基于小波变换和人工神经网络的保护模型

采用一种结合小波变换和神经网络原理的模型，来识别电力系统短路故障，用小波变换提取测量信号的特征量，作为多层的神经网络的输入，对不同的输出要求，采用不同的神经网络，判断出发生故障的相别、性质和位置。实验结果表明，该模型是有效、可行的。     

基于小波变换和人工神经网络的保护原理研究

提出了一种利用小波变换提取信号特征,并结合神经网络来识别电力系统短路故障的方法．该方法首先对测量信号作小波变换,提取特征量,作为多层前向神经网络的输入．对不同的输出要求,提出采用不同的神经网络,判断出发生故障的相位、性质和位置．     

基于小波包信息熵和小波神经网络的异步电机故障诊断

采用一种基于小波包信息熵和小波神经网络的方法对异步电机进行故障诊断。将故障信号进行小波包预处理,并在此基础上提取信号的小波包能谱熵和小波包系数熵,构成信号的信息熵特征向量。训练小波神经网络使其在输入特征向量后能有效检测并输出故障模式,以实现对单一故障和复合故障的诊断。通过内嵌的方式把小波变换融入神经网络,具有良好的自适应分辨率和容错能力,可以有效避免局部最小值以及收敛速度过于缓慢的问题。试验表明,基于小波包信息熵和小波神经网络的方法能很好地进行异步电机的故障诊断,且该方法优于同参数下的BP神经网络模型。     

基于小波神经网络的风速预测及置信区间估计

小波神经网络是在小波变换理论和人工神经网络的基础上建立的一种新型网络模型,综合了两者的优点,克服了BP神经网络易陷入局部极小点和训练速度慢的缺点．本文建立了小波神经网络模型,采用最陡梯度下降法训练网络,将该网络用于对风电场小时风速的预测,并对预测置信区间进行计算．预测结果表明小波神经网络在训练速度和预测精度方面均优于BP神经网络．     

基于小波变换和人工神经网络的保护原理研究

提出了一种利用小波变换提取信号特征,并结合神经网络来识别电力系统短路故障的方法,该方法首先对测量信号作小波变换,提取特征量,作为多层前向神经网络的输入,对不同的输出要求,提出同的神经网络,判断出发生故障的相位、性质和位置。     

提升小波包和神经网络在轴承故障诊断中的应用

针对轴承故障信号的特点,采用9／7提升小波包和概率神经网络（Probabilistic Neural Networks）相结合的算法对轴承故障进行诊断。首先对原始数据进行小波变换,并对其进行特征提取。然后利用概率神经网络对得到的特征向量进行类别判定。在VB和Matlab设计的故障诊断仿真实验平台上,验证了9／7提升小波包和概率神经网络混合的故障诊断方法满足实验要求．     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点,提出基于小波神经网络的模拟电路故障诊断方法.采用能量分布特征提取方法和改进BP算法,用正弦信号仿真模拟电路,应用小波变换对模拟电路的采样信号进行多尺度分解,再进行能量分布特征提取,然后利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.相对于传统的故障诊断方法,用小波变换对故障信号进行预处理,大大减少了神经网络的输入数目,从而简化了神经网络的结构和减少了它的训练时间,并提高了辨识故障类别的能力.对实例电路仿真结果表明,该方法能正确识别各种故障状态,准确率高.     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点，提出基于小波神经网络的模拟电路故障诊断方法。采用能量分布特征提取方法和改进BP算法，用正弦信号仿真模拟电路，应用小波变换对模拟电路的采样信号进行多尺度分解，再进行能量分布特征提取，然后利用神经网络对各种状态下的特征向量进行分类识别，实现模拟电路故障诊断。相对于传统的故障诊断方法，用小波变换对故障信号进行预处理，大大减少了神经网络的输入数目，从而简化了神经网络的结构和减少了它的训练时间，并提高了辨识故障类别的能力。对实例电路仿真结果表明，该方法能正确识别各种故障状态，准确率高。     

基于小波变换的神经网络模拟电路故障诊断

对模拟电路提出了一种基于小波变换与神经网络相结合的故障诊断方法,该方法用小波变换对模拟电路故障信号提取小波特征,并经小波变换压缩,再将故障特征量输入至神经网络处理。结果表明,该方法有效地减少神经网络输入层单元数,简化了神经网络结构,提高了故障诊断能力。     

基于小波变换的神经网络模拟电路故障诊断

对模拟电路提出了一种基于小波变换与神经网络相结合的故障诊断方法,该方法用小波变换对模拟电路故障信号提取小波特征,并经小波变换压缩,再将故障特征量输入至神经网络处理。结果表明,该方法有效地减少神经网络输入层单元数,简化了神经网络结构,提高了故障诊断能力。     

汽轮机转子故障诊断算法应用研究

对汽轮机转子故障进行诊断是确保汽轮机安全运行的关键。振动信号的分析在汽轮机转子故障诊断中广泛应用。应用小波包分析方法提取振动信号特征值,进一步作为BP神经网络的输入量,建立信号特征与其故障类型的非线性映射关系,利用神经网络实现故障诊断。仿真结果表明,该方法可以有效地对汽轮机转子故障进行诊断。     

基于小波变换和神经网络的线路保护启动方法

为满足特高压输电线路超高速保护的要求,结合小波变换原理和神经网络原理,提出一种新的特高压输电线路保护的启动方法。该方法运用小波变换检测突变信号的原理,提取故障特征量,并以此作为神经网络的输入,设计启动神经网络,以判断输电线路的运行状态(正常或故障),进而决定是否启动故障选相装置。在PSCAD建立特高压输电系统仿真模型,仿真结果表明:该启动方法能准确判断输电线路运行状态,动作快速、灵敏且不受过渡电阻、故障位置、故障初始角以及噪声干扰的影响,在特高压输电线路超高速保护方面有一定的实用价值。     

基于神经网络技术的电梯动态智能检测系统

提出了一种基于神经网络技术的电梯动态智能检测系统,它可以长期不间断地采集电梯运行数据并存储.利用最优小波包的理论分析提取轿厢垂直振动加速度信号特征,与水平方向振动信号特征融合建立了BP神经网络模型,实现对电梯急停故障现象的诊断.经验证,该模型能有效判断出电梯急停故障,为特检部门提供了电梯的检测依据.     

基于GA-PSO优化BP神经网络的压缩机气阀故障诊断

针对压缩机气阀故障信号非平稳性、非周期性的特点,提出一种基于主成分分析（PCA）和GA-PSO优化BP神经网络的压缩机气阀故障诊断方法。首先利用小波包分解提取出气阀故障的特征;然后故障特征向量通过PCA降维,降低网络的规模和计算时间。针对标准BP算法收敛速度慢且易陷入局部极小的缺点,引入一种GA-PSO算法用于BP神经网络的参数优化过程。最后以往复压缩机阀盖的振动信号作为信号源,通过故障诊断仿真测试,验证了PCA和GA-PSO-BP神经网络对压缩机气阀故障诊断具有可行性和有效性。     

基于小波和神经网络的传感器故障诊断

提出了一种新的基于小波包变换和BP神经网络的传感器突变故障诊断方法。根据小波变换在时域和频域都具有良好的局部化特性对信号特征进行精确定位,根据传感器输出信号的小波包分析提取能量变化率的特征向量,利用BP神经网络进行传感器故障分类。这种方法无需预先建立传感器模型和测量传感器输入信号,通过对小波包系数的削减,减少了冗余数据,提高了故障检测的实时性。仿真实验结果表明了该方法的有效性。     

往复压缩机的状态监测和故障的诊断方法

分析了用传统的时域和频域分析方法不能有效提取往复压缩机故障特征的原因,介绍了基于小波包分析与神经网络的往复压缩机故障诊断方法,探讨了包括往复压缩机振动信号的降噪、小波包分解与重构、故障特征提取、针对防止发生漏诊或误诊问题而提出的组合RBF网络及其训练方法和渐进学习能力等问题。还专门介绍了一种新的技术,它可以帮助我们确定一个适当的阈值,用于解释经过训练的RBF分类器的输出。