共查询到20条相似文献,搜索用时 109 毫秒
1.
2.
3.
4.
5.
基于GA与L-M优化算法的变压器故障诊断研究 总被引:1,自引:0,他引:1
利用MATLAB环境建立一个用于变压器故障诊断的BP网络模型。首先利用具有全局寻优功能的遗传算法对BP神经网络的初始权值和阈值进行优化,然后采用L-M(Levenberg-Marquardt)优化算法对BP神经网络进行训练,从而达到加快网络训练速度,避免训练过程陷入局部极小点的目的。最后,详细记录网络的实际输出,并与期望输出做对比研究,最终证实了此网络达到了设计要求,可用于变压器的故障诊断。 相似文献
6.
电力系统负荷预测是实现电力系统安全、经济运行的基础,有着重要的意义。以某地区购网有功功率的负荷数据为背景,给出了小波神经网络——MRA(小波多分辨率分析) LMBP(L-M优化算法的BP模型)组合负荷预测模型对电力系统短期负荷进行预测。仿真结果证明组合模型比单纯使用神经网络负荷预测模型提高了预测精度,尤其是在一定程度上提高了每日峰值负荷的预测精度,具有良好的应用前景。 相似文献
7.
基于神经网络的某型飞机发动机故障诊断研究 总被引:3,自引:0,他引:3
航空发动机故障诊断技术对避免飞行事故和降低飞行器运行成本是十分重要的。提出一种BP网络对某型飞机发动机进行故障诊断,但是由于BP网络收敛速度较慢而且容易陷入局部极小值,特别是BP网络通常只能给出一个解,受训练样本病态影响大。因此通过对BP网络的改进,建立了L-M算法神经网络的飞机发动机故障诊断模型。实验表明,该网络在一定程度上克服了BP网络存在的的问题,在逼近能力、分类能力和学习速度等方面均优于BP网络。为机务人员提供了有效的、科学的发动机故障诊断方法,该种评估手段较好地解决了发动机故障诊断问题,在飞行安全中发挥着越来越大的作用。 相似文献
8.
9.
针对数据流时变性产生的概念漂移问题,在利用L-M算法优化BP神经网络的基础上,引入增量式学习机制,提出了一种具有动态自适应能力的概念漂移流式数据分类算法IBPNN-CDCA.实验结果表明,算法较之传统BP神经网络分类算法等具有更好的抗概念漂移能力,并且大幅度提高了分类准确度,从而为实时分类海量概念漂移数据提供了一种新方法. 相似文献
10.
11.
基于小波分解和BP网络模拟电路故障诊断研究 总被引:1,自引:1,他引:0
为了高效、准确地对模拟电路故障进行诊断,采用了一种基于小波多层分解和BP神经网络相结合的模拟电路故障诊断方法。该法利用了多层小波分解优异的时频特性来提取故障特征参数,结合了BP网络强大的非线性分类能力和快速的收敛特性。将该方法应用到模拟带阻滤波器单一软故障诊断中,仿真结果表明该方法是有效的,而且具有比传统BP网络方法的学习收敛速度快得多,诊断正确率高的特点。 相似文献
12.
13.
在运用BP神经网络进行模拟电路故障诊断过程中,代表故障特征的网络输入至关重要。分析了常见特征信息提取和故障诊断方法,提出一种基于多测试点、多特征信息原始样本集的新方法。运用这种方法构造原始故障特征集,然后作为BP神经网络的输入对网络进行训练,仿真结果表明,通过该方法构造的样本集训练出来的网络对模拟电路故障诊断的正确率优于传统方法,证明了该方法在模拟电路故障诊断中的可行性,为模拟电路的故障诊断提供了一种新方法。 相似文献
14.
15.
16.
17.
针对混沌动力学系统建模困难,控制不易实现,存在干扰等特点,在附加动量法的自适应BP网络的基础上,研究了混沌动力学系统的学习控制策略。构建了混沌动力学系统的NN模型和NN控制器,对混沌系统在学习的同时施加控制,仿真实验结果表明,该控制策略具有鲁棒性强,有良好的适应性,网络参数训练时间短等优点。 相似文献
18.
模拟数字电路故障诊断新方法 总被引:1,自引:0,他引:1
利用小波变换与神经网络相结合的方法,采用能量分布特征提取方法和改进BP算法,给出了一种基于小波变换和BP神经网络相结合的模拟电路故障诊断方法.用正弦信号仿真模拟电路,应用小波变换对模拟电路的采样信号进行多尺度分解,再进行能量分布特征提取,然后利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.在用神经网络诊断模拟电路的基础上,进行了将神经网络用于数字电路单故障诊断的研究.对两者的实例电路仿真结果表明,神经网络可以有效、方便地实现电路的故障检测和定位,准确率高,为故障诊断的研究提供了一种新思路. 相似文献
19.
20.
A fault diagnostic and reconfiguration method for a cascaded H-bridge multilevel inverter drive (MLID) using artificial-intelligence-based techniques is proposed in this paper. Output phase voltages of the MLID are used as diagnostic signals to detect faults and their locations. It is difficult to diagnose an MLID system using a mathematical model because MLID systems consist of many switching devices and their system complexity has a nonlinear factor. Therefore, a neural network (NN) classification is applied to the fault diagnosis of an MLID system. Multilayer perceptron networks are used to identify the type and location of occurring faults. The principal component analysis is utilized in the feature extraction process to reduce the NN input size. A lower dimensional input space will also usually reduce the time necessary to train an NN, and the reduced noise can improve the mapping performance. The genetic algorithm is also applied to select the valuable principal components. The proposed network is evaluated with simulation test set and experimental test set. The overall classification performance of the proposed network is more than 95%. A reconfiguration technique is also proposed. The proposed fault diagnostic system requires about six cycles to clear an open-circuit or short-circuit fault. The experimental results show that the proposed system performs satisfactorily to detect the fault type, fault location, and reconfiguration. 相似文献