用改进GA-BP神经网络的设备故障维修时间预测

光伏充电站中设备故障维修时间对运行效率有着重要影响.为提高光伏充电站设备维修时间的预测精度,考虑到神经网络算法中隐含层神经元数对算法预测精度的影响,提出了一种改进的GA-BP神经网络算法,并以光伏充电站60个设备维修时间为样本验证了改进算法的有效性.结果表明,GA-BP神经网络结构中隐含层神经元数取5时算法预测精度最高,且采用改进GA-BP神经网络算法预测时平均相对误差仅为6.1％,较灰色模型与BP神经网络算法分别降低了 90.4％与57％.改进后的GA-BP神经网络的预测准确度远高于灰色模型和BP神经网络,得到的预测时间可为维修人员调度提供依据.     

基于GA-BP的移动通信设备故障诊断

针对通信设备故障发生随机性强,影响因素多,对应的故障诊断有高度非线性和不确定性的特点,采用BP神经网络算法,优化的GA-BP神经网络算法和POS-BP神经网络算法分别搭建基站设备故障诊断模型,提取设备故障历史数据进行MATLAB仿真,准确预测设备故障类型,帮助提高代维公司调度管理的智能化水平,提高基站设备运维的执行效率。仿真结果表明：本文的BP,GA-BP和POS-BP神经网络算法都能够实现设备故障类别的预测,且GA-BP神经网络算法相比BP和POS-BP神经网络算法对通信设备故障诊断有更好的适应性。     

基于KNE-BPNN的电务设备故障预测

针对铁路电务设备故障频发、运行效率低且无有效故障预测方法等现实问题,提出一种基于K-均值—邻域近似条件熵与BP神经网络（KNE-BPNN）的电务设备故障预测模型。首先,采用基于K-均值聚类的样例约简算法约简设备故障决策表中的冗余样例;其次,运用邻域近似条件熵属性约简方法对样例约简后故障决策表中的非必要属性进行约简;最后,使用经过样例和属性约简后的样本集训练BP神经网络并进行模型预测,直到模型输出结果满足预设条件为止。实验结果表明KNE-BPNN故障预测模型的预测精度和泛化性能均满足电务设备管理的实际需求。     

AFSA优化灰色神经网络的某电源组合故障预测

针对电源组合故障预测的需求,提出了一种基于人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)优化灰色神经网络的故障预测方法;文中首先对AFSA算法和灰色神经网络进行了介绍;然后在此基础上提出了基于AFSA优化灰色神经网络的故障预测模型,并给出了AFSA优化灰色神经网络参数的算法步骤;最后对制导雷达波束控制系统中的某电源组合进行了故障预测,预测结果表明该预测方法误差较小,达到了预期效果。     

基于RNN的故障预测算法及在GIS上的应用

随着工业化程度的提高,设备的故障预测的重要性日趋提高。提出了一种基于循环神经网络（RNN）的故障预测算法,通过数据训练,充分发掘了RNN对时间序列数据的拟合能力。RNN故障预测模型由数据处理模块和神经网络识别模块组成。在数据处理模块中,采用数学函数分配的方法建立了RNN 模型的训练样本和测试样本。在神经网络识别模块中,针对当前故障预测技术中异常点难以确定的问题,应用了一种逐步逼近的神经网络训练方法。最后利用气体绝缘开关(GIS)故障数据对该算法进行了验证,结果表明,该方法可以在故障发生前检测到故障发生趋势,进而实现故障预测,并且能在逐步训练中确定异常点的位置。     

基于模糊隶属度的粒子滤波故障预测

针对故障预测具有不确定性的特点,本文将模糊数学中的隶属度函数和粒子滤波算法相结合设计故障预测的方法.新方法利用粒子滤波算法对设备运行的未来状态进行预测,再设计描述设备运行状态的正常隶属度函数和异常隶属度函数,利用计算出的未来状态的预测值计算并比较正常和异常隶属度函数值,依据比较结果对潜在故障进行预测.实验验证了该方法的可行性,可及时准确地预测出系统故障.     

串行分组深度学习运行状态分析与故障预测

在现代工业生产运行中,如何充分挖掘海量的多源异构生产运行数据,实现异常工况的快速检测和故障预测,有效提高工业生产设备的可靠性,仍然是研究的难点。提出一种基于串行分组深度学习的工业生产运行状态分析与故障预测模型,针对时间序列突变故障设计了串行分组深度学习网络框架,实现目标对象的故障检测与预测,及时发出故障预警。通过对某造纸厂数据以及风力发电频率监测数据进行测试,并与传统神经网络预测模型进行对比分析,表明了所提算法的准确性,为提高生产设备使用寿命、减低工业生产成本,提高安全稳定运行起到重要作用。     

基于图神经网络的配电网故障预测

在实际应用场景的配电网故障占电网总故障的80%以上,并且配电网故障的预测一直以来都是比较困难的课题.本文在国家电网提出“泛在物联”的号召下,分析了学者们在此问题上的研究成果后,结合图神经网络的思想提出了一种基于图神经网络的配电网故障预测方法.参考了现在常用的图神经网络设计框架,详细的设计了节点信息汇集函数、预测函数和损失函数,并根据算法流程测试选定了合理的深度参数.算法充分考虑了相连节点间的互相影响,使用真实的电网运行数据对在该课题上常用的其它两种算法的横向比较,实验表明算法在精确度上提高了3.0%,并具有更强的鲁棒性.     

基于模糊神经网络的信号维护监测子系统故障预测研究

随着城市轨道交通信号系统功能逐步优化,信号系统已成为运营行车的控制大脑和安全防护的重要保障。信号系统设备故障对地铁线路列车准点、安全运行有较大影响。信号维护监测系统作为信号系统的设备状态监视终端,可实现对信号系统子系统状态监测和部分硬件设备故障状态预测,从而提示维护人员提前检修和更换设备。结合信号维护监测子系统(MSS)架构,以MSS采集的硬件故障作为研究对象,利用模糊神经网络自适应和模糊处理信息能力的优势,以故障发生时间、故障类型、既有故障发生频率、人员维护周期、同类型故障发生频次、设备使用时间等可用数值表征的参数作为输入变量,建立了基于模糊神经网络的信号设备故障预测模型。仿真结果表明,该预测模型能够准确跟随故障变化趋势、预测故障发生次数。基于模糊神经网络的预测方法可应用于轨道交通信号系统设备故障预测研究中。     

基于遗传神经网络的旋转机械故障预测方法研究

许多大型旋转机械运行工况恶劣,非平稳、非线性特征明显,以及各种突发性、偶然性因素的影响,给基于振动信号处理的状态预测和状态维护分析带来困难;神经网络以其强大的处理非线性系统的能力在故障预测中得到广泛的应用,但由于其在追求高精度训练目标时易陷入局部极值,且收敛速度慢甚至发散;针对这个问题,提出了采用遗传算法对神经网络连接权值和阈值进行优化,这样不仅发挥了神经网络广泛的映射特性也使遗传算法的全局搜索优势尽显无疑;通过组合这两种算法,在提升网络学习的准确度方面,优点尤其突出,最终提高对旋转机械故障预测和寿命估计的性能,这在某环境模拟试验系统动力风机的轴承磨损故障预测中得到了验证。     

基于BP神经网络的电子设备故障诊断技术

故障诊断涉及模式分类与识别问题,神经网络对外界输入样本有很强的识别分类能力,能很好地实现非线性曲面的逼近.因此神经网络在设备故障诊断中能很好地得到应用,BP神经网络是目前最为广泛和成功的神经网络之一.介绍了BP神经网络在电子设备故障诊断技术中的应用,讨论了BP神经网络的算法和改进算法及其诊断过程,并对某型电台的故障诊断进行了MATLAB仿真.     

基于遗传优化的RBF-BP网络的实时故障检测

针对单一神经网络对复杂模型难以实时做出准确预测和BP神经网络自身的缺陷,结合RBF神经网络可以逼近任意函数的特性,提出了基于遗传优化的混合神经网络模型(RBF-BP)。由RBF网络和BP网络并联作为一个神经网络(简称为RBF-BP)的隐层,利用该网络对被控对象进行逼近训练、实时故障检测,该算法同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测。     

增强前馈神经网络对多点断路故障的容错能力

神经网络在发生多点断路故障时,网络中的多个隐层神经元及其相关的连接权同时失效。该文针对陷层神经元可以动态增加的一类前馈神经网络,提出了一种三阶段方法T3。T3先对网络进行一次训练,然后用验证集进行测试以确定网络的故障曲线拐点,在此基础上通过第二次训练自适应地增加冗余隐层神经元。实验表明,T3使用较小的冗余量就可以显著改善网络对多点断路故障的容错性,在网络的容错能力和结构复杂度之间较好地达成了折衷。     

基于卷积神经网络的飞机液压系统故障诊断

现代飞机系统的复杂度和集成度均大幅提升,使得其故障诊断存在难度高和准确率低等特点。采用一维卷积神经网络方法对军用飞机液压系统的故障诊断问题进行了研究,构建了满足多传感器数据分析要求的卷积神经网络模型。考虑到神经网络的输入来自不同的传感器数据序列,各数据序列之间的空间关系不明显,因此,即使网络输入是二维形式,而实际的卷积操作均在一维上进行。通过解决某飞机液压系统的故障诊断问题,证明将标准化后的多传感器数据序列及对应故障模式作为训练样本对卷积神经网络模型进行训练时,采用满足训练要求的网络对飞机液压系统进行故障诊断时具有较高的准确率。     

A neural network model for fault detection in conjunction with a programmable logic controller

This paper discusses the feasibility of using neural networks as a tool in the fault detection process. A neural network is integrated with a state language programmable logic controller, an important device in an automatic control system. Time series data related to time spent in a state is gathered and used as input into a neural network, for the purpose of identifying when a fault has occurred. A feedforward neural network is used to identify which (if any) of three types of faults may have occurred. Experimental results related to sensitivity and accuracy measures are presented. A brief review of related applications and research is also presented.     

基于故障传播的模块化BP神经网络电路故障诊断

大规模的数模混合电路所含故障模式众多,电路故障状态复杂,且易发生传播,因而电路故障诊断难度较大。针对大规模电路发生故障时存在故障传播的问题,提出一种基于故障传播的模块化BP神经网络（MBPFP）故障诊断方法。首先,在电路模块划分的基础上分析子电路间的故障传播,并将故障源和故障传播源"模块化";然后,通过子电路的异常检测模型进行一级定位,缩小故障原因集合,确定故障模块;最后,利用目标模块的BP神经网络模型进行二级定位,实现故障诊断并识别故障模式。与传统BP神经网络等方法进行比较的实验结果表明,MBPFP故障诊断方法具有较高的故障覆盖率,在定位准确率方面提高了至少8个百分点,其性能优于传统BP神经网络等方法。     

飞机发电机故障诊断的多特征参数组合分析

针对飞机发电机振动特征参数多、故障特征参数难以准确识别飞机发电机健康状况的现状,设计了发电机振动信号实时采样装置对飞机发电机转动时的多种频域参数及幅域参数进行采样,并引入小波分析计算各频带能量值,构建神经网络进行故障判定,选用不同的振动特征参数组合对检验样本进行验证以期获得指向性较好的飞机发电机故障特征参数.诊断结果表明,利用RBF网络对发电机故障诊断,采用基于幅值域的特征参数峭度指标、峰值因子、脉冲指标、裕度指标、歪度和基于频域的重心频率、均方根频率、频率标准差,再考虑进小波包分频带能量值作为神经网络的输入参数指标,可取得良好的诊断准确率.     

一种井下配电网故障测距方法

针对采用随机选取法、K-均值聚类法确定RBF神经网络隐含层节点中心和宽度只能得到局部最优解、基本粒子群优化算法易发生早熟收敛且对于某些函数优化精度差的问题,提出了将惯性权重模型和收敛因子模型相结合的改进的粒子群优化算法;针对煤矿井下配电网发生单相接地故障后定位困难、传统的故障测距方法存在可靠性差、测距精度低的问题,提出了采用改进的粒子群优化算法优化RBF神经网络进行井下配电网单相接地故障测距的方法。仿真结果表明,经改进的粒子群优化算法优化的RBF神经网络的测距精度高于RBF神经网络,能够实现故障点的准确、可靠定位。     

基于EMD和改进PSO-Elman神经网络的液压故障诊断

通过对工程机械液压系统各个元件的参数测量,提取包含故障信息的特征向量,并应用神经网络进行故障诊断。文中将经验模态分解（EMD）应用到故障特征向量提取中,结合压力、温度、流量等显性信号作为神经网络的输入,并对El-man神经网络的学习算法用PSO算法进行了改进,以提高网络的收敛率和计算能力。使用粒子群算法对Elman神经网络的权值和阈值进行优化,经过训练后即可应用到故障诊断系统中。仿真结果表明该方法提高了神经网络的收敛率,减小了诊断误差。     

基于BP小波神经网络的模拟电路故障诊断

针对现有BP网络在模拟电路故障诊断中存在的问题,提出了一种基于BP小波神经网络的故障诊断方法.该法将小波函数与BP网络结合构成BP小波网络,这种网络具有小波变换的时频局域化性质和BP网络的自学习能力.分别用BP小波网络和传统BP网络对实例电路进行故障诊断,结果表明本方法是有效的,而且比传统BP网络方法的学习收敛速度快得多.