基于自适应模糊推理的电力变压器故障诊断研究

将自适应神经网络的自学习优点与模糊数学的模糊推理方法进行有效的结合,解决了变压器绝缘故障诊断中模糊规则难以确定的问题,利用自适应神经网络的自学习功能,通过神经网络的学习确定了模糊规则和模糊隶属度。建立了变压器故障诊断的ANFIS模型,实现了电力设备故障诊断,反映了变压器的实际运行状态。     

神经网络在变压器故障诊断中的应用

根据变压器故障诊断的特点，采用神经网络的误差逆传播算法，运用所了相色谱分析方法，建立故障诊断的神经网络模型。     

基于SOFM神经网络的变压器故障诊断研究

SOFM神经网络具有强大的非线性映射能力和高度的自组织和自学习能力,将SOFM神经网络应用于变压器的故障诊断.利用改进的罗杰斯三比值法获取变压器故障诊断的特征向量,建立了SOFM网络故障诊断模型,并对模型进行训练.为了检验模型的实际诊断能力,以变压器的4种典型故障诊断为例进行仿真实验.仿真结果表明:SOFM神经网络能够根据获胜神经元在竞争层的位置对变压器故障进行判断,诊断准确率高,收敛速度快,泛化能力强,表明基于SOFM网络的变压器的故障诊断是一种行之有效的方法.     

基于油中溶解气体分析的变压器故障诊断

基于改进的椭球基神经网络对变压器进行故障诊断,运用思维进化方法优化权值,并与信息融合,对其进行了建模与仿真,能够更快速更准确的进行变压器故障诊断.     

基于RBF神经网络的变压器故障诊断及MATLAB仿真研究

研究应用RBF神经网络进行变压器故障诊断,以提高变压器故障诊断率。分析了径向基函数神经网络的结构和工作原理,设计一个诊断变压器故障的三层径向基网络。通过采用MATLAB进行仿真实验,结果表明RBF神经网络是一很强的分类器,能够有效的对变压器故障进行诊断。     

基于遗传小波神经网络的变压器故障诊断

电力变压器油中溶解气体的色谱分析是变压器故障诊断的重要方法,通过该方法可以间接了解变压器的运行状态和内部潜在故障.人工神经网络已经成功地应用于电力变压器故障诊断,但学习样本数多和输入输出关系复杂性减慢了网络的收敛速度.为解决此问题,将用遗传算法改进的小波神经网络应用于电力变压器故障诊断,克服小波算法易于陷入局部极小、收敛速度慢等缺点.     

基于决策树神经网络模型的电力变压器故障诊断方法

根据对变压器常见故障原因及危害程度的分析,构造了电力变压器故障诊断决策树．其判定级别为自上而下,而决策树的每一叶都对应着一种具体的故障模式,并在决策树的不同分支中选用不同的神经网络单元模块作为基本分类器,建立组合神经网络模型,实现了对故障的多分辨识别．该方法克服了以往单神经网络模型在结构复杂性和学习难于收敛方面的不足,大大提高了故障分析的准确度．应用结果表明该系统模型是富有成效的     

电力变压器故障诊断的神经网络专家系统

介绍了产生式系统与神经网络结合的一种方法──神经网络专家系统（NNES）。根据变压器故障诊断的特点，建造了用于电力变压器故障诊断的NNES。该系统充分发挥了NN与ES各自的优点，为变压器故障诊断创造了一条新的思路。     

基于BP神经网络的变压器故障诊断方法

本文利用BP神经网络对变压器进行故障诊断。该方法以变压器油中特征气体的含量作为输入参数,输入到经过训练之后的BP神经网络,经过实际输出与期望的对比分析表明,采用该方法对变压器进行故障诊断是有效的。     

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BP神经网络的挖掘机智能故障诊断知识库设计

介绍了基于BP神经网络智能故障诊断技术在贵阳矿山机器厂O.8m3.液压挖掘机故障诊断系统应用中系统故障诊断神经网络知识库设计的方法与步骤,结合液压泵子系统故障诊断实例详细阐述了智能故障诊断故障库设计过程中神经网络建立、训练样本获取及神经网络学习的具体方法.     

基于BP神经网络的故障诊断

本文论述了BP神经网络的结构和学习算法以及应用到故障诊断中的原理和过程。详细地分析了拖拉机变速箱的工作原理,并讨论了利用BP神经网络的优点,应用到该工程的故障诊断中。通过试验证明,基于神经网络的故障诊断已经逐步走向成熟。     

RBF神经网络用于发动机控制系统的故障诊断

神经网络是以研究人的生物神经为根据,由大量简单元件即神经元模拟电子器件相互联接而形成的一种复杂网络本文通过比较现行发动机控制系统故障诊断的方法,针对基于神经网络的发动机控制系统故障诊断进行了推导及改善数学模型;并编制了采用径向基函数神经网络完成发动机控制系统故障诊断的学习与诊断程序,实现了仿真将神经网络应用于发动机控制系统的故障诊断技术中,以发动机的各测量传感器为基础,对其控制系统进行实时故障诊断和故障分离,不仅充分体现神经网络的容错性、抗干扰性及大规模并行处理能力、自学习能力等特点,而且开发了发动机控制系统的故障诊断技术新领域     

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%。     

自学习模糊脉冲神经网络的旋转机械诊断

针对旋转机械故障分类边界的模糊性和传统的神经网络算法难以解决应用问题的实例规模和网络规模之间的矛盾问题,提出了一种自学习模糊脉冲神经网络算法,该算法通过脉冲序列的种群编码和无监督学习较好的克服了旋转机械故障分类边界的聚类分析无效性问题.应用表明该算法有效解决了旋转机械故障的边界模糊性问题,较大提高了故障诊断的准确率.     

基于多神经网络的分布式变电站故障诊断系统的研究

提出一种基于多神经网络的分布式变电站故障诊断系统的结构和构建方法, 它具有开发耗用低、易于维护、可在线诊断等特点, 并能有效的克服单个神经网络因结构复杂而产生的学习速度慢, 难以收敛等缺点     

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GM-ELM的有杆泵抽油井故障诊断

为了解决有杆泵抽油井故障诊断问题,提出了基于灰度矩阵极限学习机(gray matrix-extreme learning machine,GM-ELM)故障诊断方法.首先用灰度矩阵对有杆泵抽油井进行故障特征提取;然后用数理统计的方法建立灰度矩阵的特征向量,将故障特征向量作为故障诊断模型的输入值;最后建立GM-ELM模型对有杆泵抽油井故障进行诊断.仿真结果表明该方法与GRNN(general regression neural network)方法、LS-SVM(least squares support vector machine)方法、BPNN(back propagation neural network)方法相比具有更高的故障诊断准确率.     

基于改进型深度网络数据融合的滚动轴承故障识别

针对传统智能诊断方法依赖于信号处理和故障诊断经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合softmax分类器,针对数据集不平衡问题引入加权损失函数、正则化以及批量归一化等模型优化技术搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。模型从原始实测轴承振动信号出发逐层学习实现特征提取与目标分类。实验结果表明,优化后的深度学习模型可实现对早期微弱故障、不同程度故障的精确识别,在不平衡数据集上也可达到95%的识别准确率,并且模型拥有较快的收敛速度和较强的泛化能力。