基于RBF神经网络的燃气轮机转速传感器故障诊断研究

提出基于径向基函数RBF(Radial Basis Function,简称RBF)神经网络的转速观测器,利用迭代增加神经元的方法解决了传统RBF网络神经元位置调整范围小和神经元数量固定带来的逼近不精确问题,并通过估计相对差和阀值的比较检测传感器故障。以某型燃气轮机转速试验数据为例进行了验证,证明RBF神经网络能准确进行转速传感器的故障检测,具有较好的工程应用价值。     

RBF神经网络的一种新的学习算法

提出了构造性RBF神经网络的一种新的全监督式学习算法 .该算法在神经网络隐层引入新节点 ,并通过使新节点的输出方向尽力逼近学习残差的方向获取网络参数 ,从而减少学习误差 ,实现对训练样本的学习 .仿真结果表明了该新学习算法的有效性 .     

基于RBF神经网络的跌倒检测算法研究

针对现有跌倒检测方法动作识别效率低、适应性差等问题,提出基于RBF神经网络的跌倒检测方法,通过径向基函数(RBF)判别人体是否处于跌倒状态。分析了人体跌倒和其他日常行为运动特征,对人体的日常行为动作进行分类。利用惯性传感器采集人体运动加速度和角速度,以加速度和角速度组合为运动特征向量,采用RBF神经网络进行训练,构建RBF函数分类器,对人体动作行为进行判别,从而识别人体跌倒状态。实验将人体运动行为分为正常行走、跑步、上下楼梯、前向跌倒、侧向跌倒5类,训练样本采用1 500例,测试样本500例,其中每类动作各包含100例测试样本。结果表明,当RBF模型隐含层数为350时,5类动作的准确率均可达到80%以上,且跌倒检测平均准确率为96%。因此基于RBF神经网络分类的跌倒检测算法能够准确地检测人体跌倒行为。     

发供电技术信息

基于 RBF神经网络的锅炉燃烧系统故障诊断〔刊 ,中〕/陈　明 ,徐向东 //清华大学学报 .2 0 0 3 ,(2 ) .2 2 7- 2 80为了提高锅炉燃烧控制系统的可靠性 ,针对热力系统自身的特点 ,基于热力系统的解析冗余理论 ,提出用 RBF神经网络构建状态观测器 ,对传感器和执行机构进行故障检测与诊断的新方法。采用正交最小二乘法 (OL S)训练神经网络。在锅炉负荷控制系统中采用这一方法 ,对传感器和执行机构构建状态观测器 ,通过分析比较传感器及其观测器输出和残差、执行机构及其观测器的输出和残差 ,就可以进行故障诊断。实验结果表明 :该方法可以…     

基于油中溶解气体分析数据挖掘的变压器绝缘故障诊断

充分利用粗糙集理论对知识的约简能力与模糊径向基函数(RBF)神经网络优良的分类诊断能力,基于粗糙集与RBF网络实现数据挖掘的电力变压器绝缘故障诊断。该方法一方面将粗糙集作为RBF神经网络的前置,对经离散化的样本集进行约简,形成精简的规则集,将高于一定可信度的挖掘规则用于电力变压器故障诊断;另一方面,将粗糙集挖掘的低于可信度要求的规则所对应的挖掘样本,作为模糊RBF神经网络的训练样本集,同时将粗糙集对这些样本的聚类结果作为模糊RBF神经网络的聚类因子,在此基础上构建改进的4层RBF神经网络,用来诊断不能用粗糙集挖掘的规则诊断的事例。经检验,系统具有较好的分类诊断能力。     

基于动态滑动模型的加速度传感器数据在线预测方法研究

加速度传感器输出值精确测量是相关数据预测的必要前提,为补偿制造工艺和测量环境影响带来的加速度传感器输出误差并准确预测加速度传感器输出数值,提出了基于自适应归一化奇异谱和神经网络的加速度传感器误差补偿及数值预测方法。首先分析加速度传感器输出误差产生的原因;然后根据奇异熵定阶去噪的方法提出了自适应奇异谱方法用于加速度传感器误差自适应补偿;最后选用基于滑动窗的径向基(radical basis function, RBF)神经网络作为加速度传感器输出数值预测方法,并用粒子群优化算法优化RBF神经网络的初始参数。实验结果表明,自适应奇异谱方法可以有效补偿加速度传感器输出误差,并可以选定不同的自适应参数以满足不同误差需求,并且粒子群算法优化的RBF神经网络可以有效预测加速度传感器输出数值。     

基于支持向量机RBF神经网络的TDOA定位算法

为了克服最小二乘法在无线定位算法中的缺点,提出了基于RBF神经网络的TDOA定位算法。利用SVM优化RBF网络权值、阈值及结点数,获得优化稳定的RBF网络结构,将训练后的RBF网络用于TDOA定位。仿真结果表明,该算法有很强的抗NLOS能力,与Chan算法和基于k-均值聚类法RBF神经网络的定位算法比较,具有更高的定位精度和可靠性。     

倾角传感器温度特性研究

倾角传感器广泛应用于航海、航天、军事等领域,但在恶劣的工作环境下,倾角传感器易受温度影响,存在零点和灵敏度温漂.以ADXL213倾角传感器为研究对象,研究了基于径向基函数RBF神经网络温度补偿方法,并对比BP神经网络建立了温度补偿模型.结果表明,RBF神经网络补偿效果和训练速度明显优于BP神经网络;补偿后倾角传感器轴向零点温漂和灵敏度温漂都降低了2个数量级,取得了良好的补偿效果.     

基于AGA优化RBF神经网络的矿井通风机故障诊断

针对径向基神经网络(RBF)用于故障诊断时存在收敛速度慢、诊断结果准确率低等问题,提出了一种基于自适应遗传算法(AGA)优化RBF神经网络的矿井通风机故障诊断方法.采用AGA对RBF神经网络的隐含层节点数、隐层基函数的中心和宽度进行优化,以此提高RBF网络的泛化能力.通过大量收集和整理工作形成样本集,使用训练样本训练RBF网络,根据网络输出结果对通风机故障进行诊断.仿真结果表明,相较于RBF神经网络,AGA优化的RBF神经网络收敛速度更快,迭代次数更少,能够有效识别通风机故障类型,诊断结果准确率更高.     

基于RBF神经网络的PMLSM无速度传感器控制

提出了一种基于径向基函数(RBF)神经网络的永磁直线同步电机(PMLSM)无速度传感器控制方法。该方法构造了一种RBF神经网络速度观测器,利用RBF神经网络逼近定子电流和速度之间的非线性关系,从而实现对电机速度的精确观测。通过Lyapunov理论设计了学习率的取值方法,以保证神经网络算法收敛性。仿真和实验结果表明,该方法具有良好的动静态特性、鲁棒性强、适用速度范围广。     

柔性机械臂振动控制中的压电传感器故障诊断

压电传感器常被应用于结构的振动控制中,为了解决压电传感器故障给控制系统的带来的不稳定问题,根据压电柔性臂振动用压电传感片故障的特点,提出运用小波包变换和RBF神经网络的故障诊断方法。首先运用小波包分解和重构原理将传感器输出信号分解到不同频段中,提取每个频段的能量作为状态监测的特征向量,作为RBF网络的输入,然后利用最佳的RBF神经网络进行压电传感器故障分类。实验结果表明该方法具有良好的非以此线性跟踪能力,置信度达到90%,为后续振动容错控制研究奠定良好的基础。     

基于核主元分析和多级神经网络集成的汽轮机故障诊断

提出一种基于核主元分析(KPCA)和多级神经网络集成的汽轮机故障诊断方法.该方法首先采用KPCA对汽轮机故障样本数据进行特征提取;然后计算相互独立训练出的多个神经网络个体在验证样本集上的泛化误差,并选择其中精确度较高的子神经网络作为集成的个体;最后采用基于正交最小二乘算法的径向基函数神经网络来集成各个子网的输出并得到最终的诊断结果.在某汽轮发电机组故障诊断中的应用表明,该方法具有较高的精确度和稳定性.     

基于在线学习RBF神经网络的汽门开度自适应补偿控制方法

汽门控制对于提高电力系统暂态稳定具有重要作用。为了提高汽门系统的控制性能,提出了基于在线学习RBF神经网络的汽门开度自适应补偿控制方法。首先,根据逆系统方法分析了被控汽门系统的可逆性、推导了被控汽门系统输出的α阶导数和伪控制量之间的误差,并设计了用于补偿此误差的在线学习RBF神经网络。然后,基于Lyapunov稳定性理论设计了RBF神经网络的在线学习算法,证明了闭环系统跟踪误差和RBF神经网络权值估计误差的一致最终有界性。所提出的控制方法仅需被控汽门系统很少的先验知识,而无需其精确数学模型,并且用于自适应补偿控制的RBF神经网络无需离线训练过程。最后,针对典型的单机无穷大汽门控制系统进行了数值仿真。仿真结果表明,所提出的控制方法较传统的非线性最优控制方法能明显提升电力系统的暂态控制性能。     

磁浮控制系统的传感器非线性校正方法研究

磁浮控制系统采用涡流传感器检测其运行状态.由于控制系统对精度和实时性有较高要求,涡流传感器输入输出特性的非线性和模型随环境的变化需要快速准确的补偿.为此,采用径向基函数网络建立涡流传感器逆模型,使加入逆模型后涡流传感器输入输出映射单位线性化.采用本文提出的简化自适应隐层结构和中心学习算法能够快速准确得到网络结构和参数.实际测量说明,该方法在精度和实时性方面满足要求,校正误差小于0.7%,能够补偿涡流传感器模型的变化.该方法能够用于精度和实时性要求高的其他传感器校正中.     

采用自组织RBF网络算法的变压器故障诊断

针对以往神经网络常采用试凑法设计网络节点的缺陷,提出了一种自组织径向基函数(RBF)神经网络算法。该算法首先通过模糊C-均值(FCM)算法得到初始的RBF神经网络节点数和中心向量,再利用经Gaussian随机分布改进的粒子群优化(PSO)算法对初始RBF神经网络节点数、中心向量、节点连接权值进行优化。利用鸢尾属数据集及葡萄酒数据集对提出的自组织RBF神经网络算法进行了仿真测试,证明该算法对于提高分类精度和优化RBF神经网络结构有一定的作用。最后,将该算法应用到电力机车牵引变压器综合测试及故障诊断系统中,结果证明所提的自组织RBF神经网络诊断算法可有效监测出原系统试验时误报和漏报的故障。     

基于径向基函数神经网络的涡流传感器非线性补偿方法研究

为了解决数字式涡流传感器的非线性问题,提出利用径向基函数神经网络进行非线性补偿的方法。介绍非线性补偿原理以及算法,并将其与BP神经网络法进行比较。从实测数据出发,建立了涡流传感器的非线性补偿模型。结果表明,这种非线性补偿模型误差小、有良好的鲁棒性、能实现在线软补偿,比用BP神经网络有更快的训练速度。     

基于RBF神经网络与模糊控制的短期负荷预测

针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数（Radial?Basis?Function,RBF）神经网络和模糊控制相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。     

考虑总体误差下降指标的电网参数辨识方法

电网参数错误是影响状态估计结果准确性的重要因素。文中以加权最小二乘状态估计为基础,分析了不良数据及错误参数集合对总体误差的影响,提出了基于总体误差下降指标的逐次型参数错误与不良数据辨识方法。该方法在辨识单个不良数据或参数错误时与正则化拉格朗日乘子法等价,并具备同时辨识多个不良数据及参数错误的能力。通过IEEE 14节点测试系统的仿真结果验证了所述方法的准确性与优越性。     

基于RBF神经网络的无刷直流电动机速度无关控制法

为提高无刷直流电动机无位置传感器控制精度,提出了一种基于RBF神经网络的无刷直流电动机速度无关控制新策略。该策略主要包含两个部分:一方面,利用RBF神经网络的自适应、非线性控制等优良性能,结合电机运行状态,修正神经元之间的连接权值,从而可以克服由于无刷直流电动机系统的非线性和部分参数不确定性造成精度下降的负面影响。另一方面,神经网络的输出经过滤波处理后,采用速度无关位置函数法(函数法)输出电机换相信号。该方法在转子转速由近零到高速变化的过程中,都能够对转子位置进行检测并给出换相时刻。仿真和实验表明,该策略具有优良的控制性能。