概率神经网络在化工生产水循环系统故障诊断中的应用

概率神经网络（PNN）是一种适于模式分类的径向基神经网络,具有训练速度快、分辨率高、不会陷入局部极值等优点。介绍了基于概率神经网络在化工生产水循环系统故障诊断中的应用。通过运用所设计的网络针对不同类型故障进行诊断,仿真结果表明,这种方法应用于实际问题具有良好的有效性和实用性。     

基于RBF神经网络的水轮机故障诊断研究

基于RBF神经网络,提出使用RBF神经网络进行水轮机故障诊断,给出RBF神经网络模型及算法。对水轮机故障信号进行分析,并提取故障信号特征量,将故障信号特征向量作为学习样本,通过训练,使构造的RBF神经网络能够反映特征向量和故障类型之间的映射关系,从而达到故障诊断的目的。     

基于主元分析-概率神经网络的制冷系统故障诊断

制冷系统由于内部物质形态的多样性以及系统参数间的高度耦合而较为复杂,也增加了出现故障后的检测及诊断难度。针对制冷系统常见的7种故障,包括局部故障与系统故障,运用主元分析法提取故障样本主要特征,对样本进行降维处理后,基于概率神经网络进行故障诊断。主元分析法可将原始的62个参数分解为相互独立的主元,根据累计贡献率选取一定量的主元,并将其样本输入概率神经网络进行故障诊断,结果表明结合主元分析后的概率神经网络在一定范围内对spread值不敏感,不仅诊断正确率有所提高,而且缩短了诊断耗时。可见,主元分析法的使用可有效优化概率神经网络的诊断性能。     

基于模糊神经网络的发动机故障诊断研究

基于模糊神经网络理论,对发动机涡轮增压系统、冷却系统以及润滑系统常见故障进行了研究,在MATLAB环境中,利用常见的故障案例样本,训练BP神经网络,建立涡轮增压系统、冷却系统及润滑系统三大系统的模糊神经网络模型,并通过未参与训练的故障案例样本对模型进行验证,经验证模型的预测误差均在5%以内,可以满足故障诊断的要求。另外,针对各系统的模糊神经网络模型,利用MATLAB GUI建立发动机故障诊断系统,该系统可以根据故障现象,诊断故障原因,并通过实际故障案例验证,诊断结果与实际故障原因相符,说明故障诊断系统具有指导性。     

基于虚拟技术的齿轮故障智能诊断研究

利用LabVIEW图形化编程语言开发了信号分析与处理、信号特征提取和故障诊断三大模块。信号特征提取由小波包分解来实现,故障诊断通过神经网络完成,小波包分解提取的齿轮振动信号各频段能量特征值作为神经网络的输入向量。以模拟故障实验台获取的齿轮典型故障振动信号训练神经网络,利用训练好的神经网络对齿轮进行故障诊断,实验结果表明：所开发的齿轮故障智能诊断系统能有效识别齿轮故障,较好地将虚拟技术应用于故障诊断领域。     

基于EEMD和模糊BP神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出一种基于总体经验模态分解(EEMD)和模糊BP神经网络的故障诊断方法。首先对滚动轴承的振动信号采用总体经验模态分解方法进行分解,得到若干个本征模态函数分量(IMF);然后提取各分量的均方差、峭度和能量,把这些特征参数作为学习集和训练集,将学习集输入到模糊BP神经网络中进行学习;最后把训练集输入到特征参数经过学习训练后的模糊BP神经网络中进行故障类型识别,并与BP神经网络进行比较。实验结果表明:所提方法能有效地应用于滚动轴承故障诊断,而且比BP神经网络具有更高的精确度。     

基于RBF神经网络的螺杆泵井故障诊断

针对螺杆泵井工况复杂、故障种类繁多,反映特征参数与故障类型的数学模型难以搭建,提出了建立一种基于RBF神经网络的螺杆泵井故障诊断模型。选取日产液量、动液面深度、电机功率作为输入向量,将抽油杆断脱、泵漏失、油管漏失等故障类型作为输出向量,采用RBF神经网络工具箱建立了螺杆泵井故障诊断模型,并对网络进行了训练,利用该网络测试了大庆油田两口螺杆泵故障井,结果表明：RBF神经网络具有较快的收敛速度和良好的稳定性能;验证了建立的RBF神经网络的螺杆泵井故障诊断模型的正确性\可行性和有效性。     

滚动轴承故障智能诊断技术的研究

主要介绍一种基于BP人工神经网络的滚动轴承故障智能诊断方法,利用试验台采集到的数据所形成的特征向量对所建立的BP神经网络进行训练,再将该网络用于滚动轴承的状态分析,具有很高的准确性,显示了BP神经网络在故障诊断方面的智能性。     

深度神经网络稀疏化压缩感知的研究

针对起重设备金属结构传统故障诊断方法准确率低、网络性能不稳定等缺点,提出基于深度神经网络和压缩感知理论的故障诊断方法,通过构建深度神经模型,对它在运行过程中的振动数据信号进行分析,可有效应用于起重设备的疲劳失效、损坏等故障检测。该方法避免了一般神经网络依靠经验确定网络结构的困难,具有更高的稳定性,且训练时间大幅缩短,明显优于传统的神经网络诊断方法。     

复杂过程的集成智能故障诊断技术

对于具有控制复杂,难以精确描述数学模型的复杂过程,提出基于知识的模糊神经网络故障诊断方法。故障检测由基于知识系统实现,通过过程的深层知识获得故障检测产生式规则。故障诊断功能通过模糊神经网络实现。由于该方法不需要对象的精确数学模型,为复杂过程的故障诊断提供了强有力的工具。     

基于改进差别矩阵属性约简的聚合釜粗糙集-神经网络故障诊断

引言 聚氯乙烯树脂(PVC)是重要的有机合成材料,其产品具有良好的物理性能和化学性能,广泛应用于工业、建筑、农业、电力、公用事业等领域.聚合釜则是聚氯乙烯生产装置的关键设备,聚合釜能否稳定运行直接关系到整个聚氯乙烯生产装置的运行状况.     

An Extension Sample Classification‐Based Extreme Learning Machine Ensemble Method for Process Fault Diagnosis

In order to achieve higher accuracy and faster response in complex process fault diagnosis, an extension sample classification‐based extreme learning machine ensemble (ESC‐ELME) method is proposed. In the realization process, the extension sample classification is used to divide the fault types. For each fault type, a specific extreme learning machine (ELM) is established and trained independently. Then, all specific ELMs are integrated to determine which fault is happened by the majority voting method. The proposed ESC‐ELME method is compared with the traditional ELM and a duty‐oriented hierarchical artificial neural network in fault diagnosis of the Tennessee Eastman process. The results demonstrate that the proposed method provides higher diagnosis accuracy and faster response.     

Chemical process fault diagnosis based on enchanted machine‐learning approach

In the chemical industry, fault diagnosis is a challenging task due to the complexity of chemical equipment. This paper proposes a machine learning‐based approach to achieve the goal of fault diagnosis. First, in order to reduce the impact of redundant features, support vector machine recursive feature elimination (SVMRFE) is used to select important features. The trained probabilistic neural network (PNN) is then used for fault diagnosis. Considering that the diagnostic performance is affected by its hidden layer element smoothing factor (σ), the modified bat algorithm (MBA) is used to optimize the PNN to obtain optimal global parameter values. The MBA adopts a better optimization mechanism than the basic algorithm and achieves excellent global convergence. It can globally optimize the smoothing factor, which effectively improves the fault diagnosis ability of the PNN. During the testing of the Tennessee Eastman (TE) process data set, we evaluate the performance of the proposed model by comparing the F₁‐score and accuracy of the different methods. The charts provided describe the fault diagnostic results and classification for the different models. The results indicate that the MBA has a better optimization ability than other traditional optimization algorithms. At the same time, the combination method proposed in this paper is also superior to others and can significantly improve the accuracy of TE process fault diagnosis.     

基于图像不变矩特征的气液二相流流型识别

气液二相流流型极大地影响气液二相流的流动和传热特性,准确识别流型对相关设备的设计和运行具有重要意义。根据不变矩能有效检测出具有平移、旋转、比例变化的图像特性,提出了一种基于图像不变矩和概率神经网络相结合的气液二相流流型识别的新方法。该方法利用高速摄影系统获取水平管道内气液二相流的流动图像,经过图像处理后提取图像不变矩特征向量,并以此特征向量作为流型样本对概率神经网络进行训练,实现了对流动图像的流型智能化识别。实验结果表明,训练成功的概率神经网络能够快速准确地识别水平管道内的7种典型流型,整体识别率达到99.3%,为流型在线识别提供一种新的有效方法。     

基于IGA优化的神经网络的小电流接地选线方法

为了克服基于BP网络的故障选线方法学习效率低、收敛速度慢和容易陷入局部极小的缺点,提出了基于免疫遗传算法( IGA)的神经网络来实现配电网故障选线.通过快速傅里叶变换和小波包变换从零序电流信号中提取相应的故障特征量作为神经网络的输入,利用免疫遗传算法对神经网络进行训练,完成训练的神经网络模型为故障选线模型.ATP仿真结...     

管道泄漏诊断方法研究

提出一种基于小波分析和神经网络技术的管道泄漏诊断方法。首先对管道泄漏的声发射信号进行小波包分解,然后提取各节点能量百分比作为特征向量输入BP神经网络,以故障类别作为输出参数训练该网络。训练后的神经网络可以利用测量的声发射信号来判断管道的故障状况。通过试验证明该方法在管道泄漏诊断中是有效可行的,不仅能判断管道是否发生泄漏还能识别泄漏种类。     

基于深度置信网络的炼化空压机故障诊断方法

针对炼化空压机故障诊断中故障机理复杂、先验知识欠缺，且传统浅层神经网络诊断精度不高等问题，结合深度置信网络（DBN）在特征提取和处理非线性数据等方面的优势，提出一种基于DBN的炼化空压机故障诊断方法。该方法利用空压机状态监测实测数据，实现训练网络的无监督特征学习和有监督微调，构建空压机故障的深层网络模型，从而实现对空压机故障类型的有效智能诊断。为评估该方法的有效性，与传统的故障诊断方法进行了比较研究，结果表明，该方法的诊断精度优于传统的故障诊断方法，且稳定性更好。