基于神经网络优化法的故障诊断应用研究

在机械设备的故障诊断中，常采用BP网络算法对故障进行诊断计算，但由于BP网络易于收敛于局部极小点，且在初始参数与网络结构选取不当时。网络将出现发散现象．为此提出了将神经网络优化算法应用于汽轮发电机组的故障诊断中，实现了神经网络权值和阈值的快速计算，并以汽轮发电机组的故障诊断为背景。将两种算法的结果进行比较，证明该方法比BP算法精度高且收敛速度快、可靠性好．     

基于BP神经网络及其改进算法的汽轮发电机组故障诊断

为了提高汽轮发电机组的故障诊断准确率,提出了基于BP神经网络改进算法的故障诊断系统.根据输入特征向量对BP神经网络进行学习,在matlab上分别采用两种算法对故障诊断模型进行测试.结果表明,改进算法能够更有效地预测汽轮发电机组的故障.     

基于神经网络的汽轮机故障智能诊断系统的设计

介绍了BP神经网络的结构和算法,分析了如何将BP神经网络用于机械设备的故障诊断,结合汽轮发电机组的故障特性,建立了汽轮发电机组故障诊断的神经网络模型,并利用该神经网络模型对汽轮发、也机组的故障进行了诊断,诊断结果是正确和有效的。     

汽轮发电机组振动故障诊断研究

本文作者论述了汽轮机组故障诊断中使用的信号处理和故障诊断方法，分析了各种方法的优缺点，最后展望了汽轮发电机组振动故障诊断的发展方向。     

汽轮发电机组故障诊断的模糊聚类分析新方法

已有的模糊聚类分析方法不能对汽轮发电机组振动多故障进行有效诊断。文章综合运用模糊聚类分析理论，将待检样本与所有标准故障样本一起作为分类样本，在模糊等价矩阵的传递闭包法的基础上，提出了一种适合汽轮发电机组振动多故障诊断的新方法。实例表明，该方法可有效诊断汽轮发电机组的振动多故障，具有良好的应用前景。     

基于小波分析的汽轮发电机组振动信号检测

汽轮发电机组的余弦突变及倍频突变是现场常见的振动故障,模拟了一个正弦振动信号分别产生余弦突变和倍频突变,并利用db5小波对此故障信号进行5层分解得到5层细节信号.故障信号分解的细节部分清晰地显示了奇异点的准确位置.仿真结果证明了小波分析用于汽轮发电机组振动信号检测的可行性和有效性,从而为汽轮发电机组振动信号的故障诊断提供有力依据.     

基于遗传-BP网络的汽轮发电机组振动故障诊断

为克服传统BP神经网络存在着容易陷入局部极小点、对初值要求高的缺点,综合遗传算法的全局优化和神经网络的并行计算等特点,探讨了一种基于遗传-神经网络的故障诊断的方法,并将其应用于汽轮发电机组故障识别.实验数据表明,遗传-BP神经网络的收敛和诊断能力优于BP神经网络,可有效运用到汽轮发电机组振动故障诊断中,具有一定的应用价值.     

用BP网络诊断汽轮发电机组振动故障

针对ＢＰ网络的不足，提出了自适应学习率的ＢＰ网络算法，该算法从根本上解决了ＢＰ网络中学习率的取值和收敛速度慢的问题，并有效地解决了ＢＰ网络易收剑到局部最小点的问题，并将这种改进的算法应用于汽轮发电机组的故障诊断中，结果表明该方法可行。     

基于BP网络的汽轮发电机组振动故障诊断方法研究

首先分析了汽轮发电机组振动故障特点及ＢＰ网络的特点,指出采用ＢＰ网络诊断方法的必要性,然后对基于ＢＰ网络的汽轮发电机组振动故障的诊断方法及网络结构与诊断性能的关系进行研究。     

基于RBF网络的水位传感器故障诊断方法

将RBF网络应用于水位传感器的故障诊断,通过构建RBF网络估值器,提出了一种故障诊断方法。首先用影响汽包水位的各种相关参量的实测数据对RBF网络进行训练,然后用达到训练目标的RBF网络对汽包水位进行较高精度的估值;通过RBF网络估值器输出和水位传感器实际输出之差与设定的阈值比较检测传感器故障;若水位传感器出了故障,则诊断系统通过故障转换开关及时对水位监视或控制系统进行重构以消除故障的影响。仿真试验表明该方法能对水位传感器进行较有效的状态监测和故障诊断。     

基于双层网络的混合PSO算法的RBF建模

针对RBF网络的建模问题,设计了基于双层网络的建模方法。第一层网络采用随机方法确定了隐层单元数,并利用并行PSO算法对网络进行初步训练,第二层网络采用了主从粒子群的方式,借鉴了遗传交叉的思想,对第一个网络的最优解进行了再训练以提高网络的训练精度。从对非线性系统的仿真结果看,该方法最终确定的隐层单元数比较少,与RBF网络相比有着一定的优越性,而且优于单层并行PSO算法的RBF网络。     

基于人工神经网络的电力变压器励磁涌流判别

研究了励磁涌流的产生机理和特性 ,探讨了影响励磁涌流的因素 ,对多种条件下的电力变压器励磁涌流及故障电流进行了数字仿真 ,比较了两者在物理特性上的区别。同时利用Matlab中的神经网络工具箱 ,建立了径向基函数 (RBF)神经网络模型 ,对励磁涌流和短路电流的样本进行训练 ,并对训练好的神经网络进行测试。结果表明 :RBF神经网络可以正确地区分励磁涌流和短路电流。     

汽轮机组振动故障诊断模型

使用自适应谐振理论（ＡＲＴ）和误差反向传播（Ｂ）两种神经网络，开发了汽轮发电机组振动故障诊断模型。该模型可以进行多征兆域综合诊断，既能诊断单故障又能诊断并发故障，并且具有识别新故障的能力。经试验台数据和经典样本验证，模型合理可行。     

基于EMD和RBFNN的地铁辅助逆变器故障检测

针对地铁辅助逆变器故障信号非平稳的特征,提出了一种基于经验模态分解方法和径向基神经网络的地铁辅助逆变器的故障诊断方法,并应用经验模态分解方法对采集的非平稳的原始信号进行处理,将原始信号分解成多个平稳的本征模函数(intrinsic mode function,IMF),同时,采用K-均值聚类算法确定RBF神经网络的模型参数,并借助径向基神经网络的分类能力对特征向量进行故障检测。仿真结果表明,基于K-均值聚类算法的RBF神经网络,在48个测试样本中有46个正确,准确率为95.8%,高于标准RBF神经网络77.0%的准确率,说明其准确性明显高于标准的径向基神经网络。该研究能够满足地铁辅助逆变器故障检测对准确性的要求,可高效识别地铁辅助逆变器的故障。     

基于不同学习算法的RBF神经网络在故障诊断中的应用

基于对RBF神经网络常用的3种学习算法的研究,通过对凝汽器典型故障类型与故障征兆分析,提出了基于不同学习算法的RBF神经网络凝汽器故障诊断,并对诊断结果进行比较.诊断结果表明,基于3种常见学习算法的RBF神经网络都可以准确诊断出凝汽器的各种故障,但聚类方法和OLS算法学习速度要快得多,梯度训练方法速度较慢.研究还表明,RBF神经网络在故障诊断领域具有很好的实用性.     

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。     

基于RBF神经网络的电流保护

提出了一种基于RBF神经网络的全新的电流保护方式 该网络采用的是 3层RBF神经网络模型 ,由三部分构成 :故障类型与相别判断子网络ANN1;故障方向判别子网络ANN2 ;振荡识别子网络ANN3 对该模型进行了各种故障状态的测试 ,进行了仿真实验 ,并与BP网络进行了比较 ,发现RBF网络训练速度快 ,且证实了基于RBF网络的电流保护的可行性     

基于PSO-RBF的航空相机电源板故障诊断技术研究

针对机载航空相机电源板故障率高,传统故障诊断方法技术不足而造成的相机维护难度大的实际问题,提出一种基于PSO-RBF神经网络的电源板故障诊断方法。考虑选取RBF网络训练算法中隐含层节点数和中心参数的难题,采用实用粒子算法约简了RBF神经网络,设计了航空相机电源板故障诊断系统方案,并给出了诊断系统的软件模块和实现方法,实现了从计算机仿真到工程应用的电源电路故障诊断。仿真与实际检测实验结果均表明,系统在不依赖任何标准设备和附加测点时,可对航空相机电源板进行实时、全自动化故障检测,其故障现象的检测覆盖率为100%,故障诊断平均可靠性可达到97.73%,故障器件定位率可达到96.89%。