小波变换、奇异值分解和泛化信息熵基本理论的分析,揭示了小波奇异熵能够对故障信号给出确定的量度,将小波奇异熵与自组织特征映射(self-organizing feature map, SOM)神经网络相结合,提出一种能够适应微电网系统拓扑结构变化情况的故障诊断方法。 利用PSCAD4.2建立了微电网故障仿真系统,进行故障诊断仿真试验。 试验结果表明:该方法不受故障位置、故障时刻等因素的影响,在微电网系统拓扑结构发生变化的情况下,能实现有效的故障诊断。     

基于红外热像仪的磨削温度监测系统研究

基于现有的磨削温度测量方法的缺陷,设计了基于红外热像仪的磨削温度自动监测系统.该系统采用红外热像仪实时地获取磨削温度数据及图像,并可对磨削温度红外图像上任意指定区域进行数据分析,实现了在磨削温度超过预设值时及时报警的功能,实际应用表明,系统具有数据准确、实时性强、能有效避免磨削烧伤等优点.     

红外热像增强算法发展研究综述

红外热像技术因具有检测效率高、对被测目标无影响、检测结果形象直观等优点而得到广泛应用.但在红外热像仪硬件、被测对象表面状况及检测环境等因素的影响下,实际成像质量或许达不到理想水平,从而影响后期关键信息的识别和提取.红外热像增强算法可在一定程度上改善成像质量,削弱红外热像不利因素的影响.传统的红外热像增强算法主要分为两大...     

红外热像仪精确测温技术探讨

红外热像测温技术已经比较成熟,现在被广泛的应用到民用以及军事领域,且具有良好的应用效果。此项技术的应用原理,主要利用了所有温度高于绝对零度的物体,均会以电磁波的形式向环境中辐射能量,包括红外光波。而红外光波具有很高的温度效应,这样便可以利用红外热像仪来进行测温。与其他测温技术相比,热像仪测温具有更高的精确性。本文分析了影响红外热像测温技术实施效果的主要因素,并提出了相应的优化措施。     

电站锅炉红外热像技术的应用

应用红外热像非接触特性，监测锅炉初步改造后的炉膛运行状况，评价运行的安全性和稳定性，为进一步的改造提供测试数据。     

红外热像测温中真实温度的计算

在阐述红外热像测温原理的基础上,推导出实际应用中各种条件下计算被测表面真实温度的通用计算公式,最后提出在实际测温中,应尽量准确测出被测表面发射率值.     

基于SOM神经网络的三维编织复合材料制件损伤诊断模型研究

三维编织复合材料制件主要应用于承载器件,在实际应用过程中经常会受到高温、高压、高空辐射等环境因素的影响,容易出现制件疲劳甚至损伤情况.笔者建立了基于自组织特征映射神经网络（SOM）的损伤诊断模型,实现了三维编织复合材料制件的损伤监测和数据分析处理;设计了基于MATLAB的仿真实验平台,实现了制件损伤监测与分析的可视化.实验获得的损伤监测数据与制件实际测试的数据相同,证明了建立的基于SOM的损伤诊断模型在三维编织复合材料损伤监测和数据分析处理方面的可行性,对提高我国复合材料制件的健康监测应用水平具有应用价值.     

基于人工神经网络的变电站故障诊断

介绍了一种利用人工神经网络（ＡＮＮ） 实现变电站故障诊断的方法,该方法充分利用人工神经网络所具有的强大的学习能力及高度的容错性等特点,实现对变电站故障元件的诊断．仿真结果表明,该方法不仅能准确地诊断出保护、开关正确动作时的故障元件,也可有效地诊断出因保护或开关拒动的越级故障时的故障元件．     

面向电力变压器油中溶解气体的卷积神经网络诊断方法

油中溶解气体分析法（Dissolved Gas Analysis,DGA）是判断变压器内部故障的重要方法之一。针对传统基于浅层的机器学习方法在变压器故障诊断中存在的特征提取和泛化能力方面的不足,提出了一种基于卷积神经网络的变压器故障诊断方法。利用网络中的卷积层对油中溶解气体进行特征转换,结合池化层强化重要特征的能力,对故障敏感特征进行提取。通过实验研究了卷积核数目、卷积核大小、池化层、网络深度对模型诊断性能的影响。通过混淆矩阵、ROC曲线和PR曲线对比分析了卷积神经网络模型、支持向量机(Support Vector Machine,SVM) 模型、BP神经网络(Back Propagation Neural Network,BPNN)模型。实验结果表明,卷积神经网络模型的诊断性能更为优秀。     

基于遗传小波神经网络的电网故障诊断方法研究

电网故障中继电保护和断路器的拒动、误动以及信息上传过程中的丢失、畸变等问题使快速、准确的故障诊断仍是一个难题。神经网络方法虽已应用,但神经网络容易陷入局部极小值,针对此情况,提出了基于小波神经网络和遗传算法相结合的故障诊断方法。用遗传算法学习小波神经网络的权值、尺度函数、结构,可以确定用于故障诊断的最优小波神经网络。并对算例进行了仿真,仿真结果表明优化的故障诊断系统优于BP算法的诊断系统,提高了故障诊断精度。     

一种并行神经网络的机械故障诊断方法研究

在机械设备故障诊断中,对并发故障的诊断是一个难解决的问题,本文提出了用一种并行神经网络的方法来解决这个问题。介绍了并行神经网络故障诊断的机理,并且以饱和汽轮机的冷凝器为诊断对象讨论了该方法的实现技术。     

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.     

Elman神经网络在变压器故障诊断中的应用

变压器是电力系统中的枢纽设备之一,其运行情况将直接影响电力系统的安全运行。传统的变压器故障诊断方法不仅判断变压器中存在的故障的准确率低,而且对综合性故障也无法准确判断。应用E lm an神经网络进行变压器故障诊断,极大的提高了诊断准确率,提高电力系统运行可靠性。     

基于可拓神经网络的变压器故障诊断

针对BP神经在变压器故障诊断中用于模式识别时,存在训练准则和分类准则不一致而导致的样本识别率降低和网络训练速度缓慢的问题,采用了可拓学的扩缩变换,通过在输出空间中用一个特定的区域（称作教师区域）来代替教师信号,然后将可拓神经网络用于变压器故障诊断中。通过实例证明,可拓神经网络模型的训练速度有了极大提高．模式识别问题得到彻底解决。     

Improved BP Neural Network for Transformer Fault Diagnosis

The back propagation （BP）-based artificial neural nets （ANN） can identify complicated relationships among dissolved gas contents in transformer oil and corresponding fault types, using the highly nonlinear mapping nature of the neural nets. An efficient BP-ALM （BP with Adaptive Learning Rate and Momentum coefficient） algorithm is proposed to reduce the training time and avoid being trapped into local minima, where the learning rate and the momentum coefficient are altered at iterations. We developed a system of transformer fault diagnosis based on Dissolved Gases Analysis （DGA） with a BP-ALM algorithm. Training patterns were selected from the results of a Refined Three-Ratio method （RTR）. Test results show that the system has a better ability of quick learning and global convergence than other methods and a superior performance in fault diagnosis compared to convectional BP-based neural networks and RTR.     

基于Mask R-CNN与改进BP神经网络联合算法的变压器套管红外热故障诊断

为解决传统图像类算法在变压器套管状态诊断时存在的效率低、准确度不高以及复杂背景下变电设备目标识别困难等问题，提出了将Mask R-CNN与改进BP神经网络相结合的套管红外图像状态诊断方法。首先，利用Mask R-CNN解决套管红外图像背景复杂时分割困难的问题；其次，基于灰度特征的特征量提取方案，实现对红外伪彩图特征量的提取；最后，引入粒子群优化BP神经网络（PSO-BP）算法对变压器套管特征进行分类识别。实验结果表明，该方法对红外图像中套管的运行状态具有较好的检测效果，对套管中介质损耗故障、接头故障和漏油故障的故障诊断准确率分别可达100.0%、88.9%和96.3%，平均准确率达到93.518%，优于传统BP算法和支撑向量机（SVM）算法。     

基于Spiking的RBF神经网络故障诊断算法

神经网络是一种不依赖模型的控制方法,其自身并不需要给定预先需要的有关先验知识和判断函数,因此能对变化的环境（包括扰动和噪声信号等等）具有良好的自适应性.RBF神经网络是具有单隐层的三层前馈网络,由输入到输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的.其优点在于收敛速度快,具有唯一最佳逼近的特性,且不会陷入局部最小的问题.Spiking神经网络采用时间编码的方式来进行数据处理,更接近于实际生物神经系统.基于Spiking的RBF神经网络在预测精度和误差控制上有着显著的效果.