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.     

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RBF网络的汽轮发电机组故障诊断

针对电厂汽轮发电机组故障诊断问题,设计了RBF网络故障诊断系统．根据输入特征向量进行RBF网络的学习,并将RBF网络诊断故障的方法成功地应用于汽轮发电机组故障诊断．仿真结果表明：RBF网络比BP网络更稳定,训练误差更小。     

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。     

BP神经网络在水轮发电机组状态监测与诊断系统中的应用

引用了一种改进的BP(back_propagation)神经网络训练方法 ,对水轮发电机组的故障诊断进行了分析诊断 .利用这种方法可以使BP网络得到更快的收敛速度 .使用了BP子网络方法对水轮发电机组故障进行了分类构造诊断网络 ,此诊断方法已用于水电厂故障诊断系统 ,文中阐述了神经网络诊断在系统中的具体实现     

基于小波包-GABP的滚动轴承故障诊断分析

为提高诊断滚动轴承故障的效率和准确率,本文将小波包变换、BP神经网络和遗传算法三者相结合,提出了一种基于小波包和GABP神经网络的故障诊断模型。由小波包的分解与重构在滚动轴承故障原始信号中提取有效的故障特征向量,并利用遗传算法优化BP神经网络,然后训练和诊断滚动轴承信号的故障类型。同时,运用Matlab软件把采集的数据进行仿真分析。仿真结果表明,相对于传统BP神经网络,利用遗传算法优化的神经网络对故障的诊断正确率更高,并且收敛速度较快,说明由遗传算法优化的BP神经网络在故障诊断方面具有较好的效果,而且遗传算法的引入使轴承故障诊断的适应度和准确率更高。该研究为滚动轴承的故障诊断提供了理论基础。     

基于LM-BP神经网络的机床伺服系统故障诊断

针对故障复杂、传统维修方法较难实现快速、准确的故障定位问题,在克服传统BP神经网络进行故障诊断存在问题的基础上,引入基于LM-BP的神经网络方法,对机床伺服系统进行故障诊断和分析。设计了一种基于LM-BP神经网络的机床故障诊断方案,应用3层BP神经网络,建立机床伺服系统LM-BP神经网络故障诊断模型,实现在一个复杂的非线性动力系统中,根据设备运行参数的变化调整分类过程,准确判断故障及其位置。实验结果表明,LM-BP神经网络较传统BP神经网络能更精确地诊断机床运行中伺服系统的故障和预测机床运行中伺服系统出现的故障类型。     

基于改进粒子群神经网络的提升机故障诊断

针对BP神经网络对提升机制动系统进行故障诊断存在着收敛速度慢和可靠性差等缺点,提出了一种基于粒子群神经网络的故障诊断方法.根据制动系统故障征兆与故障类型之间的非线性和耦合性,建立了提升机制动系统的故障诊断模型;采用改进的粒子群算法优化BP神经网络的连接权值和阈值,应用于制动系统的故障诊断,缩短了神经网络的训练时间,提高了故障诊断的精度.仿真结果表明该诊断方法具有故障诊断能力强和诊断效率高等特点.     

基于红外神经网络的高压断路器故障诊断方法

为了高效、快速、准确地确定高压断路器的故障,提出了一种基于红外诊断与神经网络相结合的高压断路器新型故障诊断方法。首先,利用红外测量技术采集高压断路器故障样本,并将故障样本进行归一化;其次,构造BP神经网络故障诊断模型,提出一种新型改进BP神经网络算法,将构造的高压断路器故障样本输入到改进BP神经网络中进行训练,得到改进BP神经网络的相关参数;最后,通过仿真研究验证了提出的基于红外神经网络的高压断路器故障诊断方法的合理性与优越性。     

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。     

基于纵横交叉算法优化BP神经网络的风机齿轮箱故障诊断方法

风电机组齿轮箱的运行工况比较复杂,容易发生故障. 针对常规BP（Back Propagation）神经网络故障诊断容易陷入局部最优的问题,提出一种基于纵横交叉算法（Crisscross Optimization Algorithm,CSO）优化BP神经网络的风电齿轮箱故障诊断新方法. 考虑到风电齿轮箱振动信号的波动性和非线性,首先从信号中提取故障特征参数,建立带评价因子的误差分析模型,然后通过纵横交叉算法优化BP的权值和阈值对神经网络进行训练,最后用训练好的神经网络对样本进行测试. 经实验仿真并与其他方法的对比,验证了本文方法用于风电机组故障诊断有效性及优越性.     

大型风机的多层感知智能故障诊断方法研究

根据BP神经网络的基本原理,建立风机故障的智能诊断系统,给出风机常见故障模式样本及网络诊断输出结果。系统在设备出现异常后进行诊断,诊断结果准确可靠,通过对大型风机的故障诊断,验证其方法的可行性。     

基于人工鱼优化的神经网络汽轮机振动故障诊断

建立了人工鱼群神经网络模型,利用人工鱼的聚群、追尾和觅食行为训练RBF神经网络的权系数,提高了神经网络的收敛速度和精度.依据此模型提出一种故障诊断方法,并应用于汽轮机振动故障分析.仿真结果表明:本算法与BP及RBF算法相比具有较高的故障诊断准确率和较好的泛化能力.     

基于粗糙集与BP神经网络的烟气机故障诊断

结合粗糙集理论和神经网络在信息处理方面的优势,提出了一种基于粗糙集理论与BP神经网络相结合的烟气机故障诊断方法.首先对故障诊断数据中的连续属性进行离散化,然后根据粗糙集理论进行故障诊断决策系统约简,获得最优决策系统.最后在最优决策系统的基础上,设计BP神经网络对烟气机故障进行诊断.试验结果表明,该方法可以有效提高烟气机故障诊断的精度和效率.     

基于蚁群优化神经网络的故障诊断

针对BP神经网络收敛速度慢,易于陷入局部极小点的问题,将蚁群算法引入BP神经网络的优化训练,建立了基于该算法的BP神经网络训练模型,并应用于电机转子故障诊断。结果表明,用蚁群算法训练神经网络具有较高的故障诊断精度,收敛性好,可以有效快速定位电机转子故障,提高诊断的效率和质量。     

基于BP神经网络的有杆抽油系统故障智能判断

神经网络已成为智能化数字信号处理学科的热点之一，其中又以BP神经网络的应用最为广泛．BP神经网络由于本身具有理论上可以逼近任意非线性映射的特点和优点，使得它在解决多数参数复杂的实际问题上具有广阔的应用前景．对BP神经网络在有杆抽油系统故障判断智能化方面进行探讨和研究。     

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。     

弹性BP神经网络的旋转机械故障诊断

针对BP神经网络存在局部极小值和收敛速度慢等问题，提出了一种resilient backpropagation（RPROP）的改进BP网络。RPROP神经网络具有优良的非线性映射能力，可以很好地描述频率特征和诊断结果之间的关系，经改进算法训练的网络适合旋转机械故障诊断。