基于模糊Petri网和BP-ACO的变压器故障诊断

针对油浸式变压器的故障诊断问题,提出了一种基于模糊Petri网模型和蚁群优化BP神经网络(BP-ACO)的变压器故障诊断方法。首先,定义一个十元的模糊Petri网结构并根据产生式规则和推理算法构建了故障诊断模型。然后采用BP神经网络对模型的权值和阈值进行参数训练,并结合蚁群优化对模型各参数进行优化,从而进一步提高故障诊断的精确率。利用真实的变压器历史数据对提出方法的可行性进行了验证。结果表明,相比类似模糊Petri网故障诊断方法,提出诊断方法具有更高的准确度。     

基于Elman网络LM算法的异步电机故障诊断

电机故障诊断问题在生产安全运行中非常重要,但难以建立准确数学模型,而神经网络能较好地解决故障诊断问题,Elman网络是一种动态递归神经网络,具有适应时变特性的能力,训练速度快、精度高,识别能力强。针对电机转子故障样本应用Elman网络并采用LM算法训练,将其训练效果与BP网络训练效果进行比较,显示了Elman网络和LM算法的优越性。     

基于邻域粒子群混合算法的齿轮故障诊断

为了提高齿轮故障诊断的准确性,采用了一种邻域粒子群混合方法。即根据齿轮的故障特征量,利用邻域粒子群算法来优化BP神经网络的权值,并用优化好的BP网络进行故障诊断。实例仿真结果表明,该方法具有较高的故障诊断准确度,具有一定的实用性。     

蚁群神经网络传感器故障识别法在二次测爆装置中的应用

针对煤矿井下二次测爆装置中传感器主要故障,提出利用蚁群神经网络故障识别的新方法。通过蚁群算法对数据进行多次寻优,找到理想的权值,再将它们输入BP神经网络系统进行训练。此法有收敛速度快,能防止BP网络陷入局部极小点的优势。最后根据实际矿井情况模拟仿真,实验证明这种方法对比单纯使用BP网络算法,效果显著。     

基于人工鱼群算法的变压器故障诊断研究

针对变压器在故障诊断时复杂难辨的问题,提出了一种基于人工鱼群算法优化BP神经网络的故障诊断方法。该方法首先将所得的样本进行预处理,然后通过归一化后的故障特征量样本和目标期望输出,对建立的模型进行样本训练,最后将验证数据进行诊断测试。诊断结果表明,采用该方法可以满足变压器故障诊断的需要,具有很强的实用价值。     

基于粒子群和BP混合优化的采煤机故障诊断分类方法研究

故障诊断的本质是信号的特征提取与分类,BP神经网络是典型的一种分类方法。针对传统的BP算法易形成局部极小值,缺乏全局搜索性的缺点,利用粒子群算法可以在复杂、多峰、非线性及不可微的空间中实现快速、高效的全局搜索的特点,结合传统BP算法,提出一种基于PSO-BP混合训练神经网络的新方法。该算法首先利用粒子群算法的全局搜索能力对BP网络的权值进行优化,同时引入粒子群熵的概念对粒子群体中个体的多样性进行度量,当粒子群熵的估计值超过某一设定阀值时,用BP算法进行神经网络的训练。采用采煤机的轴承故障数据集对PSO-BP算法进行验证,证明该方法能够对采煤机的故障进行诊断。     

基于BP神经网络技术的采煤机齿轮箱早期故障诊断

齿轮箱既是采煤机的核心部件,也是较容易出现故障的部件,一旦发生故障会导致严重的后果。因此,在齿轮箱出现问题的早期进行故障诊断具有重要意义。采用齿轮箱振动信号的5种特征指标作为BP神经网络的输入值,以齿轮箱的正常、齿轮磨损、齿面点蚀和齿根裂纹4种状态为神经网络的输出值,通过对BP神经网络进行训练和对故障类型进行编码,可以实现利用BP神经网络对齿轮箱早期缺陷的故障诊断。从实验仿真结果可知,诊断方法具有较高的准确率,为采煤机齿轮箱的早期故障诊断提供了新的研究思路。     

基于PSO-BP神经网络的采煤机电动机故障诊断研究

针对因采煤机电动机超长时间运行与矿井极端工作环境而引起的故障问题,结合异步电动机数学模型及其常见故障机理分析,在分析 BP 算法存在缺陷的基础上,提出一种用于电动机故障诊断的 PSO-BP 神经网络算法,以实现对采煤机运行状态的实时监测。将 PSO 算法与 BP 算法相结合,共同优化神经网络连接权值,用电动机故障训练样本对 PSO-BP 神经网络进行训练并进行网络测试。结果表明,与 BP 神经网络相比,PSO-BP 神经网络能更快速、准确诊断电动机的健康状态,及时采用有效措施可降低电动机故障率,从而保障矿井人员作业安全,提高生产效率。     

基于遗传小波网络的电动机故障诊断

对基本的遗传算法进行了改进,并将其与BP算法相结合构成混合算法应用到电动机故障诊断的小波神经网络训练中。仿真结果表明,该算法有效地解决了小波网络初值设置不合理,极易进入局部极小的区域,以致网络振荡增大、不收敛,而GA算法独立训练神经网络速度缓慢等缺点。用训练过的小波神经网络模型对5组电动机故障进行验证和诊断的仿真结果也表明了,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电动机故障诊断的有效性。     

基于模糊神经网络的异步电动机故障诊断研究

针对异步电动机常见的故障特点,采用基于模糊神经网络的故障诊断方法,通过利用改进的BP算法,运用该诊断模型,对异步电动机故障进行了诊断。仿真结果表明,该诊断方法具有准确度高、诊断速度快等优点,是一种较实用的故障诊断方法。     

基于三值神经网络的数字电路多故障测试生成算法

针对数字电路中多故障测试生成较难的问题,提出了基于三值神经网络的数字电路多故障测试生成算法。该算法先把多故障转换成为单故障,再用三值神经网络的方法对单故障电路构造故障的约束网络,最后用遗传算法求解故障约束网络能量函数的最小值点获得原电路中多故障的测试矢量。在一些国际标准电路上的实验结果表明本算法的可行性。     

概率积分预计参数的ENN优化算法

为了提高ENN(Elman neural network)神经网络获取概率积分预计参数的准确性，以我国30个地表移动观测站的实测数据作为学习训练和测试的样本数据，采用强稳健局部加权回归法（Rlowess,RW)对30个地表移动观测站数据进行降噪处理，采用蚁群算法（Ant Colony Optimization,ACO）对ENN神经网络的权值和阈值进行优化，构建了ACO ENN概率积分预计参数解算模型。结果表明：对比分析ACO ENN模型解算RW降噪处理前后的实测数据，发现RW降噪处理显著提高了数据质量，提高了解算模型的预测精度；利用ACO ENN模型解算下沉系数、水平移动系数、主要影响角正切及拐点偏移距的平均相对误差分别为2.41%、3.48%、6.11%和1.67%， ACO ENN模型对于概率积分预计参数的解算精度优于传统ENN算法，为精确获取概率积分预计参数提供了新思路。     

模糊神经网络在提升机制动系统故障诊断中的应用

针对BP神经网络在提升机制动系统故障诊断中的局限性,如收敛速度慢和可靠性差等缺点,根据提升机制动系统的故障机理和特点,提出了一种基于遗传算法的模糊神经网络故障诊断方法。结合了神经网络和模糊逻辑的优点,在利用神经网络对提升机制动系统进行故障诊断的基础上,引入模糊逻辑的概念,采用模糊隶属函数来描述这些故障的程度,并利用遗传算法对网络的权值和阈值进行修正,加快了网络收敛的速度,克服了易陷入局部极小的问题。     

小波神经网络在提升设备故障诊断中的应用

介绍小波神经网络的构成和学习算法,并针对提升机减速箱故障的复杂性构造了用于减速箱故障诊断的小波神经网络,对减速箱的状态进行判别,实现了故障诊断。实验结果表明,小波神经网络在减速箱故障诊断领域具有良好的实用性。     

改进BP算法在旋转机械故障诊断中的应用

针对BP算法在实际诊断中表现出来的“学习收敛速度慢”、“易于陷入局部最小点”等局限性 ,改进BP算法的神经网络方法已经被提出 ,并且应用于对设备的故障诊断和分析研究。用转子试验台模拟了几种常见的故障 ,对其进行诊断研究 ,从中得出结论 :将代表故障的信息输入训练好的神经网络后 ,由输出的结果 ,便可以判断发生故障的类型 ,此外 ,改进后的BP算法大大地提高了网络收敛速度和稳定性 ,更能满足实时在线诊断的要求     

基于自适应神经网络的矿井提升机故障诊断

矿井提升机是井下作业的重要运输设备,其运行状态对煤矿企业的安全生产具有关键作用。为了对矿井提升机故障进行实时监控,从而及时发现故障原因并采取措施,提出了一种基于自适应神经网络的矿井提升机故障诊断方法。首先对矿井提升机主轴系统结构及故障振动频率特征进行了分析,然后采用自适应神经网络算法对矿井提升机主轴故障诊断建立模型,实现对故障类型和故障程度的精确诊断,最后对所提出的模型进行了仿真测试。实验结果显示,该方法可以提供较高识别精度的故障诊断结果,为提升机的故障判断提供了参考依据。     

基于K-means算法识别瓦斯传感器软故障研究

针对井下瓦斯传感器设备出现的软故障如数据漂移、数据长期低于或高于正常值、数据周期性变动和数据出现大值等问题,提出了一种基于轮廓系数自适应最佳聚类点的K-means算法识别瓦斯传感器出现软故障种类的方法。该方法是利用监控系统采集的瓦斯传感器软故障信号进行小包分解处理后,结合RBF神经网络进行轮廓系数K-means自适应算法的软故障识别训练。K-means自适应算法能够自适应优化聚类中心点,利用聚类中心点的迭代循环计算出最优中心点,选择最佳聚类点进行K-means聚类,从而识别软故障信号的故障类型。实验证明,自适应轮廓系数K-means算法能够有效地识别瓦斯传感器软故障类型,提高了煤矿安全监控系统数据的准确性。     

基于概率神经网络的风机故障诊断

针对风机常见故障征兆与故障类型之间的非线性映射关系,结合专家知识建立了风机系统故障知识库,提出了基于PNN神经网络的风机故障诊断方法,结果表明该方法能克服BP算法诊断过程中容易陷入局部极小的缺点,并能满足故障诊断的快速性和准确性要求,适用于在线检测,具有实际应用价值。     

基于神经网络的煤矿机械滚动轴承故障诊断研究

滚动轴承失效是煤矿机械常见的故障之一,一旦出现此类故障较难及时发现并修复,造成极大的经济损失。为此提出了一种可在滚动轴承故障发生早期进行及时预测诊断的方法,可以根据滚动轴承故障早期振动信号的各种特征分量进行模式匹配,从而识别出故障类型以便及时采取措施。在进行故障预测和模式识别时,采用了原始BP神经网络和经过遗传算法优化的GA-BP神经网络,经过仿真比较显示,后者的性能更强。