基于BP人工神经网络的变压器故障诊断

电力变压器是电网中最重要的电力设备,对变压器故障及时和准确的预测是确保电网安全稳定运行的必要前提。本文针对变压器故障的特点和类型,利用油中气体含量分析的方法,通过对其故障数据的采集,使用BP人工神经网络方法对变压器进行故障诊断。最后,通过实例仿真,验证了BP神经网络可以有效地运用到变压器故障诊断中。     

基于蚁群神经网络的电控发动机故障诊断研究

针对电控发动机故障的复杂性,以及传统的专家系统在知识获取等方面的缺点,采用BP神经网络作为故障诊断模型的核心,并将蚁群算法融入到BP网络的训练过程中进行优化,得到了满意结果.通过对该故障诊断模型的验证,表明采用蚁群算法改进后的BP神经网络能够对汽车电控发动机的故障进行有效和准确的诊断.     

一种实用的神经网络方法在液压泵故障诊断中的应用

针对传统BP神经网络训练中收敛速度较慢的缺点,将一种基于L-M算法的神经网络应用于液压泵故障诊断,并建立了基于该算法的故障诊断模型;论述了液压泵的故障特征频率,研究基于LabVIEW的频率提取与后期神经网络的处理方法.仿真结果表明:该方法和模型显著缩短了训练时间,运用神经网络方法进行液压泵故障诊断是有效的.     

基于CNN-RSC组合优化算法语音情感分析与研究

提出一种基于深度学习的文本情感分析方法,将整个卷积神经网络的模型作为一种自动学习器,对输入词语的预表达特征进行学习,引入深度学习领域的递归自编码作为输出层情感分类器,实现语义情感信息的深度提取.设置实验对比卷积神经网络和递归自编码模型的参数,找出了实验过程的最佳参数组合,实验对比了CNN、RSC、CNN-RSC三种不同的算法.实验结果表明:基于CNN-RSC的组合优化算法在对文本情感特征的自动学习上有着较好的效果,在准确度和训练时间以及分类性能上均优于其他两种算法.     

风电齿轮箱复合故障诊断方法研究

针对风电齿轮箱的复合故障诊断问题,本文提出了基于改进变分模态的风电齿轮箱复合故障的特征提取方法,并采用改进鲸鱼算法优化的最小二乘支持向量机(DEWOA-LSSVM)故障诊断模型进行故障诊断。通过变分模态方法将收集的信号分解为K个模态分量,通过加权排序熵对其进行量化处理,得到特征向量,将特征向量输入到经过改进鲸鱼算法优化后的最小二乘支持向量机模型完成故障诊断,并通过试验验证该方法的有效性。     

基于混沌的模拟电路故障诊断方法

针对模拟电路故障诊断的神经网络方法中,网络易陷入局部极小、收敛速度慢等缺点,网络结构、权值难以确定等难题,提出一种利用混沌优化神经网络的模拟电路故障诊断新方法.该方法中,将混沌变量引入神经网络结构的优化搜索,使得神经网络的隐层节点数以及所有权参数处于混沌状态中,从而整个网络结构呈现为动态变化.然后从动态的神经网络结构中,根据性能指标来寻找一个全局最优或近似于全局最优的网络结构.最后利用优化的神经网络对模拟电路进行故障定位.利用该方法对模拟电路进行实例仿真,结果表明该算法可以有效、可靠地运用于模拟电路故障诊断中.     

UGES反向传导算法:一种新的小样本深度机器学习模型

针对传统深度学习算法在样本不足时易出现过拟合的问题,提出了一类新的小样本深度学习模型:UGES反向传导模型。其基本思路是:在保留深层结构的同时,压缩需要学习参数的数量。作为一种与误差反向传导算法相容的间接编码模型,该算法对权值的随机分布特性进行重新编码,打破了不同隐含层之间的隔阂,并使用变分贝叶斯学习对网络进行全局训练。新模型的参数数目不再与输入变量维数及网络结构大小相关,同时强迫权值对于一定程度的扰动具有鲁棒性。最后,将所提出的算法用于外包软件项目风险识别这一典型的多维小样本问题中。对比实验表明,该模型达到了93.3%的样本外准确率,不仅保留了深度模型非线性表达能力,亦具备了小样本下优秀的泛化能力。     

基于树突网络的侧信道攻击

由于深度学习对数据内在特征的敏感性,将深度学习算法应用于硬件加密芯片的侧信道分析,提高了侧信道分析的效率和准确率.但深度神经网络学习算法依旧是非线性结构未知的深层黑盒模型,模型结构和性能不一定是最优.该文提出一种基于树突网络的侧信道分析方法,由于树突网络内部非线性结构的可解释性,其系统辨识能力和运算复杂度均优于深度学习网络.在ChipWhisperer侧信道分析实验平台的CW308T-STM32F3和ATXMEGA128D4目标板上,针对AES-128加密算法进行侧信道分析实验,实验结果表明,基于树突网络的侧信道分析在模型参数规模、攻击精度、训练时间等方面都要优于多层感知机、卷积神经网络、循环神经网络等深度学习模型.     

基于最小二乘估计的非线性离散系统鲁棒故障诊断

对于一类不确定非线性离散系统,提出了一种基于最小二乘估计的故障诊断(FDBLSE)方法.该方法通过构造被诊断系统的状态估计器而得到状态估计误差与故障之间的动态关系,并以此为基础,利用最小二乘直接对故障进行在线辨识.文中分析了故障辨识误差以及诊断方法的鲁棒性、灵敏度和检测时间,并与基于学习的故障诊断方法作了深入比较.FDBL方法不但能够辨识故障,而且能够给出辨识误差的上界,同时还具有辨识时间短、辨识精度高的特点.仿真表明该方法有效.     

煤矿带式输送机故障诊断中模糊神经网络的应用

以模糊数学分析及神经网络综合运用为基础,研究了煤矿带式输送机的故障诊断技术.通过对输入参数的模糊数据处理并利用神经网络的学习能力来实现对数据的训练,得到高精确度的故障参数,从而建立起相应的模糊神经网络,对带式输送机进行及时有效的故障判断.最后基于Matlab软件对训练数据的仿真表明,基于模糊神经网络的故障诊断相较于传统故障诊断技术具有极高的准确度,且数据反馈及时,运行稳定.