基于D-S推理的汽轮发电机组融合诊断

依据汽轮发电机组的故障特性，提出了一种有效的融合算法。首先将多个传感器获得的振动信号进行特征提取，而后通过BP神经网络实现故障分类，最后根据D—S证据推理做出故障决策并结出实例。文中对融合中每个传感器的权重也进行了讨论。     

基于VPMCD与DS证据理论的PT燃油系统故障诊断

根据PT燃油系统共轨低压信号的特点,提出一种基于VPMCD (Variable predictive model based class discriminate,简称VPMCD)和DS证据理论的故障诊断方法.对信号的时域和时频域指标采用VPMCD方法分别进行建模,按照预测误差最小的原则对故障模式进行判断.当故障的模式难以判断时,将VPM模型作为证据体,由故障训练样本中心的输出确定证据体的信任度,按预测误差的均方根计算基本概率分配,最后采用DS证据理论对各证据进行合成及决策.实践表明,VPMCD与DS证据理论的结合使用能够准确识别出PT燃油系统故障.     

基于多种理论融合的变压器在线故障诊断模型

为了保障电力变压器的安全稳定运行需大力研究开发电力变压器的在线状态监测与故障诊断系统。提出了利用改良三比值法配合模糊数学、RBF神经网络和D-S证据理论的多种理论融合的变压器在线故障诊断模型,最后通过大量故障案例来验证此故障诊断模型的有效性和准确性。     

多神经网络与D-S证据理论融合的凝汽器故障诊断方法

在凝汽器故障诊断的研究历史中,人工神经网络有着举足轻重的作用。但由于单一神经网络自身缺点的存在,使得故障诊断的准确率不高。针对这一问题,使用BP神经网络和Elman神经网络对故障样本进行训练仿真,并将诊断结果借助于D-S证据理论进行融合。结果表明:多神经网络与D-S证据理论融合的方法可以很好的进行故障剥离,诊断出最终故障,从而提高凝汽器故障诊断的准确性。     

基于无线远程通信技术的变压器状态在线监测系统设计

变压器的安全稳定运行直接关系到电力系统的可靠性,为保障变压器的安全稳定运行,提出了一种基于无线远程通信技术(GPRS)的变压器状态在线监测系统。该系统采用油气分析法,通过半导体传感器采集变压器油中溶解的5种特征气体含量,经在线监测终端数据处理后通过GPRS通信系统将采集信息传输到远程监控中心,经径向基神经网络模型对变压器状态进行诊断,若存在故障再经D-S证据理论进行信息融合,并给出了合理化建议。经测试,该系统功能完整,性能完好,能够准确地监测变压器状态。     

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。仿真结果表明,GOA优化后的BP神经网络模型相比于传统BP神经网络和基于遗传算法优化的BP神经网络,能够在保留广泛映射能力的前提下,提升网络的学习速度和全局搜索能力,进而缩短训练所需时间,提高故障诊断精度。     

基于无线远程通信技术的变压器状态在线监测系统设计

变压器的安全稳定运行直接关系到电力系统的可靠性,为保障变压器的安全稳定运行,提出了一种基于无线远程通信技术(GPRS)的变压器状态在线监测系统。该系统采用油气分析法,通过半导体传感器采集变压器油中溶解的5种特征气体含量,经在线监测终端数据处理后通过GPRS通信系统将采集信息传输到远程监控中心,经径向基神经网络模型对变压器状态进行诊断,若存在故障再经D-S证据理论进行信息融合,并给出了合理化建议。经测试,该系统功能完整,性能完好,能够准确地监测变压器状态。     

汽轮发电机组转子复合故障的研究

研究了一种综合应用神经网络的分类功能和D—S推理融合诊断的故障决策新方法。针对大型汽轮发电机组多重故障复合发生的实际情况，首先应用神经网络技术对复杂故障进行了初步诊断，然后应用D—S证据理论对诊断结果进行融合决策。解决了汽轮发电机组多重复合故障的诊断问题，并给出了诊断实例。     

基于改进的BP神经网络学习算法的变压器故障诊断

电力变压器的故障除了给其自身带来重大损失外,还对电力系统的安全造成很大影响。利用BP神经网络对变压器故障进行诊断,针对BP神经网络学习率的缺点,提出了一种跟踪型自适应学习率的确定方法,该方法仅需整定一个参数,有效地提高了BP神经网络的收敛性和训练时间,进而通过构建变压器故障诊断训练样本集,验证了该方法的可行性,获得了更精确的诊断结果。     

基于Dempster-Shafer证据理论的柴油机故障诊断

在简述多传感器信息决策层融合暨Ｄｅｍｐｅｒ－Ｓｈａｆｅｒ证据理论的基础上,研究了决策层信息融合的实现方法和算法,利用柴油机表面振动信号与高压油路压力信号所提供的特征信息进行融合处理,使用决策规则对柴油机供油系统工作过程多种故障进行了诊断识别。通过分析、比较基于融合信息进行诊断识别的结果与单传感器信息诊断识别的结果,说明了多传感器信息融合的诊断识别方法具有良好的稳定性、精确性和容错性,能够有效地提高     

基于多尺度深度卷积网络特征融合的滚动轴承故障诊断

针对传统滚动轴承故障诊断模型对工程先验知识依赖性强、提取特征不充分、分类器选取困难等问题,提出一种基于多尺度深度卷积网络特征融合的滚动轴承故障诊断模型.首先,建立集特征提取与模式识别于一体的卷积神经网络模型,利用小波变换将滚动轴承振动信号转换为二维图像作为输入样本集.然后,在网络结构中构建多尺度特征融合模块自适应提取故...     

基于VMD和SVPSO-BP的滚动轴承故障诊断

为了提高旋转机械滚动轴承故障诊断的准确率,提出一种基于变分模态分解（VMD）和缩放变异粒子群算法（SVPSO）优化BP神经网络的旋转机械滚动轴承故障诊断方法。通过在标准粒子群算法中加入缩放因子以及粒子变异操作提升其局部与全局寻优性能,得到一个改进的粒子群算法——缩放变异粒子群算法（SVPSO）,再利用该算法优化BP网络的权值与阈值,提高BP神经网络的故障诊断精度;进一步,为了减少输入特征向量对BP神经网络分类性能的影响,采用VMD分解轴承振动信号,并计算其IMF分量时频熵的方法构建信号特征向量。通过与其他采用相同基准轴承数据集的诊断方法作对比,所提方法的故障诊断精度和算法稳定性均得到有效提升。     

基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法

提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法。粒子群算法不需要计算梯度,可以兼顾全局寻优和局部寻优。利用粒子群算法对BP网络权值和偏置进行优化,减少了BP神经网络算法陷入局部最优解的风险,提高了神经网络的训练效率,加快了网络的收敛速度。考虑风电齿轮箱振动信号的不确定性、非平稳性和复杂性,提取功率谱熵、小波熵、峭度、偏度、关联维数和盒维数作为故障特征。经测试,算法诊断结果正确,表明了PSO优化BP神经网络用于风电机组齿轮箱故障诊断的有效性和实用性。     

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。     

BP神经网络在高压共轨式电控柴油机故障诊断中的应用

作者运用了优化算法的BP神经网络设计高压共轨式电控柴油机的故障诊断系统，以电控发动机的传感器数值作为BP网络的输入，把发动机的故障状态作为BP网络的输出，以此来对电控柴油机进行实时的故障诊断。将诊断结果与实测结果进行比较后，证明此方法是可行的。     

基于图像处理与神经网络的内燃机故障诊断研究

在提出应用图像处理进行故障诊断的基础上,探讨了利用内燃机振动信号产生图像的方法。在对振动信号进行重抽样处理的基础上,实现了振动信号的灰度图像表示,从缸盖振动信号的灰度图像中提取图像特征并对图像特征进行模糊化处理,设计神经网络分类器,实现了对气阀机构故障的诊断与分类。     

小波神经理论在风力机齿轮箱故障诊断系统中的应用

风力机齿轮箱振动信号是一种时频特性复杂的非平稳信号,常规的时域和频域分析方法难以有效的分析齿轮箱故障及提取故障特征。提出一种基于小波分析和神经网络的风力机齿轮箱故障诊断方法,该方法采用小波时频分析技术对风力发电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,为实现智能诊断提供故障特征值。应用BP神经网络进行故障识别,并采用LabVIEW和matlab软件予以实现。结果表明,该方法能有效提高风力发电机组齿轮箱故障诊断的准确性。     

基于小波包神经网络的整流电路晶闸管故障识别

在电力能效监控管理系统中,提出了基于小波包的特征提取和BP(back propagation)神经网络相结合的方法,对三相整流电路中故障晶闸管位置进行诊断和识别.根据整流电路原理,对22种故障情况分别进行编码.建立三相整流电路故障模型,采用小波包分解的方法,对直流端输出电压的采样数据进行特征提取,构建特征向量,作为BP神经网络的训练样本,将对应故障的编码作为网络输出,用简化的训练好的神经网络即可以实现整流电路的故障位置识别.仿真结果证明,采用小波包特征提取,作为神经网络训练样本,既可以简化神经网络训练结构,又可以准确实现故障定位识别.研究具有很大的工程实践意义.     

基于小波包能量特征向量神经网络的旋转机械故障诊断

为精确诊断旋转机械的故障,提出一种基于小波包特征向量的神经网络故障诊断方法。用转子台信号模拟旋转机械故障,并对采集到的信号进行3层小波包分解,构造小波包特征向量,并以此为故障样本对3层BP网络进行训练,实现智能化故障诊断。实验结果表明训练好的神经网络能够很好地诊断出转子台故障类型,为旋转机械的故障诊断提供了新方向。