粒子群优化RBF神经网络的光伏阵列故障诊断

光伏阵列能否正常工作直接关系到整个光伏发电系统运行的安全性和可靠性。对于光伏阵列故障诊断中传统的BP神经网络诊断算法准确率低、收敛速度慢等问题,提出一种基于粒子群优化RBF神经网络的故障诊断算法。建立以光伏阵列的4种故障特征参数为输入、5种情况为输出的故障诊断模型,对基于粒子群算法的网络模型的自适应权重寻优进行仿真实验。最后,将优化算法与BP神经网络算法以及RBF神经网络算法进行对比。实验结果表明,优化算法不仅可以有效地诊断光伏阵列的故障类型,而且还可以提高故障诊断的准确率。     

基于小波包-GABP的滚动轴承故障诊断分析

为提高诊断滚动轴承故障的效率和准确率,本文将小波包变换、BP神经网络和遗传算法三者相结合,提出了一种基于小波包和GABP神经网络的故障诊断模型。由小波包的分解与重构在滚动轴承故障原始信号中提取有效的故障特征向量,并利用遗传算法优化BP神经网络,然后训练和诊断滚动轴承信号的故障类型。同时,运用Matlab软件把采集的数据进行仿真分析。仿真结果表明,相对于传统BP神经网络,利用遗传算法优化的神经网络对故障的诊断正确率更高,并且收敛速度较快,说明由遗传算法优化的BP神经网络在故障诊断方面具有较好的效果,而且遗传算法的引入使轴承故障诊断的适应度和准确率更高。该研究为滚动轴承的故障诊断提供了理论基础。     

自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP（Back—Propagation）网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35．4％,收敛速度提高了44．9％,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90．8％。     

基于遗传-BP网络的汽轮发电机组振动故障诊断

为克服传统BP神经网络存在着容易陷入局部极小点、对初值要求高的缺点,综合遗传算法的全局优化和神经网络的并行计算等特点,探讨了一种基于遗传-神经网络的故障诊断的方法,并将其应用于汽轮发电机组故障识别.实验数据表明,遗传-BP神经网络的收敛和诊断能力优于BP神经网络,可有效运用到汽轮发电机组振动故障诊断中,具有一定的应用价值.     

基于RBF与BP神经网络的建筑电气系统故障诊断比较研究

建筑电气系统的故障自诊断一直是国内外故障诊断领域的空白,其主要原因是建筑电气系统庞大、复杂,子系统多,难于建立数学模型.利用神经网络不依赖模型和收敛速度快的优势和特性,可以很好地解决该问题.由于神经网络在建筑电气故障领域的基础研究和应用非常少,通过对经典的RBF和PB神经网络故障诊断方法进行对比研究,为后续研究打下基础.通过利用建筑电气系统试验平台的数据进行实验,结果表明在两种神经网络未经优化的情况下,RBF网络在建筑电气故障诊断的应用上要优于BP网络.基于RBF网络的建筑电气故障诊断方法在工程上将有广阔的应用前景.     

利用改进遗传神经网络算法进行电力变压器故障诊断

将改进遗传算法与BP算法有机结合的混合算法用于神经网络训练,有效地解决BP算法易陷入局部极小问题,并对其应用于电力变压器故障诊断进行了仿真.实例仿真结果表明该方法对变压器进行故障诊断具有较快的收敛速度和较高的诊断精度.     

一种用于滚动轴承故障诊断的方法

采用振动分析法来进行滚动轴承元件的故障诊断.通过带通滤波、包络谱分析和小波包分析提取了反映滚动轴承故障的5个频域特征参数,同时还提取了对轴承早期冲击故障较敏感的5个时域指标.基于上述10个故障特征值,采用BP神经网络、基于遗传算法的RBF神经网络进行故障分类训练.试验结果表明上述10个特征值对不同的滚动轴承故障非常敏感;BP网络和基于遗传算法的RBF网络都能有效地分类不同故障;基于遗传算法的RBF网络在训练时间、训练误差以及识别精度上优于BP网络.试验证明了上述方法在滚动轴承故障诊断中的有效性.     

基于PCA与GA-LM-BP神经网络的变压器故障诊断

研究基于油中溶解气体的变压器故障诊断问题.采用主成分分析与数据归一化方法,对变压器故障样本数据进行规范化处理,使其更具有代表性.对比主成分规范化前后的样本故障诊断结果,主成分分析能够消除特征气体样本数据间的相关性,使输入层样本数据更加符合神经网络工作机理.实验可得主成分规范化后的样本故障诊断结果优于未经过主成分分析规范化的故障诊断结果.在主成分分析对数据规范化的基础上,进一步改进BP神经网络算法,建立基于Levenberg-Marquardt算法的LM-BP神经网络故障诊断模型,改善了BP神经网络模型诊断精度不高,网络收敛困难以及易陷入局部极小值等问题.利用遗传算法对LM-BP神经网络的权值和阈值进行优化,然后再进行第2次神经网络训练,克服了LM-BP神经网络性能受初始权值和阈值限制的问题,使故障诊断正确率提高了6.16%.通过对441组样本数据中随机选取的376组训练样本和65组检验样本进行故障诊断实验,诊断正确率达到83%,表明所构建的基于PCA与GA-LM-BP神经网络的故障诊断方法是一种有效的变压器故障诊断方法.     

小波包与径向基神经网络的电力电子装置故障诊断

为提高人工神经网络对电力电子装置进行故障诊断的准确性与快速性,提出一种小波包与RBF神经网络相结合并应用于电力电子装置故障诊断的方法。以三相桥式逆变电路为例,对电路的故障信号采用小波包分解,有效地提取出故障特征后利用RBF神经网络进行训练。仿真结果表明,该方法具有更快的收敛速度和更高的诊断精度,能够有效地进行电力电子电路的故障诊断。     

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.