基于CPSO-PNN及灰色关联度分析的电网分区故障诊断

随着能源需求的增加、电网规模的扩大，电网故障诊断难度也随之增大.针对该问题，提出基于混沌粒子群优化的概率神经网络及灰色关联度分析的电网分区故障诊断方法.首先，将大型电网划分为小区域；其次，利用混沌粒子群优化的概率神经网络对小区域进行故障诊断；最后，对重合区域的故障进行灰色关联度分析.仿真结果表明：该方法对非重合及重合区域的故障均能进行诊断，具有较高的故障诊断精度.     

基于粒子群蛙跳算法优化BP神经网络的滚动轴承故障诊断方法

针对滚动轴承故障诊断方法存在的局限性及缺陷,在利用小波分析提取滚动轴承故障信号特征向量基础上,提出基于粒子群 蛙跳算法优化的BP神经网络滚动轴承故障诊断方法。该方法采用粒子群 蛙跳算法优化BP神经网络结构参数,利用改进BP算法和样本数据训练BP神经网络,实现滚动轴承运行正常和4种不同故障状态的诊断。实验验证结果表明,基于粒子群 蛙跳算法的BP神经网络方法诊断误差最大值仅为005,为未优化的神经网络诊断误差的1/16;与其他算法相比,基于粒子群 蛙跳算法优化的BP神经网络方法的训练时间、训练误差和诊断精度各项指标均为最优,可实现滚动轴承故障的快速、准确、有效诊断。     

基于DNPSO的支持向量机的发动机故障诊断

设定了基于粒子序号和粒子邻居数量的动态邻域粒子群模式,并通过田口试验分析了6种测试函数的优化性能,选定了粒子群算法的惯性权重、粒子邻居数量及加速系数等参数的较优渐变模式,建立了具有较为广泛适应性且运算量相对较低的动态邻域粒子群模型.利用该模型优化了支持向量机的惩罚参数和核函数评估参数,在发动机的故障特征识别过程中,通过与BP神经网络及标准粒子群算法优化参数的支持向量机等分类器的比较,动态邻域粒子群算法优化的支持向量机具有较高的特征识别能力和较强的鲁棒性.     

基于自适应神经模糊Petri网的电机故障诊断

为了提高电机的维护效率,实现电机实时故障诊断功能,基于传统Petri网理论、模糊理论和神经网络算法,提出了一种具有自适应性的神经模糊Petri网故障诊断方法。首先,利用高斯函数代替变迁可信度,解决故障传递不确定性的问题,结合BP神经网络对参数进行适应性训练。然后,根据Petri理论,引入竞争算子对矩阵推理方式进行改进,结合Sigmoid函数,提高了算法的计算效率。最后,以三相异步电动机为例,根据三相异步电动机的故障运行机理和故障特性,建立系统模型并进行故障诊断。仿真结果表明,该算法能准确地诊断出三相异步电动机的故障,具有较好的准确性和适应性。     

基于免疫粒子群和BP神经网络的变压器故障诊断技术

为了解决粒子群算法的早熟收敛问题和BP神经网络梯度下降训练法收敛速度慢、容易陷入局部极小值的问题,将免疫学中的克隆、变异理论用于粒子群算法的优化,建立免疫粒子群算法并给出算法步骤及免疫粒子群算法训练BP神经网络的步骤,将其应用到电力变压器的故障诊断中.仿真实验证明所提出的方法对变压器故障的诊断准确率可达95%以上,能够满足工程应用的需要.     

人工智能在故障诊断中的应用研究

针对神经网络存在的缺点和不足,主要分析神经网络和粗糙集、支持向量机、粒子群、小波相结合使用的方法.粗糙集和神经网络相结合用于故障诊断,可以通过粗糙集的知识约简功能大量消除训练样本中的冗余信息,减少神经网络的输入层节点,简化网络结构,缩短训练时间;基于神经网络和支持向量机的复合故障诊断技术不但可以进一步提高个体模型预测精度,而且可以使故障诊断模型始终处于最优识别状态;粒子群优化神经网络能够加快网络收敛速度,提高训练精度;小波神经网络能够很好地对故障进行分类,具有较高的识别精度.     

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。     

自适应粒子群优化BP神经网络的变压器故障诊断

在分析粒子群参数特征的基础上,提出自适应粒子群优化算法,使用自适应粒子群优化BP神经网络,建立基于自适应粒子群优化BP神经网络(PSO-BP)的变压器故障诊断系统.通过对52组训练样本和28组测试样本的仿真实验,可知自适应PSO-BP法能提高变压器故障诊断的准确率,有效减小网络的误差精度.     

粒子群优化算法在齿轮箱振动信号去噪中的应用

 以振动频谱分析和粒子群优化算法为主要理论依据,以风力涡轮机齿轮箱为例,提出一种基于一维加速搜索算法和粒子群优化的齿轮箱振动信号去噪方法。利用一维加速搜索算法缩减搜索范围,应用粒子群优化算法提升优化效果,对切比雪夫带通滤波器和Morlet小波滤波器的设计参数进行优化,并对齿轮箱故障振动信号进行滤波处理。仿真实验结果表明,此方法能够实现快速有效滤波去噪,适用于齿轮箱实时故障诊断的研究,具有一定的理论研究价值和实践应用价值。     

基于DSP的交流电机故障诊断

交流异步电机是广泛使用的能量转换装置.对鼠笼异步电动机的常见故障进行分析及诊断,提高电机故障的监测诊断水平,具有重大实用价值.本文应用小波包-神经网络算法实现了基于DSP的交流电机故障诊断.利用小波包分解算法提取出电机故障特征向量,并针对轴承和偏心故障特征,提出对数故障特征向量的算法.将故障特征输入基于任务分解的神经网络,实现基于DSP的电机定子、偏心以及轴承故障诊断.     

基于RBF人工神经网络的电动机振动故障诊断

针对电动机转子不平衡、不对中、油膜涡动、转子径向碰摩、喘振、轴承座松动等常见的几种振动故障,用RBF网络对提取出的6种故障信息进行分类,判断故障类型,并进行了仿真试验,最后将试验结果与BP网络的诊断结果进行了详细的分析比较.结果表明,RBF网络可以应用于电动机转子振动故障诊断,其诊断速度比BP神经网络快,诊断结果也更为准确.     

基于信息融合技术的电机故障诊断

为了能够从多方面反映电机系统状态，实现对电机故障模式的自动识别与准确诊断，将数据融合技术与神经网络相结合，建立电机故障诊断系统。在数据融合级上，将故障特征量进行分类处理，然后采用多层神经网络进行故障特征级融合与电机故障的局部诊断，获得彼此独立的证据，再运用D-S（Dempser Shafer）证据理论融合算法对各证据进行融合，最终实现对电机故障的准确诊断。诊断测试试验证明，该诊断系统提高了电机故障诊断的精度，并能满足诊断的实时性要求。     

一种混合型训练方法在感应电动机故障诊断中的研究

针对感应电动机故障征兆与故障模式之间的复杂性和实际系统中的非线性给故障诊断带来的困难,采用一种把放大网络梯度函数(MGF)和附加动量项的自适应学习速率(ABPM)算法相结合的混合型方法(MABPM)建立感应电动机的神经网络故障诊断模型.通过与附加动量项的标准BP算法、ABPM算法、Polak-Ribiere共轭梯度算法和RPROP算法相比较,表明了MABPM算法具有更好的泛化稳定性和全局收敛性,故障诊断的平均准确率高于其他算法,并具有良好的诊断效果.     

无刷直流电机匝间短路故障定位及定量评估方法研究

针对无刷直流电机匝间短路故障问题,提出一种结合深度迁移学习和多维特征拟合方法,以实现匝间短路故障的精确定位和定量评估。同步采集电机定子绕组的三相电流信号,将一维电流信号转化为图像信号,采用基于迁移学习的卷积神经网络实现匝间短路故障的定位,在确定故障相之后,从电流信号中提取并筛选敏感特征,采用特征拟合方法实现故障等级的定量评估。实验结果表明,所提出的方法能够实现100%精度的故障相定位,同时故障定量评估的相对平均误差低至4.33%。该方法对于永磁电机系统的定子绕组故障精确定位和精密诊断具有潜在的应用价值。     

基于分形和神经网络的柴油机振动诊断方法

提出了一种基于分形理论和神经网络技术的柴油机振动诊断方法,首先对柴油机的振动信号进行小波降噪,然后提取相应的不同迭代阶数的广义分形维数,并将其作为RBF神经网络的输人参数,以运行工况作为输出参数训练神经网络模型．训练后的神经网络可以利用测量的振动信号来判断柴油机的故障状况．实验及仿真结果表明：采用的小波降噪技术可以较好地再现振动信号特征,有效提高故障识别率;同时基于分形和神经网络技术的诊断方法在柴油机故障诊断中是有效可行的,对于单个故障的正确识别率达到了100％,具有较高的工程适用性,对其他复杂机械的振动诊断同样具有参考价值．     

组态式牵引电动机故障诊断模型

摘要： 针对电动机典型的故障诊断模型网络结构复杂、训练困难等问题,提出一种组态式牵引电动机故障诊断模型.该模型由多个多输入单输出的子径向基函数神经网络构成,每个子模型识别一种故障特征.根据系统需要将多个子模型任意组合,用来识别类型繁多的电动机故障.利用特征提取后的样本数据对该模型进行训练,并通过测试样本验证了故障诊断模型的有效性.结果表明,采用组态式牵引电动机故障诊断模型,一个子模型仅识别一种牵引电动机故障状态,结构简单,模型训练难度小,提高了模型的故障识别能力以及应用的灵活性,为牵引电动机故障诊断提供了一条新思路.     

On-Line Fast Motor Fault Diagnostics Based on Fuzzy Neural Networks

An on-line method was developed to improve diagnostic accuracy and speed for analyzing running motors on site.On-line pre-measured data was used as the basis for constructing the membership functions used in a fuzzy neural network(FNN)as well as for network training to reduce the effects of various static factors,such as unbalanced input power and asymmetrical motor alignment,to increase accuracy. The preprocessed data and fuzzy logic were used to find the nonlinear mapping relationships between the data...     

基于BP神经网络的电机转子故障诊断的研究

介绍了一种基于 BP算法的神经网络在电机转子常见故障诊断中的应用。首先利用测振传感器获得转子的振动信息 ,然后用 FFT分析 ,将振动信号的频谱分析作为神经网络的训练样本。通过选择足够的故障样本来训练神经网络 ,将代表故障的信息输入训练好的神经网络后 ,由输出结果就可以判断发生的故障种类。     

BP算法在旋转机械故障诊断中的应用

分析了旋转机械故障的特性,在此基础上对基于BP算法的诊断方法进行了研究,建立了旋转机械故障诊断的神经网络模型,对基于BP网络的汽轮发电机组的故障进行了诊断。实验证明,基于BP网络的旋转机械故障诊断方法具有较高的使用价值。     

泥浆泵液力端故障诊断技术研究

通过对现有的泥浆泵液力端故障诊断技术的分析研究,并结合泥浆泵的结构及工况特征,提出了振动信号统 计指标与神经网络相结合的液力端故障诊断方法。该方法选取振动信号的有效值、方差、峰值指标、脉冲指标、峭度指 标和裕度指标作为表征液力端振动信号的特征指标;采用动态数据采集仪、压电式加速度传感器采集振动测试信号, 并计算得出振动信号平均特征量;然后通过对振动信号特征指标的归一化处理,构建BP 网络和设置网络参数,将经 归一化处理后的时域统计指标作为训练样本,输入到构建的BP 网络中进行网络训练;经过训练,使BP 网络满足预定 的精度要求。现场应用诊断误差分别为：0.007 7,0.017 9,0.017 7,0.021 6,说明构建的BP 网络的性能能够满足故障 诊断要求。利用统计指标和BP 神经网络结合的故障诊断方法,对泥浆泵故障诊断具有较准确的识别效果,可应用于 泥浆泵液力端的故障诊断。