可拓理论与SOM网络相结合的多故障诊断方法

 针对采用SOM 网络进行多故障诊断时,要求多故障模式相似且不包含标准故障输出的限制,提出将SOM 网络与可拓理论相结合的多故障诊断方法.首先采用SOM 网络对训练样本进行聚类,得到故障模式及其聚类中心.然后针对每种故障模式的每个特征构造在聚类中心处取得最大值的关联函数,并以各特征的关联函数值为基础,设计多故障评价指标实现多故障诊断.最后采用汽轮发电机组振动信号的频谱数据对算法进行验证,结果表明该方法能够正确识别待诊断样本的单故障和多故障模式,具有可行性.     

汽轮发动机组故障诊断的节约覆盖集概率模型

汽轮发电机组的振动故障具有多样性的特点，经常出现多种故障同时发生的情况。文中介绍了一种在节约覆盖集理论框架上集成概率推理的诊断模型，并在此基础上建立了汽轮发电机组振动多故障诊断的实用模型，以某汔轮发电机组的2类振动多故障为例验证了该方法的有效性。该模型能有效地识别出汽轮发电机组的多故障，弥补了专家系统的神经网络等诊断方法不能正确诊断多故障的不足，具有较高的诊断可靠性和实用性。     

汽轮发电机组转子振动故障的模糊聚类分析

针对汽轮发电机组多个振动故障与多个振动信号之间综合关系研究的不足，阐述了模糊聚类分析的理论、方法及聚类效果的判别原则，并将其应用于汽轮发电机组转子振动故障的诊断研究中．提出了合适的聚类参数，从而对多故障发生与多故障特征情况下的故障进行分层，指出应优先诊断的范围，从而使诊断工作量和诊断时间大为减少．理论计算与现场检查结果相符，并且与神经网络方法相比，在综合判断振动故障方面显示了优越性     

汽轮发电机组振动故障诊断的模糊输入方法

针对汽轮发电机组振动故障的特点,构造了一模糊神经网络（ＦＮＮ）诊断模型,讨论了网络的多种模糊化输入,输出方式,并对两种模糊输入方法进行了对比分析。最后运用该诊断方法与传统的ＢＰ网络诊断方法进行比较。结果表明：模糊神经网络诊断方法对汽轮发电机组振动故障的识别是有效的,且在分类模糊边界数据时优于ＢＰ网络诊断方法。     

基于神经网络的汽轮机故障智能诊断系统的设计

介绍了BP神经网络的结构和算法,分析了如何将BP神经网络用于机械设备的故障诊断.结合汽轮发电机组的故障特性,建立了汽轮发电机组故障诊断的神经网络模型,并利用该神经网络模型对汽轮发电机组的故障进行了诊断,诊断结果是正确和有效的.     

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.     

改进的BP网络在汽轮发电机组故障诊断中的应用

提出了一种恒误差修正率控制的网络学习率和动量系数自适应调整方法，克服了网络训练收敛时间长和陷入局部最优的缺点；并根据大型汽轮发电机组振动故障的特点，建立了改进的BP网络故障诊断模型，对一实际汽轮机发电机组振动故障事例的诊断结果表明，该方法有效地提高了故障诊断的精度和可靠度。     

汽轮发电机组振动故障诊断中的改进BP算法

针对大型汽轮发电机组振动故障的特点,提出了一种基于改进算法的ＢＰ网络故障诊断模型,并对一实际汽轮发电机组振动故障事例进行诊断,结果表明,该方法是行之有效的。     

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.     

基于自组织神经网络的轴流风机不对中故障诊断研究

利用神经网络的非线性映射及其高度的自组织和自学习能力,将自组织神经网络(SOM)应用于轴流风机的故障诊断.根据故障信号及其故障类型来构造网络,用单一故障样本对网络进行训练,根据输出神经元在输出层的位置对故障进行判断.风机的不对中故障是指风机转轴与电机主轴之间由联轴器联结构成轴系,由于机器安装误差、承载后的变形及机器基础的松动等,造成轴系对中变化误差.本文就结合不对中故障的实际情况,通过MATLAB仿真验证了该方法的正确性.     

基于蚁群优化的Elman神经网络在故障诊断中的应用研究

指出普通Elman神经网络BP学习算法的不足,将蚁群算法和Elman神经网络相融合,采用信息素挥发因子ρ和信息素τ更新策略自动调整的自适应蚁群算法优化Elman神经网络的权阚值,并将其应用到柴油机涡轮增压系统故障诊断中.仿真实验表明,优化的Elman神经网络有较快的收敛速度和较高的故障诊断精度,可以有效地诊断柴油机涡轮增压系统的故障,能够更好地避免局部最小,实现了对柴油机涡轮增压系统故障的有效诊断.     

人工智能在电力电子电路故障诊断中的应用

提出一种基于波形分析的神经网络对电力电子线路进行故障诊断 .以三相整流电路为例 ,首先对整流电路的输出波形采样 ,然后建立神经网络的输出与故障元之间的对应关系 ,实现了智能故障诊断 .仿真实验表明 ,这种方法是准确可靠的 .     

神经网络的多故障诊断层次模型研究

人工神经网络已成功应用到实际的故障诊断系统中，但大多主要用于单故障诊断情形。实际应用中，多故障同时出现的情况却普遍存在。基于神经网络的方法，构造了一种用于既能诊断单故障，又能诊断多故障的模型。通过实例与传统的诊断模型进行对比，说明了所提出诊断模型的可行性和有效性。     

模糊Kohonen神经网络回热系统故障诊断

分析了汽轮机组回热系统12种典型故障及9种征兆参数的模糊处理,结合Kohonen神经网络的工作原理、诊断特征,提出了模糊Kohonen神经网络汽轮机组回热系统故障诊断模型.结果表明:该模型可以有效地进行回热系统故障样本模式的模糊量化处理,具有自学习功能、聚类能力强、运算速度快的优点,可以有效地对具有模糊性的单一故障和复合故障进行诊断,是一种适合于汽轮机组回热系统故障诊断的有效可行的方法.     

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。     

基于神经网络的故障诊断推理方法

针对传统诊断技术的局限性,研究了基于ＢＰ模型神经网络的故障诊断推理方法,它只需选择足够的具有代表性的故障样本训练神经网络,将代表故障的信息输入给训练好的神经网络,根据神经网络的输出结果,就可以判断发生故障的类型．神经网络一旦训练好,由于其具有容错性,不仅能诊断出已经出现过的故障,还能在一定范围内诊断出从未出现过的故障,使故障诊断智能化和简单化．仿真结果表明,基于神经网络的故障诊断方法是行之有效的     

基于多级神经网络的指挥仪电路故障诊断

针对某指挥仪电路故障诊断专家系统的不足之处，用层次结构的多级人工神经网络进行电路的故障诊断，用专家知识对学习样本进行筛选，通过对该电路中差分电路模块的诊断实验表明，可以克服专家系统对某些故障无法诊断的不足，而且还可以实现多故障的诊断。     

变压器故障诊断的ANN技术研究

目的解决溶解气体分析法在变压器故障诊断中准确率不高之难题。方法采用人工神经网络方法和基于动量因子技术的改进BP网络训练算法。结果建立了一BP神经网络模型,使网络具有较强的学习能力、泛化能力和适应能力。结论神经网络能较准确的对变压器故障进行诊断,具有一定的应用及推广价值。     

组合多重神经网络动态系统鲁棒故障检测与诊断

利用Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据理论，通过组合多重神经网络分类器，对一控制系统中的校正网络进行故障检测与诊断．单个神经网络分类器对某些特定的特征量进行分类，对应实际系统特征量的网络输出值与相应训练用特征集的网络输出均值之间的广义距离为单个分类器输出的实际系统属于某类的度量值．证据理论采用简单支撑集假设下的证据组合形式，最终的输出为综合多个神经网络输出后的结果．实际应用表明，此方法可以检测与诊断出单一分类器不能发现的故障，同时也减少了利用单个分类器对不同故障进行检测与诊断时的不精确性     

煤粉炉局部结渣的故障诊断模型

水冷壁结渣是电站燃煤锅炉中的经常性故障,及时估计锅炉的结渣情况对提高锅炉运行的经济性、防止锅炉发生严重事故具有重要的意义。该文分析了可用于诊断该故障的主要特征参数,运用神经网络的方法建立了局部结渣故障诊断模型。计算结果表明,诊断迅速、结果准确。该方法简单,无需昂贵的诊断设备,有广泛的应用前景。