谐小波模糊神经网络应用于旋转机械的故障诊断

根据旋转机械复杂的故障特点，提出了结合谐小波分析、模糊理论和神经网络形成的谐小波模糊神经网络方法，并将其应用于旋转机械的故障诊断，实现了模糊故障诊断。通过计算机实现了全部算法。仿真和试验的结果表明：谐小波模糊神经网络在处理多故障耦合的情况时优势明显，故障诊断正确率高，证明该方法行之有效，为旋转机械的故障诊断提供了理论支持和新方法。图2表3参7     

基于模糊神经网络的发动机故障诊断专家系统的研究

根据发动机的组成结构、功能原理及维修专家的实际经验，提出了一种基于模糊神经网络的故障诊断方法，将模糊逻辑和神经网络与传统的专家系统结合起来，开发出发动机故障诊断专家系统软件。该系统具有推理过程简单、快捷和准确等优点。     

带有偏差神经元的内回归神经网络在旋转机械故障诊断中的应用

针对传统的神经网络在机械故障诊断方面的不足，利用偏差神经元改进了基于BP神经网络算法的内回归神经网络(IRN)算法，加快收敛速度，提高运算质量，并将其应用于旋转机械的振动故障诊断与识别。实例结果表明：该算法学习收敛较快，误差曲线平稳，对复合故障的识别性能好。图6表3参4     

基于模糊神经网络的机械故障诊断研究

将模糊分类和传统神经网络相结合,建立了模糊神经网络（ＦＮＮ）故障诊断模型,并将该模型应用于透平机械故障诊断,同时在模糊神经网络的输出中引入故障概率因子,分析表明ＦＮ怕性能优于传统ＢＰ网络。     

计算智能在机械设备故障诊断中的应用

智能诊断是目前故障诊断领域研究的主要方向之一，阐述了传统人工智能与计算智能的基本概念以及分别应用二者进行故障诊断的基本原理和优缺点，介绍了计算智能理论，包括神经网络，模糊理论、模糊神经网络，遗传算法和粗糙集理论等，在机械设备故障诊断中的应用状况。     

分布式水电机组故障诊断集成专家系统的研究

针对水电机组故障诊断的多样性和复杂性，将分布式人工智能技术引入机组故障诊断技术的研究，提出一种适用于水电机组的分布式故障诊断专家系统结构和组织方法；并在此基础上，利用神经网络技术、可视化技术和模糊技术，提出了一种新的故障诊断集成知识表示方式和推理生策略，并已应用于某水电厂分布式故障诊断集成专家系统中。     

基于粗糙集与神经网络集成的内燃机故障诊断

鉴于粗糙集理论对于决策系统的约简处理能力以及神经网络的自组织聚类和非线性映射功能，提出了应用SOM的网络-粗糙集-BP网络集在进行故障诊断的方案：应用SOM网络离散化故障诊断数据中的连续属性值；基于粗糙集理论计算诊断决策系统的约简，根据实际需要确定最优决策系统，在量优决策系统的基础上设计BP网络进行故障诊断，柴油机的实际诊断结果验证了将神经网络与粗糙集理论相结合进行故障诊断的可行性，在数据充分的条件下，该方案可以推广应用于其它机械设备。     

人工神经网络在混合智能故障诊断技术中的应用研究

故障诊断的关键是寻找一种使诊断结果更为有效的方法。人工神经网络作为一种新兴的故障诊断方法，越来越受到人们的关注。然而，对于复杂的系统，单一的传统神经网络很难给出理想的结果。本文重点对神经网络与其它诊断方式融合的混合智能技术，即神经网络与专家系统、模糊控制、小波分析和遗传算法的结合以及集成神经网络等在故障诊断中的应用进行了综述。这些方法已应用到实践中，并取得了一定的成果。     

基于矢谱和L-M神经网络的旋转机械故障诊断研究

讨论了矢谱融合技术和Levenberg-Marquardt(L-M)神经网络的相关理论,提出了基于矢谱和L-M神经网络的旋转机械故障诊断方法,建立了基于矢谱的旋转机械常见故障诊断L-M神经网络模型.模拟实验结果表明:与基于单通道数据的诊断结果对比,将矢谱数据融合应用于旋转机械常见故障诊断,可有效提高故障诊断的准确率.     

D-S证据理论与小波神经网络在发动机故障诊断中的应用

将小波神经网络技术和D-S证据理论引入到发动机故障诊断中,利用小波神经网络良好的局部分析能力和融合特性,以及D-S证据理论对于不确定性故障的分析,提高了发动机故障诊断的精确性.     

基于改进段角加速度和神经网络的柴油机失火诊断研究

针对失火故障中存在的高速轻载诊断困难,失火程度无法判别的问题,通过对比分析正常状态与失火情况下瞬时转速的特征,发现缩短段角加速度段长度,能够有效提升特征对失火故障的敏感度,同时,用神经网络方法代替阈值规则,能够很好地利用各缸特征值间的联系诊断失火。基于此,提出一种改进段角加速度和神经网络相结合的失火故障诊断方法。该方法能够实现对全转速范围单缸完全失火的诊断,且利用二级诊断的方式可以对失火程度进行有效判别,在高速轻载工况依旧具有很好的准确率。同时,提出的方法在学习阶段所需数据量小,适用于发动机失火故障的在线诊断。     

基于核主元分析和GRU神经网络的电站辅机故障预警研究

为解决电站辅机运行工况多变、结构复杂以及故障频发等问题,提出了一种基于核主元分析(KPCA)和门控循环单元(GRU)神经网络的电站辅机故障预警方法。通过核主元分析法提取电站辅机设备故障征兆参数,进行原始数据的约简。采用GRU神经网络进行电站辅机设备故障预警模型的建立。以神华福建某电厂HP843/Dyn中速磨煤机为例进行故障预警模型的训练、测试以及验证,该方法可以有效且提前发现中速磨煤机故障征兆。     

基于粒子群优化神经网络的水轮机振动故障诊断

为了提高水轮机振动故障诊断正判率,提出粒子群算法优化BP神经网络的水轮机振动故障诊断方法,即把通过特征提取获得的机组故障特征量作为神经网络的输入,然后利用训练好的粒子群算法优化后的神经网络进行水轮机振动故障类型诊断。诊断结果表明,该方法具有良好的分类效果,比BP神经网络诊断模型诊断精度高。     

基于分层分布的变电站跨间隔闭环检修方法

针对现有变电站跨间隔故障检修方法收敛速度慢、检修率低的问题,提出基于分层分布的跨间隔闭环检修方法。首先按照分层分布式的设计思想,将变电站故障在线检修模块细分为信息采集层、网络层、后台控制层,构建网络资源和电气间隔故障状态的实时共享,然后提出电力系统在线故障检修体系结构,设计变电站分层分布式网络总体方案。利用Matlab进行仿真分析,并与ANN方法、专家评估法的结果对比。对比仿真分析表明,该方法的迭代速度快、均方误差值低、故障检修率高,可应用于实际工程中。     

基于对比歧化和深度置信网络的配电网故障类型识别

针对配电网数据分支多、设备类型多样、现有故障诊断方法精度低的问题,提出基于深度置信网络的配电网故障诊断方法。该方法建立了4种不同层数的深度置信网络,将配电网的实际监测数据分为训练和测试数据导入到深度置信模型,采用对比歧化算法优化初始参数选择和加速模型训练,测试模型对样本的识别精度,建立改进BP神经网络和Petri网对比故障识别精度。结果表明,深度置信网络可以通过实时分析配电网实时监测数据,准确辨识配电网故障类型,提高了配网故障诊断的准确率和速度。     

基于BP神经网络方法的风电场风速插补分析应用

[目的]准确的风资源数据对风场的风资源评估和发电量计算有着重大意义.由于机械故障、天气因素和人为影响等原因,风场内风速数据出现采集时间短、间断点多、数据失真等诸多问题,给风资源的评估带来不小的麻烦.[方法]现阶段风电行业内采用基于相关测量预测方法(MCP,Measure-Correlate Predict)(可称之为传...     

基于小波神经网络的机械故障智能诊断研究

探讨了动量系数和学习率自适应调整的神经网络算法,给出了动量系数和学习率的调整方法,并作为机械故障的特征识别方法,以小波分析技术作为机械故障特征信号的提取手段,由此建立了基于小波与自适应神经网络的旋转机械故障智能诊断系统,给出了诊断系统的训练学习方式和工作方式,通过实际测试数据酌诊断结果说明此诊断系统对故障诊断是有效的。     

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。     

基于神经网络的燃气轮机故障诊断

对燃气轮机润滑油系统常见故障原因进行了分析,并结合专家知识建立了润滑油系统故障知识库;在此基础上将RBF人工神经网络引入燃气轮机装置故障诊断中来,由于采用了一种动态RBF网设计方法,使得神经网络的规模较小同时具有较高的泛化能力,提高了神经网络的诊断速度及准确性.     

模糊自组织神经网络在汽轮机转子故障诊断中的应用

针对汽轮机转子故障分类问题,采用模糊数学和自组织特征映射神经网络方法诊断汽轮机转子的故障。该方法具有结构算法简单,无监督自学习和侧向联想等功能。