模糊模式识别在凝汽器故障诊断中的应用

运用模糊数学方法,将阀值原则和最大尿属原则相结合,建立了凝汽器故障诊断模型。实践证明,该模型能有效地判定待识别征兆集是否为病态,而且氘得隶属度差别明显,因而能准确判定故障原因。避免因待识别征兆集病态引起的误判断或因几种故障的隶属度无显著差异,而导致无法明确诊断故障的问题     

基于模糊模式识别的凝汽器故障诊断研究

分析了凝汽器工作过程及故障机理 ,建立了凝汽器典型故障集、征兆集及典型故障特征向量集合 .应用模糊模式识别方法及最大隶属原则 ,建立了凝汽器故障诊断模型 ,并以实例验证该模型识别故障的准确性 .实践证明 ,该模型简单实用 ,能有效地识别凝汽器故障     

模糊理论在凝汽器故障诊断中的应用

以模糊理论为基础 ,结合凝汽器实际运行状况和现场专家经验 ,分析了故障与征兆之间的模糊关系 ,形成了凝汽器模糊故障诊断规则 ,并采用故障分解的方法 ,建立了凝汽器模糊故障诊断模型 ,最后用一具体故障诊断实例加以分析 ,验证模糊理论及方法在凝汽器模糊故障诊断中的应用     

汽轮机组凝汽器故障诊断方法的分析研究

结合凝汽器的实际运行状况和现场专家经验，介绍了3种凝汽器故障诊断方法：模糊模式识别、神经网络、模糊神经网络。用实例对几种方法进行分析比较，指出了凝汽器故障诊断方法的发展趋势。     

基于模糊神经网络的凝汽器故障诊断研究

采用模糊神经网络进行凝汽器的故障诊断。根据某电厂的运行规程及运行经验构造了进行凝汽器故障诊断所需的全部17个隶属函数,利用这些隶属函数可以对各个输入进行模糊化处理,使之成为量化输入。对模糊BP网络进行训练,可以得到模糊BP网络的知识库结构。在此基础上,对一个凝汽器实际故障进行了诊断,得出了令人满意的结果。     

基于模糊神经网络的凝汽器故障诊断及其性能监测

凝汽器是凝汽式汽轮机的主要辅助设备,其凝汽器系统运行中出现故障的原因与故障征兆之间是非线性关系,具有复杂性、模糊性和随机性,难以用数学公式表示。针对此情况,结合模糊理论与神经网络2种故障诊断方法的优势,提出采用串联型模糊神经网络为凝汽器故障诊断模型,用Matlab 6.5矩阵式运算语言开发故障诊断及其性能监测软件。故障诊断软件包括征兆参数的获得、故障诊断及结果柱状图显示;性能分析软件主要是相关参数的计算及正常与变化工况曲线的比较。给出了某电厂100 MW汽轮发电机组诊断实例。     

基于遗传-神经网络的凝汽器故障诊断研究

综合遗传算法的全局优化和神经网络的并行计算等特点 ,提出了一种基于遗传 -神经网络的凝汽器故障诊断的方法。用遗传算法来优化神经网络权值 ,克服了神经网络易陷入局部解的缺陷 ,使神经网络具有较好的全局性和收敛速度。具体故障诊断实例表明 ,该方法诊断准确 ,具有一定的应用价值     

对分式凝汽器故障诊断的模糊模式识别及神经网络方法

凝汽器工作状况好坏直接影响凝汽式汽轮机发电机组运行的安全经济性。为此,针对某300MW机组对分式凝汽器的结构特点、实际凝汽系统构成及现场的DAS测点布置,首次运用基于模型的故障仿真方法,较完善的总结了对分式凝汽器的典型故障知识库,并对故障征兆的具体表达方法进行了探讨。在此基础上运用模糊模式识别和人工神经网络2种方法实现对分式凝汽器故障诊断。故障模糊模式识别采用了一种改进的故障隶属函数形式,有效克服了现有隶属数易对正常工况产生误诊断的不足,有效克服了现有隶属数易对正常工况产生诊断的不足。神经网络训练过程中,提出了基于恒误差修正率控制的网络学习率自适应调整方法,大大加快了网络收敛速度,便于实现故障的在线实时诊断,通过诊断实例比较了各方法改进前后及两种不同方法的诊断效果。     

基于遗传算法的模糊控制器规则优化

模糊控制器设计的关键问题就是模糊控制规则的选择。基于遗传算法的模糊控制规则表优化,是为模糊控制提供一种更加方便、有效的查表法。为了提高模糊控制器的性能,提出了基于遗传算法的模糊控制器规则表的优化方法,并进行了仿真实验。仿真结果表明,在模糊控制中采用遗传算法使控制系统最终达到所要求的控制效果,证明了该方法的可行性和有效性。     

一种基于遗传算法和神经网络的故障诊断方法

针对人工神经网络中常用的反向传播算法存在易陷入局部极小点和对初值要求较高的缺点,提出一种基于遗传神经网络的电力电子电路故障诊断方法.该方法在BP神经网络拓扑结构确定的情况下,先用遗传算法来训练网络的权值和阈值,经过若干代的交叉、变异后得到稳定的权值和阈值;再将它们赋值给BP神经网络作为初始值,重新训练.实例表明优化后的...     

基于改进GA-BP混合算法的电力变压器故障诊断

将改进遗传算法(GA)和误差反向传播(BP)算法相结合构成的混合算法用于训练人工神经网络.该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等缺点,并对其应用于电力变压器故障诊断进行了仿真,仿真结果表明了该算法具有较快的收敛速度和较高的计算精度,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性.     

基于小波模糊网络的电厂汽轮发电机组故障诊断

针对传统故障诊断方法在汽轮发电机组振动类多重并发故障诊断中的局限性，提出了小波变换与模糊理论相结合的诊断方法。采用二进离散小波变换获取有效的故障特征向量，利用模糊诊断方程进行故障模式分类。通过选择足够的样本对故障诊断方程进行训练，将代表故障的信息输入训练好的诊断方程，由输出结果即可判定故障类型。实际应用表明该方法可以有效诊断汽轮发电机组振动类多重并发故障，诊断结果全面、准确。     

基于粗糙集理论的故障诊断决策规则提取方法

为了在故障诊断信息不一致的情况下提取简单有效的诊断规则，提出了一种基于粗糙集理论的决策规则提取方法。该方法从定义的故障诊断决策系统出发，将故障诊断问题用一个具有不同简化层次的决策网络表示，在引入诊断决策规则的覆盖度概念后，推导出每个网络节点的诊断决策规则集。在应用网络进行故障诊断时，用待诊实例的信息与网络中相应节点的诊断决策规则集进行匹配，即使在故障诊断信息不完备的情况下，也能得到正确的诊断结果。以某往复机械故障为例验证了该方法的有效性。     

基于模糊动态模型的传感器故障诊断方法

提出了解决控制系统全工况运行条件下传感器故障的诊断方法。系统的动态特性用模糊动态模型描述，模糊动态模型由一组反映系统局部动态的线性子模型通过模糊关系连接而成，基于观测器理论进行故障残差的设计，提出了一种衡量故障残差鲁棒性能的指标，然后采用遗传算法优化该鲁棒性指标，得到故障诊断观测器的优化增益阵和加权阵，最后讨论了诊断系统的稳定性，仿真结果表明：该诊断方法能很好地适应系统运行的不同工况，并有效地提高了诊断策略的鲁棒性。     

基于遗传算法的配电网故障定位和隔离

目前配网的故障定位和隔离采用故障电流分析方法,在实时信息序列中存在畸变信息时有可能错判或误判。本提出基于遗传算法的配电网故障定位和隔离,能进行全局寻优求解,并通过对实时信息进行０、１编码和构造评价函数实现寻优。当这时信息中出现畸变信息时,能自动纠错和进行准确的故障定位,并具有高容错性能。仿真结果证明了该方法的有效性。     

基于非线性主元分析和概率神经网络的凝汽器故障诊断方法研究

该文提出了一种基于两个神经网络的凝汽器故障诊断方法.首先使用非线性主元分析神经网络进行特征提取,降低数据维数,既简化了诊断过程,又确保故障诊断精度.随后使用概率神经网络获取最终的故障诊断结果,该神经网络训练速度快,而且容易添加新的训练样本.最后将提出的方法用于某汽轮机组凝汽器故障诊断中,测试结果表明该方法行之有效,且易于工程实现.     

基于遗传算法的超声波电机模糊自适应速度控制

行波接触型超声波电机是一种利用压电陶瓷的逆压电效应工作的新原理微特电机，与传统电磁型电机截然不同，其驱动力矩并非由电磁感应产生，而是由压电陶瓷超声频域的振动转化而来，参数的时变性，系统内在的非线性、系统的强耦合性等原因导致其动态和稳态数学模型难以获得。在未知控制对象精确参数及数学模型的情况下，该文提出一种新的超声波电机自适应速度控制策略。控制系统包括两个闭环，内环用来补偿由于温度变化造成的机械谐振频率漂移，可以增强响应的快速性与准确性，另一闭环为频率调节环，频率值由模糊控制器根据工作状态随时调整，其模糊控制规则基于遗传算法在线调节。系统较好地实现了设定的速度参考模型的自适应跟踪，具有控制灵活，适应性强的优点，又具有较高的控制精度和较好的稳定性。     

基于粗糙集理论与模糊Petri网络的油浸电力变压器综合故障诊断

电力变压器故障诊断因果关系的复杂性与模糊性，采用单一智能方法难以准确描述。文中基于智能互补融合的思想，将粗糙集理论与模糊Petri网络有机结合在一起进行油浸电力变压器故障诊断。利用粗糙集信息表简化技术来实现对专家知识的简化与故障特征的压缩，获得最小诊断规则，基于最小诊断规则的Petri网络模型可以有效降低网络结构的复杂性与故障特征获取的难度。同时利用模糊Petri网络实现并行模糊推理，便于描述故障特征的变化及对变压器运行特性的快速分析。故障实例分析表明，文中所提出的智能方法可以有效地进行模糊推理，减小诊断信息的冗余性，诊断效率高，计算快速、准确，结果易于被人理解。     

基于遗传算法的电力系统故障诊断的解析模型与方法──第三部分:浙江电力系统EMS信息获取与测试结果

介绍了应用本文前两部分描述的故障诊断方法与实现的软件于浙江电力系统时,EMS信息的获取方法以及模拟在线故障诊断的测试结果。     

一科基于模糊规则和神经网络的负荷预测方法

考虑到每个小时发电成本各异,因此本文在训练用于负荷预测神经网络时采用了带动态的模糊化加权因子的加权完全平方法的训练方法,与传统的用于负荷预测的神经网络的训练相比,本文提出的方法更加符合实际而且经济效益更好,同时文中分别采用完全平方法（ＮＮＬＳ）,固定加权因子的加权完全平方法（ＮＮＷＬＳ）和带动态的模糊化加权因子的加权完全平方法（ＮＮＦＷＬＳ）进行网络训练并进行比较,仿真结果显示在整个预测周期中采用