样本规范化在故障诊断神经网络方法中的应用

在神经网络模型中,训练样本的不同特征变量(输入变量)反映响应变量(输出变量)的灵敏程度有一定的差别,若将各特征变量直接作为神经网络的输入,则会湮没一些弱小量可能含有的有效信息.采用油中溶解气体分析法建立以变压器油中溶解气体含量为输入,变压器故障类型为输出的BP神经网络变压器故障诊断模型,分别运用最大值最小值规范化、一般浓度规范化、特征浓度规范化三种方法对训练样本进行规范化.研究结果表明,不同样本规范化方法对故障诊断效果的影响显著,运用特征浓度规范化进行规范化处理要优于其他方法.     

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。     

思维进化算法优化模糊神经网络的变压器故障诊断

提出一种基于思维进化算法的模糊神经网络变压器故障诊断方法。该方法利用思维进化算法中的趋同和异化操作,对模糊神经网络中输入变量的隶属度函数位置参数和宽度参数以及神经网络的连接权值进行全局优化,可有效地克服常规模糊神经网络BP算法收敛速度慢、精度不高和遗传算法训练模糊神经网络速度缓慢、易陷入局部极小等缺点,有利于更快地收敛于全局最优解。并将其应用到基于溶解气体分析的变压器故障诊断中,实例表明,采用该方法具有较快的收敛速度和较高的诊断准确度,说明了该方法的正确性和有效性。     

证据理论在变压器故障诊断中的应用

为了提高变压器故障诊断的准确性,引入了一种基于证据理论的诊断方法。根据变压器故障的特征数据,采用2个并行的BP神经网络对变压器进行局部故障诊断,以获得彼此独立的证据,再采用证据理论对各证据进行融合。实验结果表明,该方法可有效地提高诊断的准确率,减少诊断的不确定性。     

基于遗传编程判别函数法在电力变压器绝缘故障诊断中的应用

基于遗传编程(GP),提出了一种用于电力变压器绝缘故障诊断的判别函数法.该方法结合变压器油中溶解气体含量,利用GP算法的树状结构特点和模拟自然进化理论的全局寻优机制,自动从训练样本中学习到代表输入特征向量与对应故障类型之间关系的判别函数,以函数值的正负表示不同的故障类别.为了验证该方法的有效性,建立了变压器分层故障诊断模型,采用多个判别函数的方式逐步判别变压器绝缘故障的类型.与常规的三比值法、BP神经网络方法相比较表明,该方法提高了变压器绝缘故障诊断的正确率,具有良好的诊断效果.     

基于BP人工神经网络的电力变压器故障诊断研究

通过改良三比值法处理一组电力变压器油中溶解气体的特征值,并将数据作为输入训练神经网络,调整权值和阀值,通过相互比较确定各项网络参数,将误差控制要求范围内.最后使用得到的概率神经网络对样本进行了成功的预测,验证了将BP神经网络算法运用于变压器故障诊断具有十分理想的效果.     

基于BAS-BP模型的变压器故障诊断

针对变压器故障诊断中BP神经网络诊断精度不够高的缺陷,提出一种天牛须搜索(BAS)算法与BP神经网络相结合的算法.将天牛须搜索算法寻优后的初始权值和阈值作为BP神经网络的初始权值和阈值,建立模型并进行仿真测试.结果表明,与传统BP神经网络相比,新模型有效克服了训练时间长、收敛速度慢的缺点,为变压器故障诊断提出了一种新的方法.     

基于改进蝙蝠算法优化BP神经网络的电力变压器故障诊断研究

提出了一种基于改进蝙蝠算法优化BP神经网络的电力变压器故障诊断方法。利用蝙蝠算法对BP神经网络的权值和阈值参数进行优化,并针对蝙蝠算法优化后期易陷入局部最优缺点,使用混沌算法对群体进行混沌优化,使其减少无效迭代,提高收敛速度。将优化得到的参数值应用到构建的BP神经网络诊断模型中,对数据进行训练和测试。通过实例分析,表明改进蝙蝠算法优化BP神经网络用于变压器故障诊断具有实用性和有效性。     

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.     

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。     

基于BP神经网络的大型旋转机械故障诊断及其网络数据源的研究

在对提取神经网络输入结点数据源的方法进行详细分析的基础上，构造出设备状态监测及故障诊断的BP神经网络模型，同时利用实验方法确定出模型参数．最后用实验数据验证该系统对故障进行映射的可行性。     

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。     

基于小波神经网络的燃气轮机故障诊断研究

为高效及时地发现燃气轮机运行异常并准确地对它进行故障诊断,提出了一种基于小波变换和BP神经网络的故障诊断方法。首先对同一工况下,输入信号的功率谱密度图进行典型频率区间划分,通过比较连续时间段频率区间有效值的突变找到疑似故障段。其次,对疑似故障段进行小波变换分析,根据疑似故障段对应的频率区间选择小波的变换尺度并提取该频率尺度下的故障特征向量,再将疑似故障和正常特征向量方差归一化后输入BP神经网络进行学习和训练,进而实现对燃气轮机的故障诊断。经过试验验证表明,该方法能够准确识别燃气轮机运行状态并进行故障诊断,具有较好的工程实用价值。     

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。     

采用NGA优化的新型BP神经网络模型及诊断应用

针对传统BP神经网络模型收敛速度慢、易陷入局部极小点、网络结构不稳定等缺陷,提出了一种小生境遗传算法优化的BP神经网络模型。该模型充分利用小生境遗传算法的搜索能力和BP神经网络的非线性映射和学习联想能力,通过小生境遗传算法的选择、交叉、变异及小生境淘汰等操作,优化BP神经网络的初始权值和阈值,并采用BP算法对网络进行训练。有效解决了网络初值不合理的问题,提高了网络收敛速度、稳定性。最后结合变压器故障诊断实例。在Matlab7.0平台上进行仿真实验。实验结果证明:与传统方法相比,该模型具有很强的可行性和有效性。     

基于粗糙集与神经网络的故障诊断方法研究

提出了基于粗糙集和神经网络的故障诊断方法。采用Kohonen网络对连续属性值进行离散化,应用粗糙集理论对特征参数进行属性约简,并把约简结果生成规则作为BP网络的输入。仿真结果表明,经粗糙集理论优化后的样本集进行神经网络训练,提高了神经网络的学习速度和故障诊断正确率,减少了训练时间。     

一种基于组合神经网络的数据分类方法

为了克服单一Kohonen网络和BP网络用于数据挖掘的缺点,提出了一种基于Kohonen和BP组合神经网络的数据分类方法,并给出了该分类方法的基本思想和算法描述.电力变压器故障诊断的仿真实验结果表明,利用该分类方法可以提高数据分类的精确性.     

基于Dempster-Shafer证据理论和人工智能的变压器故障诊断研究

传统的溶解气体分析方法和基于溶解气体分析数据的人工智能技术在变压器早期故障诊断中的应用由来已久。Dempster-Shafer证据理论已被应用于存在不确定性和冲突的各种面向人工智能的应用中。为了克服故障类型之间的冲突及提升变压器故障诊断正确率,该文提出了基于Dempster-Shafer证据理论和人工智能的变压器故障诊断方法。利用反向传播(Back propagation, BP)神经网络基于5种关键气体的浓度百分比检测变压器故障,并将其作为第一证据。利用模糊逻辑基于3种气体比率检测变压器故障,并将其作为第二证据。利用证据理论对BP神经网络和模糊逻辑检测结果进行集成分析,得到最终的诊断结果。研究结果表明证据理论和人工智能在变压器故障诊断中具有良好的应用前景。     

混沌动态模糊神经网络及变压器故障诊断的应用

提出一种结合动态模糊神经网络和混沌优化算法的故障诊断方法,将混沌变量引入模糊神经网络结构和参数的优化搜索.利用混沌优化的动态模糊神经网络建立变压器故障诊断模型,此模型不仅能对模糊规则而且能对输入变量的重要性做出评价,从而使得每个输入变量和模糊规则都可根据误差减少率进行修正.仿真结果表明,混沌动态模糊神经网络算法精度高、迭代步骤少、收敛快,对识别和预测变压器状态具有较高的精度和效率,并可方便有效地应用到其他领域.     

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%。