基于离散BAM网络的汽轮发电机组振动故障诊断的应用研究

本文针对常规频谱诊断方法的不足,详细论述了离散的BAM网络及其特性.进而讨论了汽轮发电机组常见典型振动故障的变化特征及其数字化描述方法,建立了基于BAM算法的神经网络的汽轮发电机组振动故障诊断模型,对实际机组故障进行了诊断,效果良好.通过分析,提出BAM网络在故障诊断领域中有广阔的应用前景.     

基于模糊模式识别的凝汽器故障诊断研究

分析了凝汽器工作过程及故障机理 ,建立了凝汽器典型故障集、征兆集及典型故障特征向量集合 .应用模糊模式识别方法及最大隶属原则 ,建立了凝汽器故障诊断模型 ,并以实例验证该模型识别故障的准确性 .实践证明 ,该模型简单实用 ,能有效地识别凝汽器故障     

故障树和BAM神经网络在光伏并网故障诊断中的应用

介绍了光伏并网发电系统的主要故障模式及故障原因,以及故障树(FT)的理论和双向联想记忆(BAM)神经网络的结构与学习算法。针对光伏并网系统工作过程中可能出现的故障,提出一种将故障树和双向联想记忆神经网络融合在一起的故障诊断方法。通过故障树分析法(FTA)得到系统的所有故障模式,然后再由故障模式和根据维修经验的故障分析归纳出BAM的学习样本,即故障模式与故障分析之间的对应。通过光伏系统故障诊断的实验与应用,结果表明,该方法具有很好的实时性和有效性。     

基于Elman型网络的凝汽器故障诊断研究

把Elman神经网络和模糊理论相结合,对凝汽器故障进行诊断.用Matlab7.0矩阵式运算语言开发出凝汽器故障诊断系统.在网络训练过程中证实了Elman网络相对前向型网络的优越性.并以系统的诊断实例说明该方法对于运行人员的指导意义.     

基于BP神经网络的凝汽器故障诊断研究

通过对现有凝汽器运行中常见的典型故障及征兆集的分析,进一步完善了凝汽器的典型故障知识库,对故障征兆的具体表达方法进行了分析。运用 Matlab 神经网络工具箱和隶属度函数两种方法对凝汽器的运行状态进行故障监测和诊断,通过实例验证表明应用 Matlab 神经网络工具箱方法不仅计算简便,而且诊断结果具有较高的可靠性。     

凝汽器故障诊断的模糊交互熵算法

针对凝汽器故障诊断中的复杂性和不确定性,对凝汽器故障征兆集与故障论域进行改进。基于信息论中模糊交互测度(fuzzy cross entropy method,FCEM)的概念,提出一种广义的距离测度,计算凝汽器典型故障模糊模式与未知故障模糊模式之间的差异程度。通过对典型故障集的细化和扩充,提高了故障诊断的准确率。最后,将该方法用于600和300 MW火力发电厂汽轮机组凝汽器故障诊断中,结果表明该方法准确率达95%以上,且易于工程实现,证明了该方法的有效性。     

BP网络和Elman网络在凝汽器故障诊断中的比较与应用

凝汽器工作状况好坏直接影响凝汽式汽轮发电机组运行的安全性和经济性.分别采用自适应梯度递减学习算法的BP网络和Elman网络用于凝汽器的故障诊断.将测试样本输入已经学习好的BP网络和El-man网络中,测试结果表明这两种网络正确诊断故障的概率高达90%以上,但采用Elman网络的学习速度要比BP网络快,适合实时操作的场合...     

一种基于模糊规则和遗传算法的凝汽器故障诊断方法的研究

该文总结了汽轮机组凝汽器低真空常见故障，建立了凝汽器典型故障集。介绍了基于信息熵的故障征兆提取方法，建立了凝汽器故障征兆集。在利用模糊规则的故障诊断方法基础上，提出了一种基于模糊规则和遗传算法的凝汽器故障诊断方法。通过遗传算法对用于故障诊断的模糊规则进行精简，消除了低置信度规则的影响，从而提高了故障诊断效率。最后，将该文提出的方法用于某汽轮机组凝汽器故障诊断中，结果表明该方法行之有效，且易于工程实现。     

对分式凝汽器故障诊断的模糊模式识别及神经网络方法

凝汽器工作状况好坏直接影响凝汽式汽轮机发电机组运行的安全经济性。为此,针对某300MW机组对分式凝汽器的结构特点、实际凝汽系统构成及现场的DAS测点布置,首次运用基于模型的故障仿真方法,较完善的总结了对分式凝汽器的典型故障知识库,并对故障征兆的具体表达方法进行了探讨。在此基础上运用模糊模式识别和人工神经网络2种方法实现对分式凝汽器故障诊断。故障模糊模式识别采用了一种改进的故障隶属函数形式,有效克服了现有隶属数易对正常工况产生误诊断的不足,有效克服了现有隶属数易对正常工况产生诊断的不足。神经网络训练过程中,提出了基于恒误差修正率控制的网络学习率自适应调整方法,大大加快了网络收敛速度,便于实现故障的在线实时诊断,通过诊断实例比较了各方法改进前后及两种不同方法的诊断效果。     

基于RBF神经网络的凝汽器故障诊断研究

针对BP网络的训练收敛速度慢,网络初值对学习性能影响比较大的缺陷,提出了一种基于RBF神经网络的故障诊断方法。介绍了RBF的网络结构和训练方法,并应用于凝汽器故障诊断中。通过对现有凝汽器运行中常见的典型故障及征兆集的分析,建立了完备的学习样本。通过实例证明,RBF网络训练速度快,分类性能良好,在故障诊断领域具有很好的实用性。     

基于模糊神经网络的凝汽器故障诊断研究

采用模糊神经网络进行凝汽器的故障诊断。根据某电厂的运行规程及运行经验构造了进行凝汽器故障诊断所需的全部17个隶属函数,利用这些隶属函数可以对各个输入进行模糊化处理,使之成为量化输入。对模糊BP网络进行训练,可以得到模糊BP网络的知识库结构。在此基础上,对一个凝汽器实际故障进行了诊断,得出了令人满意的结果。     

改进BP神经网络的SVM变压器故障诊断

油中溶解气体是变压器故障诊断的重要依据,为了融合以及扩充变压器油中溶解气体含量的特征信息,提高变压器故障诊断准确率,本文提出了改进BP神经网络的SVM（Support Vector Machine）变压器故障诊断方法。首先,通过改进的BP神经网络将5维的气体特征信息进行融合并扩充到128维;然后,在改进的BP神经网络中使用每层提取的特征向量作为SVM的输入对变压器故障进行诊断,增加改进的BP神经网络中诊断准确率较高的特征向量的权重;最后,选择累积权重最大的特征向量作为输入,使用SVM进行变压器的故障诊断。该方法经过多层神经网络的映射使提取的气体特征信息融合及扩充后具有更加明显的特征区别,从而可以有效的提高SVM的诊断准确率。实验结果表明,本文所提出的算法与BP神经网络和SVM的变压器故障诊断方法相比诊断准确率有较大的提升。同时,随着训练数据样本的增加,模型的诊断准确率具有一定的提升。     

模糊聚类和LM算法改进BP神经网络的变压器故障诊断

在变压器故障诊断中,目前BP神经网络算法存在训练样本分布不均匀,收敛速度慢、容易陷于局部极小点等问题,导致整体的诊断性能下降。通过对模糊聚类及LM算法改进的神经网络深入研究,并引入变压器故障诊断中,该算法应用模糊聚类对搜集到的样本预处理,提高样本的质量,再用LM算法改进的神经网络来优化搜索方向,可以实现网络训练速度及测试精度的提高。通过实例仿真实验,验证了该方法能够有效诊断出变压器的故障。     

基于遗传-神经网络的凝汽器故障诊断研究

综合遗传算法的全局优化和神经网络的并行计算等特点 ,提出了一种基于遗传 -神经网络的凝汽器故障诊断的方法。用遗传算法来优化神经网络权值 ,克服了神经网络易陷入局部解的缺陷 ,使神经网络具有较好的全局性和收敛速度。具体故障诊断实例表明 ,该方法诊断准确 ,具有一定的应用价值     

混合神经网络在变压器故障诊断中的应用

针对变压器故障诊断准确率低的问题提出了粒子群-自组织映射-学习矢量化(PSO-SOM-LVQ)混合神经网络算法。为了获取更加有效的SOM神经网络拓扑结构,首先采用PSO算法对SOM神经网络的权值向量加以改进,在此基础上融入LVQ神经网络,弥补了无监督学习SOM神经网络的不足。这种PSO、SOM和LVQ相结合的混合神经网络算法提高了变压器故障诊断的精度,减少了故障诊断的误差。通过仿真,对SOM、PSO-SOM和PSO-SOM-LVQ这3种算法进行了对比。对比结果表明,PSO-SOM-LVQ混合神经网络算法准确度最高,其故障诊断准确率为100%。由此可见,采用PSO-SOM-LVQ混合神经网络算法可有效提高变压器故障诊断的性能。     

基于改进粒子群算法的小波神经网络在变压器 故障诊断中的应用

针对变压器故障征兆和故障类型的非线性特性,结合油中气体分析法,设计了一种改进粒子群算法的小波神经网络故障诊断模型。模型采用3层小波神经网络,并用一种改进粒子群算法对其进行训练。该算法在标准粒子群算法的基础上,通过引入遗传算法中的变异算子、惯性权重因子和高斯加权的全局极值,加快了小波神经网络训练速度,提高了其训练的精度。仿真实验证明这种改进粒子群算法的小波神经网络可以有效地运用到变压器故障诊断中,为变压器故障诊断提供了一条新途径。     

基于对比歧化和深度置信网络的配电网故障类型识别

针对配电网数据分支多、设备类型多样、现有故障诊断方法精度低的问题,提出基于深度置信网络的配电网故障诊断方法。该方法建立了4种不同层数的深度置信网络,将配电网的实际监测数据分为训练和测试数据导入到深度置信模型,采用对比歧化算法优化初始参数选择和加速模型训练,测试模型对样本的识别精度,建立改进BP神经网络和Petri网对比故障识别精度。结果表明,深度置信网络可以通过实时分析配电网实时监测数据,准确辨识配电网故障类型,提高了配网故障诊断的准确率和速度。