结合遗传算法的神经网络在电力电子电路故障诊断中的应用

人工神经网络在电力电子电路故障诊断中有广泛的应用.常用的反向传播算法存在着容易陷入局部极小点、对初值要求高的缺点,给故障诊断带来不便.提出了采用遗传算法优化人工神经网络结构的初值,将遗传算法与人工神经网络结合起来,应用于电力电子电路的故障诊断中.仿真实验表明该方法是有效的.     

基于人工智能的电力电子电路故障诊断

采用基于波形直接分析的神经网络故障诊断方法实现电力电子电路在线故障诊断。以三相整流电路为例,对电路发生故障时输出的波形进行分析,用故障波形的采样数据制作的样本对神经网络进行训练,将训练好的神经网络用于故障诊断。仿真实验表明该方法是有效的。     

基于模糊神经网络的模拟电路故障诊断

针对故障诊断技术智能化的发展方向,结合模拟电路的特点,将模糊逻辑和神经网络融合在一起,研究了一种基于模糊神经网络的故障诊断算法,给出该算法的典型模型和结构,并通过实例研究了这种模型在模拟电路故障诊断中的应用。     

模拟电路故障诊断神经网络方法

提出了一种新的模拟电路故障诊断近似估计方法以及求解此问题的神经网络。其显著特点是只需一次优化过程即能估计出最可能故障元件，计算量小。计算机模拟和实例表明该方法是可行的。     

基于虚拟仪器和神经网络的电力电子电路故障诊断

电力电子电路中晶闸管开路和短路故障最为常见，为实现故障的在线自动诊断，以三相整流电路为例，利用虚拟仪器进行数据采集、分析及特征信号提取，特征信号作为神经网络的输入进行电力电子电路在线故障诊断，通过实验验证，该方法误诊率极低，达到了较为理想的效果。     

电子电路故障诊断的模糊Petri网模型

提出了一种适用于电子电路故障诊断系统的模糊Petri网模型,用模糊Petri网表示故障诊断的模糊知识与推理机.     

模拟电路的融合智能故障诊断探究

本文阐述了在对模拟电路进行融合智能故障诊断过程中使用的,基于数据融合技术、模糊理论、神经网络和遗传算法的新方式,这种方式在诊断的过程中通过多种电路测试数据,对因为测试节点不够而产生故障信息不足的问题进行解决。使用遗传的算法,对BP网络的初始权值分布和结构等进行优化。每一种测试信息都是用一个单独的遗传神经网络进行初步的分析,最终在各种测试信息的基础之上取得诊断电路受到各种故障损害的可能性,在对每一种神经网络的输出信息的重要性进行考虑,在进行决策融合的过程之中使用模糊积分融合的方式。本文对模拟电路的故障特征进行选择,通过对系统结构的选择、样本选择、算法学习和决策的综合方式,通过对电路进行的诊断,论述了融合智能故障诊断的具体实现方式,对各种方式的鲁棒性进行了验证。最终对故障进行准确的定位。     

模拟电路故障诊断的BP神经网络实现

本文介绍BP神经网络在模拟电路故障诊断中的应用并对选定的待测电路在元件存在容差的条件下，仿真实现了模拟电路软故障诊断。     

用于火灾探测的神经网络数据融合算法

提出了一种多传感器火灾探测系统的数据融合算法,并针对火情信号测试的固有特点,采用神经网络进行数据融合决策,探讨了算法模型的建立,并由仿真结果验证了方法的可行性。     

基于聚类和模糊神经网络的故障诊断

模糊神经网络能够发挥模糊逻辑和神经网络的特性,在武器装备的故障诊断中应用越来越广泛。文中提出了一种基于聚类和模糊神经网络的故障诊断模型,该模型首先通过基于关系度的聚类方法得到模糊神经网络的初始结构,并用梯度下降法对网络的参数进行修改,以得到泛化能力好的诊断网络。仿真结果表明该模型是有效的。     

基于神经网络数据融合方法的模拟电路故障诊断

根据模拟系统故障检测原理，采用神经网络与数据融合相结合的方法进行模拟电路故障诊断，提出了一种新型的基于D-S证据神经网络的故障检测与诊断方法．应用D-S证据理论对径向基函数网络进行了修正，用具有一个输入层、两个隐含层和一个输出层的神经网络实现．各个证据体的基本概率赋值的获取是D—S证据理论在实际应用中的难点问题，本方法中采用的是根据输入模式与原型模式之间的相似度以及原型模式的类别隶属度来确定基本概率赋值．借助神经网络自学习的功能，实现对类别隶属度的最优化．结果表明该方法能快速有效地进行故障诊断中大量数据的处理，具有很强的鲁棒性．     

基于信息融合技术的机械系统故障诊断框架研究

通过基于信息融合技术的机械系统故障诊断框架的分析,结合故障诊断的一般过程,建立了一个通用的贯穿整个故障诊断过程的、基于信息融合的机械系统故障诊断框架,并通过分析对比证明了此框架的优越性、可行性和有效性。最后成功地将此框架应用于某型自行火炮发动机故障诊断。     

基于信息融合的集成小波神经网络故障诊断

以非线性Morlet小波基作为激励函数,形成神经元,结合小波变换与神经网络各自的优点,建立了集小波分析与神经网络于一体的紧致型小波神经网络,并给出了具体的算法·基于信息融合技术的思想,从设备故障诊断的实际出发,建立了基于信息融合技术的集成小波神经网络故障诊断系统,即通过故障特征信息的有效组合,用各种子小波神经网络从不同侧面对设备故障进行初步诊断,然后对诊断结果进行决策融合·给出了系统的实现策略和子网络的组建原则·从诊断实例中可以看出,此诊断系统充分利用了各种特征信息,可以有效提高确诊率·     

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     

基于多传感器数据融合的故障诊断技术

提出了一种基于多传感器数据融合的故障诊断系统框架 ,给出了故障诊断融合技术的详细算法和提高系统柔性与开放性的方法 ,以及与其他故障诊断方法相融合的方法与算法 .提出的基于多传感器数据的故障诊断融合技术具有较好的实时性、柔性与开放性 .检测、控制与多传感器故障诊断相融合可使系统在不增加设备投资的前提下改善系统的性能     

数据融合在发电机故障诊断中的应用

讨论基于RBF神经网络的数据融合技术用于发电机故障诊断的原理和方法，介绍网络结构、训练算法和数据融合，重点说明网络的设计及专家经验知识的应用，仿真结果表明，该诊断方法效果良好。     

模拟电路故障诊断的BP神经网络方法

提出了一种采用改进型的BP神经网络诊断模拟电路故障的新方法。介绍了包括附加动量法和自适应学习速率法在内的改进型的BP网络算法，其中附加动量法是在每一个权值的变化上加上一项正比于前次权值变化量的值，不仅考虑了误差在梯度上的作用，而且考虑在曲面上变化趋势的影响；自适应学习速率是根据误差函数值的变化对学习率进行实时调整，可以保证网络总是以最大的学习速率学习。最后，本文给出了仿真实例，实验证明所提出的方法与传统方法相比有更好的实时性和诊断效率。     

基于自适应神经网络的电路系统故障诊断研究

针对人工神经网络的特点,对传统BP算法进行了全面改进,通过采用自适应学习率和动量因子修正等方法,有效克服了传统BP算法在实际应用中学习收敛速度慢和容易出现局部极小点的缺点。以电路系统的故障诊断为例,引入了模糊数学中的隶属度函数,对故障特征量进行处理后作为自适应神经网络的输入,故障编码作为网络的输出。实验仿真结果表明,该系统对电路故障类型能够有效地进行诊断和识别。     

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     

基于滑动概率神经网络的早期故障诊断

针对机电设备早期故障难以识别的问题，提出了一种动态的概率密度估计方法——滑动概率神经网络，用以跟踪分析测量信号的概率密度变化过程，及时发现早期故障．该网络以固定不变的抽样集作为第一层，动态滑动的测量信号作为样本层，通过求和层得到抽样集的条件概率密度估计，将样本层内测量信号的概率密度动态地投影到统一的抽样集上．将网络分解成以测量值为中心的子网络，来实现网络的递归运算，并且利用高斯函数的快速衰减特性或使用分段线性函数近似高斯函数，从而提高了网络的计算实时性．通过压缩机喘振过程数据的应用实例，表明该方法能够有效识剐故障的早期征兆．