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。     

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.     

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.     

改进GA-PSO算法的船舶电力系统故障诊断

为解决船舶电力系统故障识别的准确性以及快速性问题,在BP神经网络预测的基础上,提出一种改进的粒子群(PSO)和遗传算法(GA)混合优化BP神经网络的方法。改进包括两方面：一是对粒子群的惯性权重和学习因子进行改进;二是对遗传算法的变异概率和交叉概率进行改进。对发生故障时的三相电压信号进行小波包分解,提取各频率段的能量熵作为故障特征。经测试,优化后的算法诊断准确率明显提高,神经网络训练次数和误差减小,验证了改进GA-PSO-BP算法的可靠性,以及用于船舶电力系统故障诊断的实用性。     

基于综合网络和小波分解的逆变器故障诊断

由电力开关管组成的逆变器非线性较强,进行故障诊断比较困难。采用SAPSOBP综合诊断网络(模拟退火算法、粒子群算法和BP神经网络的有效结合)和小波分解相结合的方式,以输出侧电压作为特征信号,经小波分解后的离散近似信号和离散细节信号作为特征向量,通过模拟退火算法对粒子群算法权重和加速因子的优化,结合被粒子群算法优化了阈权值的BP网络及其分类预测功能,对特征向量诊断。由实验结果表明,SAPSO-BP网络和小波分解相结合对故障元件的诊断有良好的效果。     

改进PSO优化SVM的滚动轴承故障诊断

提出一种基于改进粒子群算法和支持向量机的滚动轴承故障诊断方法.首先分析基本粒子群算法的不足及其关键参数,提出多方面改进的粒子群算法,利用10种基准测试函数对比多种粒子群算法,证明该改进算法的优势.然后结合支持向量机,建立滚动轴承故障诊断模型,并提取滚动轴承振动信号的时域、频域、小波包节点能量和CEEMDAN分量排列熵四种特征,构成单一特征和组合特征作为诊断模型的输入特征向量.最后利用凯斯西储大学滚动轴承数据进行验证,并与网格算法、遗传算法和多种不同粒子群算法进行对比.试验证明,本改进粒子群算法优化支持向量机模型在滚动轴承故障诊断中更具优势.     

基于QPSO小波神经网络的网络异常检测

为了提高网络异常检测中,对异常状态的检测率,降低对正常状态的误判率,提出一种基于量子粒子群优化算法训练小波神经网络进行网络异常检测的新方法.利用量子粒子群优化算法(QPSO)训练小波神经网络,将小波神经网络(WNN)中的参数组合作为优化算法中的一个粒子,在全局空间中搜索具有最优适应值的参数向量.实验数据采用KDD CUP99数据集,实验结果表明:该学习算法与传统的梯度下降法(GD)和粒子群算法(PSO)相比,收敛速度快,具有更好的全局收敛性,提高了异常检测的准确性,同时该方法对于新的异常也有较高检测率.     

基于改进粒子群优化算法的灰色神经网络模型

根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.     

速度自适应粒子群优化算法在故障诊断中的应用

在原始粒子群优化算法(PSO)中设置动态最大限制速度基础上,提出一种速度自适应粒子群优化算法。经过神经网络的测试表明,该算法在收敛速度和精度上都优于原始算法,并且参数选取灵活,容易实现。将改进算法应用于实验室变速箱的神经网络故障诊断系统中,并与PSO和BP算法进行了比较,得出该算法不仅对变速箱故障的识别准确率比较高,而且故障诊断的精度和效率也较高。     

改进PSO的WNN模型在短期负荷预测中的应用

针对电力系统负荷预测中实际的负荷数据往往具有极大的波动性,模型呈现出极大的非线性,提出一种改进粒子群优化的小波神经网络模型,将其应用于电力系统的负荷预测研究.首先,分析和介绍了小波神经网络和改进的粒子群算法的基本原理和优点;其次,将改进的PSO算法用于优化小波神经网络的参数优化;最后对改进的PSO-WNN负荷预测模型进行仿真分析.实验结果与传统PSO-WNN的实验结果进行对比,证明改进的PSO能够提高模型的运算效率和负荷预测精度.     

基于GAPSO-SVM的航空发动机典型故障诊断

针对遗传算法（GA）和粒子群优化（PSO）算法优化支持向量机（SVM）存在容易陷入局部最优解、诊断精度相对较低、鲁棒性较差的问题,提出了一种结合GA、PSO、模拟退火算法的GAPSO优化算法,利用这种算法对SVM的参数进行了优化,优化后的算法能够较好地调整算法的全局与局部搜索能力之间的平衡.通过对航空发动机典型故障的诊断研究表明,该方法不仅能够取得良好的分类效果,诊断精度高于BP神经网络、自组织神经网络、标准SVM、GA-SVM,而且有较好的鲁棒性,更适合在故障诊断中应用.     

基于WPD-PSO算法的整流电路故障诊断

针对电力电子电路故障类型多、诊断正确率低的问题，提出基于小波包分解和粒子群算法优化概率神经网络的方法。建立三相桥式全控整流电路仿真模型，利用小波包分解技术对故障电压信号进行三层小波包分解与重构，提取特征值，并对数据进行归一化处理；用粒子群算法优化概率神经网络寻找合适的平滑因子，对数据进行训练和诊断；将该方法与未优化的概率神经网络作对比。仿真结果表明，该方法在训练效果和诊断正确率上都要优于未优化的概率神经网络。     

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%。     

基于粒子群优化的高维小波神经网络及其应用

本文提出一种粒子群优化小波神经网络的新方法.先采用基于梯度下降的误差反传算法调整小波神经网络参数,再使用粒子群算法修正,从而建立了粒子群优化的高维小波神经网络,并将该方法用于构建热连轧产品质量模型.仿真结果表明,此模型提高了预测精度和收敛速度.     

思维进化算法优化模糊神经网络的变压器故障诊断

提出一种基于思维进化算法的模糊神经网络变压器故障诊断方法。该方法利用思维进化算法中的趋同和异化操作,对模糊神经网络中输入变量的隶属度函数位置参数和宽度参数以及神经网络的连接权值进行全局优化,可有效地克服常规模糊神经网络BP算法收敛速度慢、精度不高和遗传算法训练模糊神经网络速度缓慢、易陷入局部极小等缺点,有利于更快地收敛于全局最优解。并将其应用到基于溶解气体分析的变压器故障诊断中,实例表明,采用该方法具有较快的收敛速度和较高的诊断准确度,说明了该方法的正确性和有效性。     

基于遗传小波神经网络的变压器故障诊断

电力变压器油中溶解气体的色谱分析是变压器故障诊断的重要方法,通过该方法可以间接了解变压器的运行状态和内部潜在故障.人工神经网络已经成功地应用于电力变压器故障诊断,但学习样本数多和输入输出关系复杂性减慢了网络的收敛速度.为解决此问题,将用遗传算法改进的小波神经网络应用于电力变压器故障诊断,克服小波算法易于陷入局部极小、收敛速度慢等缺点.