基于小波包分析与RBF神经网络的模拟电路故障诊断

针对常用的BP神经网络须已知结构,且学习算法训练速度慢的缺点,提出一种基于小波包分析与径向基神经网络(RBFNN)的模拟电路故障诊断方法。该方法首先利用小波包分解,归一化作为预处理提取模拟电路的故障特征向量,再将故障特征向量输入到RBF神经网络进行故障诊断。仿真结果表明本方法能够对模拟电路的故障进行有效诊断和定位。     

基于RBF神经网络知识的智能故障诊断系统研究与实践

该文分析了径向基函数RBF神经网络的原理、结构模型、学习算法,并以某系统的电源模块故障为例,给出了RBF神经网络故障诊断系统的结构,并建立RBF网络模型进行学习、训练与仿真,结果证明此种故障诊断方法可以改进BP神经网络的一系列缺点,切实可行,具有较强的实用价值。     

神经网络在核动力装置故障诊断系统中的应用

对核动力装置进行状态监测与诊断的层次、步骤、系统结构进行了阐述，并结合专家知识对核动力装置典型故障建立了故障知识库；在此基础上，将径向基函数（RBF）人工神经网络引人到核动力装置故障诊断中，使其与模糊神经网络（FNN）进行邦联，提高了神经网络的诊断速度和准确性．用Visual Basic6．0编制了系统程序．该系统对典型故障进行了诊断，得到了预期的效果．     

基于径向基神经网络的污水管网堵塞诊断方法

为了对城市污水管网堵塞故障进行准确诊断,提出了基于径向基神经网络的污水管网堵塞故障诊断方法.采用节点液位高度为输入变量,构造了径向基神经网络故障诊断模型.基于管网水力模型构造了故障训练集,应用于某典型环状管网故障训练与诊断,采用训练后的模型对5组数据进行故障识别,均准确预测定位了堵塞故障管段,验证了方法的有效性.     

RBF网络在柴油机故障诊断领域中的应用与实现

阐述了神经网络的模型、算法和分类，主要分析径向基传递函数、径向基函数分布常数以及高斯函数的宽度系数，探讨MATLAB环境下采用径向基函数网络实现对柴油机故障诊断的方法，并与BP网络性能进行比较，表明RBF网络学习速度快，适于在线实时监测与诊断。     

虚拟现实变电站主变压器低压侧故障诊断模型研究

传统主变压器低压侧故障诊断模型需要大量故障特征数据;且故障特征数据不相互独立,很难找到最合适的特征实现故障诊断。为此,提出一种新的虚拟现实变电站主变压器低压侧故障诊断模型。介绍了虚拟现实变电站主变压器低压侧典型故障,主要包括漏电故障和短路故障,对这两种故障进行分析,发现出现故障时电压电阻变化特征,为建立故障诊断模型提供依据。依据贝叶斯定理,利用某对象的先验概率,通过贝叶斯公式求出其后验概率,构建单层贝叶斯分类器。在此基础上,利用径向基神经网络将故障类变量看作属性变量的父节点,构建故障特征相互独立的虚拟现实变电站主变压器低压侧故障诊断模型。实验结果表明,构建模型能够准确诊断低压侧故障,具有很高的应用性。     

基于RBF网络的游梁抽油机减速箱轴承故障诊断

针对抽油机减速箱轴承出现的故障问题,提出用径向基函数神经网络来进行诊断,充分发挥了神经网络的特点。介绍了径向基函数神经网络的构成,算法以及实现。该算法利用神经网络工具箱进行了仿真。结果表明,该算法可行,可以大大提高故障诊断的准确性。     

电机滚动轴承故障诊断中BP与RBF神经网络的比较

针对电机滚动轴承故障检测的复杂性,采用了理论成熟且应用较多的BP神经网络和RBF神经网络两种故障诊断方法。首先通过经验模态分解的方法对滚动轴承的振动信号进行故障特征提取,并将故障特征向量输入到BP神经网络和RBF神经网络进行达标训练,最后对两种神经网络在滚动轴承故障诊断方面进行了比较分析,结果表明,两种神经网络的故障诊断效果均理想,但是RBF神经网络故障诊断结果较准且训练速度快,具有一定的优越性。     

虚拟现实变电站主变压器低压侧故障诊断模型

传统主变压器低压侧故障诊断模型需要大量故障特征数据;且故障特征数据不相互独立,很难找到最合适的特征实现故障诊断。为此,提出一种新的虚拟现实变电站主变压器低压侧故障诊断模型。介绍了虚拟现实变电站主变压器低压侧典型故障,主要包括漏电故障和短路故障,对这两种故障进行分析,发现出现故障时电压电阻变化特征,为建立故障诊断模型提供依据。依据贝叶斯定理,利用某对象的先验概率,通过贝叶斯公式求出其后验概率,构建单层贝叶斯分类器。在此基础上,利用径向基神经网络将故障类变量看作属性变量的父节点,构建故障特征相互独立的虚拟现实变电站主变压器低压侧故障诊断模型。实验结果表明,构建模型能够准确诊断低压侧故障,具有很高的应用性。     

RBF网络在电喷发动机故障诊断中的应用

阐述了神经网络的模型、算法和分类,利用电喷发动机实测数据作为学习样本,采用径向基函数神经网络建立发动机的故障诊断模型,通过该模型对电喷发动机的参数进行了辨识,表明RBF网络学习速度很快,适于在线实时监测与诊断.     

基于RBF网络的液压伺服系统故障诊断研究

针对液压伺服系统故障的特点,提出融合液压系统状态信息作为系统特征向量,以RBF神经网络作为模式分类算法的智能诊断方法,并论述采用RBF神经网络作为液压伺服系统故障诊断分类算法的可行性与优势。最后以仿真电液位置伺服系统为例,建立相关的RBF网络,验证以上的陈述。     

基于改进的RBF神经网络的配电网故障诊断模型

结合梯度下降算法和进化算法对RBF神经网络进行改进,建立了基于改进的RBF神经网络的配电网故障诊断模型.配电网故障诊断实例表明,基于改进的RBF神经网络的配网故障诊断模型具有较高的诊断精度.     

基于径向基函数(RBF)神经网络的储层损害诊断技术研究

在石油勘探开发过程中会因各种原因造成储层损害,降低油井产量甚至停产,必须对损害储层进行准确定量诊断的基础上采取相应的解堵措施,提高或恢复油井产量．人工神经网络法是进行储层损害诊断较好的方法,但目前仅限于BP神经网络,或改进的BP神经网络的应用．本文通过对BP神经网络和径向基函数（RBF）网络的对比表明,径向基函数（RBF）网络具有收敛速度快、预测精度高等优点,并在确定影响储层敏感性和各损害类型因素的基础上,分别收集了各数据70组以上,然后进行了径向基（RBF）网络训练和应用,分别建立了径向基（RBF）神经网络在储层损害敏感性和定量诊断领域的应用,实现了对储层水敏性、盐敏性、速敏性预测,以及储层微粒运移、固相颗粒堵塞、水化膨胀和结垢损害程度的定量诊断;同时,提出的径向基（RBF）网络储层损害定量诊断法在孤东油田17口井上得到了检验,成功率达100％,证明RBF网络法与其它方法相比具有诊断结果准确性高、结论可靠、推广应用方便、收敛速度快等优点,提高了储层保护措施和解堵措施优化决策的科学性和准确性,在油田生产中发挥了重要作用．     

基于小波包和RBF神经网络的压电加速度传感器故障诊断

根据压电加速度传感器故障的特点,提出运用小波包变换和RBF神经网络的故障诊断方法。首先运用小波包分解和重构原理将传感器输出信号分解到不同频段中,提取每个频段的能量作为状态监测的特征向量,作为RBF网络的输入,然后利用最佳的RBF神经网络进行压电传感器故障分类。实验结果表明该方法具有良好的非线性跟踪能力,较高的诊断准确率。     

Design of Fault Detection Observer Based on Hyper Basis Function

In this paper, we propose the Hyper Basis Function(HBF) neural network on the basis of Radial Basis Function(RBF) neural network. Compared with RBF, HBF neural networks have a more generalized ability with different activation functions. A decision tree algorithm is used to determine the network center. Subsequently, we design an adaptive observer based on HBF neural networks and propose a fault detection and diagnosis method based on the observer for the nonlinear modeling ability of the neural network. Finally, we apply this method to nonlinear systems. The sensitivity and stability of the observer for the failure of the nonlinear systems are proved by simulation, which is beneficial for real-time online fault detection and diagnosis.     

电机驱动系统PWM逆变器故障诊断

电机变频调速系统中,逆变器是故障高发的薄弱环节。设计一种基于小波包分解和RBF神经网络的三相电机驱动系统PWM逆变器故障诊断模型,利用小波包变换提取三相PWM逆变器故障信号特征向量,并将其作为RBF神经网络的输入量;采用狼群—模拟退火算法优化RBF神经网络的结构和参数,利用32组学习样本和6组测试样本分别训练和检验RBF神经网络。仿真实验分析表明,该方法用于三相电机驱动系统PWM逆变器开路故障的诊断,速度快、准确率高。     

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.     

基于径向基函数神经网络的水轮发电机组效率曲线计算方法

提出用径向基函数(RBF)神经网络进行水轮发电机组效率曲线计算的方法，并建立了径向基函数神经网络模型，以有限水头下原型效率试验数据为样本进行训练，所得的网络可快速准确地计算任意水头下的效率特性曲线。与BP神经网络模型的对比结果表明，该方法避免了BP神经网络的局部极小及收敛速度慢等缺点，在精度、训练速度等方面优于BP神经网络。     

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GA优化的RBF网络算法

针对RBF神经网络易于陷入局部最大值的缺点,把遗传算法引入RBF神经网络中,利用遗传算法具有全局搜索的优点,对RBF神经网络的权值进行优化,并把优化后的神经网络模型用于DNA序列的分类.仿真实验表明,采用遗传优化的RBF神经网络比传统RBF神经网络分类有更高的分类效率和正确率.