一种基于RBF神经网络的智能故障诊断方法

根据神经网络独特的容错、联想、推测、自适应、自学习等优点,针对BP网络在故障诊断应用中收敛速度慢等不足,研究了基于RBF神经网络的智能故障诊断方法.该诊断方法只需要足够的具有代表性的故障样本用以训练神经网络,然后将归一化的故障信息输入给训练好的神经网络,根据其输出结果就可以判断发生的故障类型.利用该诊断方法,对发动机转子系统故障诊断进行了仿真,仿真结果表明,基于RBF神经网络的智能故障诊断方法效果良好.     

基于小波包分析和Elman神经网络的军用电源智能故障诊断

军用电源作为地空导弹系统的供电设备,其可靠运转关系到地空导弹系统作战效能的发挥。为实现地空导弹电源逆变器的故障诊断与容错运行,将小波包分解与Elman神经网络结合进行故障特征提取及故障辨识,并应用于地空导弹静变电源的故障诊断。在准确诊断出故障的基础上,利用故障隔离切换电路,隔离故障桥臂,投入备用桥臂,保证静变电源继续正常运行。故障诊断和故障重构仿真的效果验证了该方法的有效性。     

基于神经网络的模拟电路的故障诊断

根据 BP神经网络的特点和性能以及电路故障诊断的要求 ,采用了 BP网络的权值与故障模式相对应的方法来进行电路的故障诊断 .该方法利用改进的 BP算法 ,首先建立故障模式 ,然后将故障模式与 BP网络的权值相对应 ,最后将权值作为故障诊断知识 .对模拟电路的软故障进行了仿真 ,仿真结果良好     

基于一种改进的一维卷积神经网络电机故障诊断方法

故障诊断对于保障电机正常运行有着重要意义,卷积神经网络（CNN）对单一电机故障有着良好的诊断效果.然而传统CNN在处理不同尺寸的数据上存在局限性.针对这一问题,提出了一种基于空间金字塔池化和一维卷积神经网络相结合的故障诊断方法与参数优化策略.该方法不仅使网络可以处理不同尺寸的数据,还降低了网络结构的复杂性和所需运算量.所提出的参数优化策略从理论上解决了诊断过程中可能会发生的金字塔池化的尺度失配问题.仿真结果表明,与传统网络相比,所提出的方法提高了网络结构的鲁棒性与泛化能力,可以更加快速准确地实现电机的故障诊断.      

T-S模糊神经网络在风机故障诊断中的应用

针对供热锅炉房风机故障的不确定性和复杂性的特点,结合神经网络的自适应自学习能力和模糊系统利用语言描述来获取知识的优点,建立了一种基于T-S模糊神经网络的风机二级故障诊断模型,以风机常见故障振动信号的特征频谱峰值变化为依据,诊断故障类型,并对故障原因进行识别。应用MATLAB软件进行系统仿真测试,通过实例与BP神经网络进行了对比分析,结果表明基于模糊神经网络的故障诊断方法收敛速度快、诊断精度高、效果较稳定,能够有效地诊断风机故障。     

基于LSTM-BP级联网络的列控车载设备故障诊断

列控车载设备是保障高速列车行车安全、提高运输效率的核心组成部分,快速有效地诊断其故障类型具有重要意义.针对300T型列控车载设备故障文本数据的错综性和时序性,提出一种基于LSTM-BP级联网络模型的车载设备智能故障诊断方法.首先,采用贝叶斯正则化(Bayesian Regularization,BR)算法优化BP神经网络提高模型的泛化能力;其次,利用长短时记忆网络(Long Short Term Memory Network,LSTM)的记忆特性,充分学习具有时序性的故障特征信息,解决BP神经网络模型难以准确诊断关机误报和引发故障等问题;最后,利用实际数据对模型进行多次试验分析,BR优化的神经网络模型分类准确率为85.06%;而LSTM-BP级联网络模型分类准确率达到95.10%,能够很好地解决对关机误报和引发故障诊断不准确的问题,验证了本文所提出的智能故障诊断方法的有效性.     

基于BP神经网络的三相逆变器故障诊断研究

针对三相桥式逆变电路为研究对象,建立了仿真模型,并对逆变器主电路开关器件的开路故障进行仿真,提出了基于BP神经网络的故障诊断方法,确定了网络的结构和参数,并以此训练网络.仿真试验结果表明,该神经网络具有很好的故障识别能力,所选择的基于BP神经网络的三相逆变器故障诊断系统是可行的.     

基于ELMAN神经网络的波焊炉故障诊断研究

针对传统的前馈神经网络误差反传学习算法具有容易陷入局部极小值,收敛速度慢以及容易导致震荡等缺点,提出了一种基于Elman神经网络的故障诊断方法.介绍了该网络的训练算法,阐明了故障诊断的系统结构及诊断步骤.在实验研究部分,根据波焊炉的现场条件及运行经验,确定了波焊炉的征兆集和故障集,详细介绍了数据处理方法及故障诊断的实现过程.MATLAB仿真实验验证了该神经网络收敛速度快、学习记忆稳定,可用于波焊炉故障诊断.     

深度学习在轴承故障诊断领域的应用研究

深度学习具有强大的学习能力和特征分类能力,能够在海量、多源和高维测量数据中进行特征提取,具有不依赖人工干预而进行模型诊断和泛化的能力,广泛应用于设备故障诊断领域。阐述了深度学习的典型模型:深度置信网络(DBN)、卷积神经网络(CNN)和自编码器(AE),重点论述了深度学习在轴承故障诊断领域的应用进展。最后讨论了深度学习在轴承故障诊断领域所存在的问题及发展趋势。     

基于SOFM神经网络的变压器故障诊断研究

SOFM神经网络具有强大的非线性映射能力和高度的自组织和自学习能力,将SOFM神经网络应用于变压器的故障诊断.利用改进的罗杰斯三比值法获取变压器故障诊断的特征向量,建立了SOFM网络故障诊断模型,并对模型进行训练.为了检验模型的实际诊断能力,以变压器的4种典型故障诊断为例进行仿真实验.仿真结果表明:SOFM神经网络能够根据获胜神经元在竞争层的位置对变压器故障进行判断,诊断准确率高,收敛速度快,泛化能力强,表明基于SOFM网络的变压器的故障诊断是一种行之有效的方法.     

一种利用LSTM和稳态时间序列的光伏阵列故障诊断方法

受最大功率点跟踪算法和时变环境条件的影响,光伏阵列的电气工作参数包含了复杂的暂态过程以及工频干扰噪声,严重影响了故障特征质量以及诊断算法性能。针对该问题,本文首先提出了一种基于最大功率点（MPP）的稳态时间序列预处理方法,以自动过滤数据中的暂态过程和干扰噪声,获取连续的稳态时间序列电气特征数据,作为故障诊断模型的输入参数;然后,提出了一种基于长短期记忆网络（LSTM）的深度网络模型,以实现对光伏阵列常见故障的检测及分类;最后,在一个小型光伏并网发电系统及其Simulink仿真模型上,进行故障模拟及仿真以验证所提出的故障诊断方法。实验结果表明所提出的故障诊断方法具有良好的精度和泛化性能,并且优于常规的反向传播神经网络（BPNN）和循环神经网络（RNN）。     

基于改进粒子群优化算法的电机故障诊断研究

针对电机转子故障,利用神经网络方法进行故障诊断研究。将基本粒子群优化(PSO)算法进行改进,并用其训练反向传播(BP)神经网络,对电机转子进行故障诊断。选用电机转子振动频谱分量作为神经网络的训练样本,将故障信息数据作为输入量代入已训练好的神经网络,通过输出结果即可诊断故障类型。仿真结果表明,基于改进PSO算法的BP神经网络可以有效地识别电机常见故障,具有较快的收敛速度和较高的诊断精度。     

基于改进卷积神经网络CNND的电主轴轴承故障诊断方法

目的解决深度学习方法在建立电主轴轴承故障诊断模型时出现的过拟合现象,提高电主轴轴承故障诊断准确率.方法提出一种基于改进卷积神经网络的诊断方法 ,该方法在卷积神经网络的训练过程中融入Dropout优化方法 ,使整个故障诊断模型按照一定的比例随机"关闭"隐藏层中的神经元,减少模型在每一次训练过程中所需要调整的参数数量.结果将Dropout优化方法与卷积神经网络相结合所建立的电主轴轴承故障诊断模型是可行的,其平均诊断准确率能够达到99.012%,远高于基于CNN、CNN+L2和BPNN这3种神经网络诊断方法的诊断准确率.卷积神经网络方法相比于传统的"基于信号处理提取到的特征和机器学习模型"方法 ,更适用于电主轴轴承故障诊断.结论提出的CNND方法实现了卷积神经网络与Dropout优化方法的有机结合,对原始数据进行降维处理使模型学习到的特征更利于电主轴故障的分类,同时根据故障数据的特点确定相关参数的初始值,克服一般深度学习方法在进行电主轴故障诊断时出现的过拟合现象,提高诊断准确率.     

基于分级模糊神经网络的水电机组故障诊断

针对水电机组发生故障时,故障征兆与故障原因之间复杂的对应关系,提出了一种新型的基于低、中、高3级模糊神经网络的故障诊断结构模型和相应的学习算法,并以此方法对该分级模糊神经网络进行了仿真训练.仿真实验结果表明,该方法能有效地对水电机组单故障与多故障样本进行分类,可提高诊断准确率.     

基于改进LSTM神经网络的化工过程故障诊断

针对现代化工过程中数据非线性、高维度以及动态时序等特点,传统的故障诊断模型对化工过程的故障诊断精度较低.基于此,设计了一种基于改进的长短时记忆神经网络(LSTM)故障诊断方法.首先,将采集的故障数据输入卷积神经网络(CNN),对数据进行特征提取和降维;其次,将处理过的数据输入改进的LSTM网络,进行深层特征提取;最后,把提取的深层特征信息输入到注意力机制进行特征“聚焦”,实现特征融合后输入softmax分类器实现故障分类.由田纳西-伊斯曼(TE)过程诊断实验结果表明,基于改进的LSTM网络的故障诊断方法在故障分类精度、训练速度方面都更优于递归神经网络(RNN)、门控循环神经网络(GRU)、卷积神经网络(CNN)和深度自编码网络(DAEN),在实际化工过程的应用有一定的优势.     

矿井提升机制动器的GA-BP故障诊断

针对矿井提升机制动器经常出现故障、耦合信号导致故障诊断相对复杂的问题,采用遗传算法优化BP神经网络的方法,通过调查和研究矿井提升机制动器的故障类型,收集相关数据,根据GA-BP神经网络确定网络的输入量和输出量,对矿井提升机制动器进行故障诊断.利用Matlab进行遗传算法优化的BP神经网络故障诊断的仿真分析.研究结果表明,诊断误差较小,输出向量与实际的故障结果一致,所以将遗传算法优化BP神经网络应用到矿井提升机制动器的故障诊断中是有效且可行.     

可诊断非线性电路直流故障的神经网络方法

测后诊断速度和诊断精度是模拟电路故障诊断性能的主要衡量指标。文中将神经网络的自学习和分类技术应用于非线性电路直流故障诊断，把反向传播（ＢＰ）网络训练成一部能诊断软、硬单故障的故障字典。考虑元件参数容差对诊断的影响，提出了优选训练样本的具体方法。此外，重新定义了ＢＰ网络的输出误差函数，使网络在训练时有较大的自由度。ＢＰ网络高度并行的信息处理能力决定了这种新型故障字典的诊断速度非常快。仿真实验结果表明，神经网络方法的综合性能要优于传统的故障字典法。     

基于贝叶斯网络的列控车载设备故障诊断

针对目前高速铁路列控车载设备故障诊断过度依赖于专家经验且诊断正确率不高等问题,提出了以专家知识为基础,以贝叶斯网络为核心的故障诊断方法.首先,以CTCS3-300T型列车运行控制系统的车载设备为研究对象,建立基于专家知识的贝叶斯网络.其次,根据故障记录数据集使用K2算法进行结构学习并对学习后的贝叶斯网络结构做适当简约处理.利用极大似然估计算法进行参数学习,得到故障诊断的最优贝叶斯网络.最后,通过诊断推理,得到该故障诊断模型的诊断正确率为88.20％,验证了该贝叶斯网络模型的可行性和有效性.     

传感器故障在线诊断和信号恢复的两级神经网络方法

目的研究控制系统中传感器软硬故障诊断和信号恢复．方法提出一种两级神经网络（ＮＮ）包括一个主神经网络和若干个局部神经网络方法．主神经网络负责诊断传感器故障,其输入为各传感器在时刻ｔ的信号,输出为各传感器在时刻ｔ＋１的信号．各局部网络负责传感器故障诊断和信号恢复．每一个局部网络对应一个传感器,局部神经网络输出为相应的传感器在时刻ｔ＋１的信号,其输入为其余传感器在时刻ｔ的信号．各网络均采用先学习,后工作的在线学习方法．结果与结论所述方法具有在线学习、故障误检率低、可以诊断多个传感器软硬故障的优点．对气垫船中传感器软硬故障诊断的仿真结果表明,该方法是行之有效的．     

遗传小波神经网络在模拟电路故障诊断中的应用

提出一种基于遗传算法(Genetic Algorithm, GA)、小波变换及神经网络(NN)的模拟电路故障诊断方法.该方法将小波基作为神经网络的传递函数,利用遗传算法优化神经网络的结构和权值,从而避免了BP神经网络结构设计的盲目性和局部最优等问题,大大减少了网络训练时间.利用该方法对模拟电路进行故障诊断有利于提高诊断的智能性及识别故障类别的能力,提高诊断的精度与速度.实例诊断结果表明文中所提方法是可行的.