基于神经网络的模拟电路故障诊断研究

对BP型ANN网络用于模拟电路故障诊断的特点进行了介绍,探讨了利用遗传算法确定BP型ANN网络参数的方法,并给出了遗传算法与BP型ANN相结合实现模拟电路故障诊断的应用.实践表明,该方法的诊断精度、诊断速度以及建立诊断模型的自动化程度都有了较大的提高．     

基于卷积神经网络的电气设备故障诊断研究

电气设备在工业生产中具有重要作用。由于长期运行和环境因素的影响,电气设备难免会出现故障,因此,快速准确地进行电气设备故障诊断尤为重要。文章通过总结探讨将卷积神经网络应用于电气设备故障诊断的技术原理、关键操作流程、故障诊断程序及应用难点后认为,可通过优化网络结构、改进数据预处理方法、模型迁移应用以及与其他故障诊断方法融合,来提高电气设备故障诊断的效率和准确性。     

基于径向基神经网络观测器的故障诊断

神经网络的非线性映射特性、信息的分布存储、并行处理和全局优化能力,特别是其高度的自组织和自学习能力,使其成为故障诊断的一种有效方法,已在许多实际系统中得到了成功的应用.神经网络技术的出现,为故障诊断问题提供了一个新的解决途径,特别是对于在实际中难以建立数学模型的复杂系统,神经网络更显示了其独特的作用.应用神经网络进行故障诊断主要是应用神经网络产生的残差并进行残差分析以及用神经网络进行故障模式识别.     

基于改进RBF神经网络的电机故障诊断方法研究

考虑到RBF神经网络隐层高斯径向基函数的参数较难确定,电机故障的多样性和复杂性,传感器获得信息的不确定性,以及高斯径向基函数与正态云具有相似之处,将云模型和RBF神经网络相结合用于诊断电机故障.通过高维云变换确定RBF隐含层神经元数,优化RBF神经网络结构.最后提取信号的奇异值熵和样本熵作为特征参数,输入改进的RBF神经网络,进行实验仿真.结果表明,新模型能较好地实现对电机轴承的故障诊断.     

基于神经网络的旋转门故障诊断系统的应用研究

为了让用户对旋转门性能状况了如指掌,操作起来胸有成竹,同时为旋转门维修和管理提供参考资料,设计具有故障自诊断功能的旋转门是非常有必要的。以离线方式运行,通过适当的算法处理,给出系统故障信息,包括故障位置信息、故障程度信息和故障报警信息等,以便管理人员对症下药,及时采取措施,从而避免事故的发生。     

基于神经网络的空调箱故障诊断

针对空调系统中的不同故障,分析了空调箱的故障特性,并讨论了不同故障对空调系统能耗及热舒适性的影响.仿真试验结果表明,送风温度的测量故障会导致系统能耗的增加.根据故障特性,提出了一种基于神经网络的数据处理方法,用以检测和诊断空调箱中的传感器故障.该方法首先选取历史数据对神经网络进行训练,实现对系统运行状态的识别和预测.然后,通过比较测量值与预测值,计算出相对误差,实现对故障的诊断.最后,利用基于TRNSYS的仿真器,对神经网络的故障诊断策略进行了验证.结果表明,神经网络可以有效诊断空调系统中的温度、流量和压力传感器故障.     

基于卷积神经网络的故障诊断模型振动信号处理方法比较

针对利用卷积神经网络(convolutional neural networks, CNN)对滚动轴承进行故障诊断时可采用的振动信号处理方法较多的情况,设计了基于CNN的振动信号处理方法对比实验,采用不同的振动信号处理方法对滚动轴承在不同工况下的采样数据进行处理,再将动信号输入CNN故障诊断模型进行训练及测试,根据测试精度比较处理方法对故障诊断精度的影响。采用CNN中的AlexNet作为实验模型,选择模型中的最后3个全连接层,以达到快速训练的目的。对比不同信号处理方法对应的检测准确率可知,基于小波变换的滚动轴承故障诊断模型的检测准确率最高。     

基于概率神经网络的SF6电气设备故障诊断

SF6电气设备存在放电故障时,内部的sF6气体会分解成诸多衍生物,对设备的安全运行造成隐患．因此,通过SF6衍生物的状态可以推断设备的放电故障．在已有实验数据的基础上,将SF6衍生物的状态作为神经网络的输入,放电故障作为神经网络的输出,构建了基于概率神经网络的SF6电气设备故障诊断模型．实验表明,构建的模型对放电故障的预测达到88．23％,并与BP神经网络模型的预测结果进行了比较,证实了在SF6电气设备故障诊断的研究中,概率神经网络要优于BP神经网络．     

基于BP神经网络技术开发港口设备故障诊断专家系统

针对港口设备故障诊断的复杂性,提出了将BP神经网络技术引入设备故障诊断专家系统的思想,并对基于神经网络的专家系统的原理进行探讨。给出了一基于三层BP网的设备故障诊断专家系统的诊断过程。     

神经网络在故障诊断中的应用

智能化诊断是现代设备故障诊断技术发展的主要趋势,人工神经网络技术的发展为这种智能化诊断提供了一个全新的途径。在分析研究模式识别方法和BP神经网络的基础上提出了基于BP模型神经网络的故障诊断推理方法,并将其应用到真实故障诊断中。仿真结果表明,基于神经网络的故障诊断方法是行之有效的。     

基于遗传神经网络的水电机组故障诊断模型

将遗传神经网络引入水电机组的故障诊断中,建立基于遗传神经网络的水电机组故障诊断模型,通过Matlab的相关工具箱进行仿真.结果表明遗传神经网络诊断的正确性高于BP网络.     

基于可拓神经网络的变压器故障诊断

针对BP神经在变压器故障诊断中用于模式识别时,存在训练准则和分类准则不一致而导致的样本识别率降低和网络训练速度缓慢的问题,采用了可拓学的扩缩变换,通过在输出空间中用一个特定的区域(称作教师区域)来代替教师信号,然后将可拓神经网络用于变压器故障诊断中。通过实例证明,可拓神经网络模型的训练速度有了极大提高,模式识别问题得到彻底解决。     

用于控制系统故障诊断的神经网络和专家系统

本文介绍了神经网络和专家系统在控制系统故障诊断中的应用，并讨论了神经网络和专家系统相结合的一种预处理结合故障诊断方法。     

基于蚁群神经网络的模拟电路故障诊断研究

为了克服BP算法收敛速度慢、易陷入局部极小点的不足,提出将蚁群算法用于模拟电路故障诊断的神经网络模型学习算法。通过对实际模拟电路的仿真测试,表明该模型能有效地提高包括容差在内的多故障的模拟电路的故障诊断准确率和诊断速度,取得了令人满意的应用效果。     

基于卷积神经网络的网络故障诊断模型

对于网络运行过程中产生的海量日志信息,传统故障诊断方法很难进行实时而全面的日志分析。针对该问题,提出一种基于卷积神经网络（Convolutional Neural Network,CNN）的网络故障诊断模型,利用Skip-gram模型进行词向量训练,并将词向量作为卷积神经网络输入,最终通过Softmax回归进行分类。实验结果表明,该模型可以有效处理网络故障诊断任务,且优于传统机器学习方法,对于网络运行日志的故障诊断准确率可达73.2%以上。     

变压器故障诊断中的神经网络技术发展

变压器故障诊断的发展与信息技术、人工智能技术等密切相关.神经网络及其优化算法在变压器故障诊断中受到广泛的应用.网络结构的设计和学习算法的优化关系到故障诊断的准确性和实时性.研究发现,数学理论与神经网络的融合以及量子神经计算有助于故障诊断能力的提高,已成为神经网络的发展趋势.     

神经网络的滚动轴承故障诊断

文章通过旋转机械故障实验平台,采集旋转机械故障实验台轴承的3种工作状态分别是轴承正常、轴承内圈裂缝、轴承外圈裂缝的振动加速度信号．对信号进行零均值化处理后,选择频率成分幅值较大的频率进行信号重组,提取其时域量纲特征值,利用神经网络进行故障类型的识别;通过实验,取得了很好的诊断结果．     

基于神经网络的模糊系统在电厂风机故障诊断中的应用

基于模糊理论,通过对电厂风机的故障机理的研究,提出了基于神经网络的风机模糊诊断模型,并解决了其中的关键技术。     

基于模糊神经网络的热电联产故障诊断研究

为了在缺少设计参数的条件下,设计一个非线性模型的热电联产故障诊断系统,提出了一种基于模糊神经网络的设计方法。通过分析热电联产控制系统各工作模块的工作过程,建立废热回收蒸汽锅炉、蒸汽集箱、汽吸收式冷凝器等模块工作模型。并采用粒子群优化算法对提出的模糊神经网络进行优化,假设模型和测量误差正常分布且相互独立,对模型置信区间进行了计算。实验测试表明,本文设计的故障检测具有较高的可信度。     

一种基于遗传算法的LVQ神经网络及其在故障诊断中的应用

本文通过分析LVQ神经网络及其变形的基本结构和算法,研究了基于LVQ神经网络的齿轮箱故障诊断方法。常用的LVQ神经网络存在神经元未被充分利用和算法对初值敏感,从而影响诊断预测的精度。本文提出采用遗传算法优化LVQ神经网络的初始权向量,给出了正确的诊断结果,并与LVQ神经网络的结果作了对比,结果表明用遗传算法优化的LVQ神经网络比LVQ神经网络有更高的诊断精度。