基于SOM网络的IVC空气过滤器故障分类

介绍了自组织特征映射（SOM）网络的结构和学习方法，提出将SOM网络应用于IVC（独立通风笼盒）空气过滤器故障模式分类的方法。并尝试用单一故障样本对网络进行训练，根据“赢”单元在竞争层的位置对多故障进行判断。实验结果表明，该方法减少了网络训练的工作量，并且达到了较好的分类效果。     

基于PSO-RBF神经网络的模拟电路故障诊断研究

针对模拟电路故障诊断的难点和传统诊断方法的不足之处,提出了一种基于PSO算法优化的RBF神经网络模拟电路故障诊断方法。为了约简网络结构从而提高诊断效率,采用主成分分析方法对故障特征进行有效提取。针对RBF网络传统训练算法中隐层节点中心及基函数宽度选取困难问题,提出采用PSO算法来优化训练RBF网络,以提高网络的训练速度和泛化性能。最后,通过电路仿真对所提方法的有效性进行了验证。     

具有容差的模拟电路故障定位的神经网络实现

结合Ｋ故障诊断和ＢＰ网络的分类功能,提出了一种神经网络实现模拟故障定位的方法,该方法将ＢＰ网络训练成具有推广能力的广义故障字典。     

基于径向基神经网络的旋转机械故障诊断

针对旋转机械故障征兆与故障模式映射的复杂性,以及BP网络容易陷入局部极小、收敛速度慢等缺点,提出基于径向基（RBF）神经网络的风机故障诊断方法。以风机振动信号的7段频谱能量峰值作为故障特征,采用训练好的RBF网络进行故障辨识。结果表明,RBF网络能满足风机故障诊断的准确性,并在避免局部极小和节约训练时间方面有较好的实用性。     

基于深度信念网络的铁路信号设备故障识别

针对现有铁路信号设备故障识别算法特征提取不准确导致正确率偏低的问题,提出了深度信念网络(DBN)的故障识别模型。该模型首先利用无监督训练方法对DBN的多个堆叠受限玻尔兹曼机(RBM)进行预训练,获得网络初始参数;然后,结合铁路信号设备识别问题,构建BP神经网络,利用有标签样本进行反向传播训练,实现网络参数微调。实验结果表明,该模型避免特征提取的人工操作,能够有效实现铁路信号设备故障的准确智能识别。     

基于贝叶斯网络的DC-DC电源故障不确定性分析

为解决DC-DC电源模块故障诊断中不确定性的相关问题,研究了电源模块故障不确定性产生的原因,同时对不确定性信息类型与推理方法进行了研究。利用贝叶斯网络对DC-DC电源模块故障产生原因与故障模式进行建模描述,经过BIC与K2评分算法训练完成后,可以进行不确定性推断。在故障概率方面分析了模块中的不同故障部件对电源模块故障的影响,利用MATLAB平台根据模拟数据对不确定性模型进行了分析,验证了基于贝叶斯网络的故障预测不确定性模型的有效性。     

基于小波径向基网络的电力电子电路故障诊断

提出了一种基于小波径向基神经网络和主成分分析的电力电子故障诊断方法,该方法用小波变换和主成分分析对数据进行预处理,提取出有效故障特征信息,实现数据压缩,减少了神经网络的训练时间,选用径向基(RBF)网络为故障分类器,解决了BP网络容易陷入局部极小点的问题,提高了训练速度,并且具有诊断率高的特点.实例证明了该方法的有效性,并与其他诊断方法进行了对比.     

容差模拟电路的软故障诊断的小波方法

给出了容差模拟电路软故障诊断的小波与量子神经网络方法,利用小波分析,取其能反映故障信号特征的成分做为电路故障特征,再输入给量子神经网络,不仅解决了一个可测试点问题,并提高了辨识故障类别的能力,而且在网络训练之前,利用主元分析降低了网络输入维数。实验证明了这种方法的可行性与适用性。     

基于Matlab Web Server的神经网络远程故障诊断方法

提出了基于Matlab Web Server的神经网络远程故障诊断方法,使得网络客户端能通过Intranet访问远程Matlab Web Server从而对神经网络进行训练,训练完成后可以利用训练好的神经网络进行远程故障诊断。事实上利用相似的方法,利用Matlab的强大仿真与计算功能也可以加强网络的仿真与计算功能,具有很大的实用价值。     

基于KNN改进的BP神经网络的油浸式配电变压器故障诊断

电力变压器一直是高压变电站系统和中小型发电厂使用的一项重要辅助电力设备,假如其工作一旦设备发生故障,系统将不能稳定的正常工作。同时,伴随着变压器电气等级的上升,变压器的价格就越贵重,如果因为故障受到损坏,对我国的经济社会的发展造成不可挽回的后果。由于科技的进步,传统的检测方法精度已经无法满足判别油浸式变压器故障的安全要求,因此需要一个安全性和可靠性高的便携的检测变压器故障的保护方法。从BP神经网络出发,构造了BP模型并对之训练仿真,得到识别率为60%。为了进一步提高故障识别率和精度,引入深度学习的概念,阐述了KNN网络的基本原理,以及其网络的结构和工作机制,据此又设计了一个KNN网络的模型,并使用DGA数据做好网络训练和结果剖析,识别率可达到90%。接着对两个模型做了对比,发现KNN优于BP神经网络。     

基于SOM神经网络的航舵故障分类方法

为解决航舵故障诊断的复杂非线性模式分类问题,提出一种基于自组织特征映射(SOM)神经网络的航舵故障诊断方法,构造一个2层SOM神经网络,训练后多个权值向量位于输入向量聚类中心,实现快速有效的自适应分类.仿真结果表明:SOM网络经过100次训练即可实现聚类,对有限故障测试样本分类准确率可达90％,对航舵故障诊断具有一定的参考价值.     

基于神经网络与最小二乘法在故障诊断中的应用研究

首先介绍BP神经网络与非线性最小二乘法在故障诊断中的应用,然后融合两者的技术特点,提出一种用于分析时序冗余信号,基于参数估计的故障诊断技术。随后,较详细地介绍了用于故障诊断神经网络样本的生成和网络的训练,通过以不依赖系统模型的神经网路的输出作为初始估计,利用依赖系统模型的最小二乘法完成对故障参数的最终估计。最后,通过在不同输入激励下的输出响应进行校验的方式,以仿真的方式验证了该故障诊断的应用具有可行性。     

小波网络非稳态故障诊断方法及应用

简要介绍了基于小波网络的非稳态故障诊断方法,并利用该方法结合某防空兵器电力系统故障诊断实例,通过变尺度地学习和训练建立了对应的小波网络,经过仿真试验,取得了起好的效果。说明小波网络的故障诊断方法较其它诊断方法而言,在军事上的运用更具有其独特的优势,在武器装备系统中有广阔的推广前景。     

基于粗糙集混合系统的雷达印制板故障智能诊断

新型雷达可更换的板级电路复杂、数量多。为了快速诊断板级电路故障,提出了采用分类的粗糙集-神经网络-专家系统的混合系统实现雷达装备的故障诊断。简要介绍混合系统进行雷达板级电路故障诊断的工作原理;建立了故障诊断样本;并以实例对粗糙集-神经网络-专家系统的混合系统进行训练和实际诊断。结果表明,该方法诊断准确性高,比其他方法更为快速有效,较好地解决了雷达可更换板级电路的故障诊断问题。     

基于神经网络与专家系统的电路故障诊断研究

大型电路故障诊断过程复杂,故障征兆和故障原因之间存在许多不确定因素,建立精确的故障诊断系统存在一定困难.单纯运用专家系统存在许多不足之处.为此,文中基于BP(反向传播)神经网络,利用神经网络与专家系统相结合建立故障诊断系统,阐述了这种故障诊断系统的构建方法及其推理机的训练进程,并以某电路为对象对该诊断系统进行了试验验证.结果表明,该方法是可行和有效的.     

一种基于神经网络的模拟电路故障诊断方法

提出了一种基于模拟电路故障诊断的神经网络方法。这种方法利用小波分解、数据标准化、主成分分析对输入数据进行预处理,采用k个神经元输出的前馈神经网络结构进行有效训练。该方法检测和识别故障准确率高,系统的鲁棒性和稳定性强。     

紧致型小波网络在模拟电路故障诊断中的应用

提出了一种新的基于紧致型小波神经网络的模拟电路故障诊断方法。该法首先利用小波包变换对故障信号进行预处理,减少了紧致型小波神经网络的输入数目,简化了紧致型小波神经网络结构,然后对紧致型小波神经网络进行训练和测试。仿真试验表明,该方法比普通BP神经网络方法训练速度更快,诊断准确率更高,容错能力强,非常适用于模拟电路故障诊断。     

基于特征值提取与神经网络的抽油井故障诊断

示功图特征值提取是在功图数据中挑选具有代表性的数据,经过计算处理得到最有效的特征值,作为故障诊断系统中神经网络的输入。而自组织竞争神经网络结构简单,可以通过自身训练,实现对油井故障的自动分类。该神经网络模型的训练速度快,而且诊断的准确性更高。该方法已在江苏油田的实际应用中取得了良好的效果。     

某型炮兵雷达便携式故障诊断系统的设计与实现

某型炮兵雷达自装备部队以来,在使用过程中发现故障现象明显增多,已严重影响了雷达的日常训练和战斗力的形成。针对目前炮兵雷达基层部队技术力量薄弱,故障维修困难等问题,基于专家系统和神经网络技术开发了雷达便携式故障诊断系统,实现了雷达故障的快速诊断及排除,提高了雷达的综合保障能力。探讨了系统的硬件结构、故障诊断架构、故障诊断模型和故障诊断流程。应用结果表明系统的可行性和实用性,极大地提高了维修效率和故障诊断能力。     

基于BP网络快速诊断电视电路直流故障

测后诊断速度和诊断精度是电视直流故障诊断性能的重要衡量指标。文中将神经网络的自学习和分类技术应用于电视电路直流故障诊断中，把反向传播BP网络训练成一个故障学习库．考虑到元件参数容差对诊断的影响，提出优选训练样本的具体方法。此外，为实现快速诊断，重新定义了BP网络输出误差函数，提出了可变步长的快速选择方法。通过仿真实验，证明这些措施的实施能实现快速准确诊断电视直流故障的功能。