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     

利用组合型交叉熵算法实现电网故障诊断

为快速准确实现电网故障诊断,依据故障元件与保护器和断路器的动作关系,将电网故障诊断问题表示为使目标函数最小化的0-1整数规划问题,利用组合型交叉熵算法求该问题的最优解,并给出了该算法的具体计算步骤,可成功识别电网故障元件。在测试系统上对多起故障情况进行模拟测试,结果表明故障诊断结论全部正确,进一步说明应用组合型交叉熵算法的电网故障诊断具有一定的有效性和准确性。     

基于贝叶斯网络的农村电力网故障诊断研究

鉴于贝叶斯网络灵活的因果推理和诊断推理,运用贝叶斯网络方法研究了因保护装置和断路器误动或拒动、通信装置的故障等原因造成的不完备警报信号模式下的农村电网故障诊断新方法.该方法应用Noisy-Or、NoiSy-And节点模型和类似BP神经网络的误差反向传播算法建立了输电线路故障诊断模型,并应用公式推理得出每个元件的故障信任度,根据故障信任度确定元件有无故障.     

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。     

神经网络在故障诊断中的应用

描述了神经网络的BP算法,探讨了BP神经网络拓扑结构的确定,考察了小波变换和小波分析,论述了故障机理和故障诊断的问题。     

基于动态惯性权重粒子群算法的齿轮箱故障诊断研究

针对工程上齿轮箱实时监测和故障诊断的需要,对JZQ250型齿轮箱展开研究,提出了基于动态惯性权重PSO算法训练BP神经网络的齿轮箱故障诊断方法。通过时域参数分析提取监测特征值作为齿轮箱的状态监测值,将故障特征向量作为神经网络的输入向量进行故障诊断,并与BP算法的诊断结果进行了比较。实验结果表明,动态惯性权重PSO算法具有收敛速度快,经过神经网络学习训练后能较好地收敛于最优解;该算法用于齿轮箱故障诊断效果理想,能够准确进行齿轮箱故障定位,在故障诊断领域里具有广泛的应用前景。     

神经网络优化FPN的矿用齿轮减速器故障诊断

为了提高齿轮减速器故障诊断结果的正确率,研究了一种基于神经网络优化FPN的齿轮减速器障诊断新算法.利用BP算法具有自适应学习的特点,在确定FPN相关网络参数原始数值的情况下,对FPN网络参数进行优化.利用BP算法在FPN网络基础上,对齿轮减速器故障样本进行学习训练,使FPN参数数值逐渐向真值靠近.实例结果表明:新算法对齿轮减速器中的单一或多种故障诊断非常有效,故障诊断结果准确率明显提高,说明优化算法的有效性与正确性.     

改进BP网络在机载电子设备故障诊断中应用

提出了一种简便有效的故障模型和故障诊断问题的描述方法。由于传统BP算法收敛速度慢，容易陷入局部极小值的陷阱，在此作了改进。改进后的BP算法明显优于传统的BP算法。并应用改进的BP算法对飞机机载电子设备进行故障诊断仿真，取得了良好的效果。     

DNA优化的BP神经网络在故障诊断中的应用

针对BP神经网络收敛速度慢和容易陷入局部极小值问题,将DNA算法和神经网络有机结合,利用DNA算法的全局搜索能力,优化网络的初始权值和阈值,解决其本身固有的两个缺陷,进而提高了BP神经网络诊断故障时的准确性和快速性。以道岔控制电路的故障诊断为研究对象,建立了基于DNA优化的BP神经网络的故障诊断优化模型,使用MATLAB仿真软件对故障诊断模型进行了仿真分析。结果表明,DNA算法优化的BP神经网络的泛化能力、诊断精确性都要优于BP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BP神经网络的柴油发动机故障诊断

阐述了BP神经网络模型及原理,提出了基于BP神经网络的发动机故障诊断分析方法,在理论分析的基础上,对发动机故障的检测和分析进行了MATLAB仿真,仿真结果表明,利用BP神经网络对发动机故障进行检侧具有检测精度高、速度快的特点.     

三电平逆变器IGBT开路的复杂故障检测

针对三电平逆变器绝缘栅双极型晶体管(IGBT)的开路故障,分析了在逆变器交叉两桥臂各有一个IGBT开路故障时的输出电压信号特点;然后利用傅里叶变换提取故障电压信号的直流分量、基波幅值、基波相位以及二次谐波相位,然后转换为故障特征向量,并由此采用BP神经网络来进行故障诊断。为了提高故障诊断的精度,利用改进的粒子群算法(PSO)来优化BP神经网络的参数。最后,通过对三电平逆变器的仿真进行实验验证,仿真结果证明了该方法的正确性和可行性。     

基于BP神经网络的变压器故障诊断

针对变压器故障类型的特征,结合油中气体分析法及三比值法,应用BP神经网络对变压器进行故障诊断。根据BP神经网络的概念、结构和算法原理,探讨了不同隐含层的神经元个数对神经网络训练性能的影响。通过对仿真结果的分析与测试,结果表明BP神经网络对变压器故障诊断具有较好的应用效果。     

基于人工神经网络的PLC故障诊断系统的研究

本文介绍了一种新的PLC控制系统故障诊断方法。首先建立可编程控制器控制系统的故障诊断模型,然后在对可编程控制器控制系统的故障产生特点进行分析的基础上,阐述了BP神经元网络的原理及如何应用BP神经元网络建立可编程控制器故障诊断系统,最后根据上述分析给出了可编程序控制器故障诊断实例。     

电力变压器的协同训练故障诊断算法

基于半监督学习思想,将协同训练的机制引入到故障诊断的学习中,采用多个不同的分类算法协同训练,提高电力变压器故障诊断的准确率．采用BP＋SVM的多个训练器协同工作,目的是克服单个算法的准确性不高的缺点．将实例分析的结果与传统的BP算法的结果进行比较．结果表明,该算法能有效地对电力变压器单故障样本进行分类,具有较高的诊断准确率．     

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。     

BP算法在旋转机械故障诊断中的应用

分析了旋转机械故障的特性,在此基础上对基于BP算法的诊断方法进行了研究,建立了旋转机械故障诊断的神经网络模型,对基于BP网络的汽轮发电机组的故障进行了诊断。实验证明,基于BP网络的旋转机械故障诊断方法具有较高的使用价值。     

基于改进粒子群优化算法的电机故障诊断研究

针对电机转子故障,利用神经网络方法进行故障诊断研究。将基本粒子群优化(PSO)算法进行改进,并用其训练反向传播(BP)神经网络,对电机转子进行故障诊断。选用电机转子振动频谱分量作为神经网络的训练样本,将故障信息数据作为输入量代入已训练好的神经网络,通过输出结果即可诊断故障类型。仿真结果表明,基于改进PSO算法的BP神经网络可以有效地识别电机常见故障,具有较快的收敛速度和较高的诊断精度。     

基于BP神经网络的光伏阵列智能故障诊断

针对光伏阵列的故障特点以及传统故障诊断方法的局限性,提出一种基于BP神经网络的光伏阵列智能故障诊断策略.分析了电池裂化、老化短路和阴影故障的后果,通过采集合适的故障样本训练神经网络,并在Matlab环境中进行了组件在线故障诊断的仿真和实验研究,证明了所提出故障诊断系统的准确性、有效性和环境适应性.