基于小波神经网络的模拟电路故障诊断技术

文章提出了一种基于小波神经网络的模拟电路故障诊断方法:通过分析被测电路的冲激响应来识别电路中的故障元件,利用小波理论中的多分辨率分析的方法提取出相应信号中的故障特征,组成特征向量后输入神经网络进行训练,实现故障诊断;该方法减少了神经网络的输入、简化了其结构、并缩短了训练和处理时间,文中分别用小波神经网络和传统的BP神经网络对实例电路进行故障诊断,仿真结果发现:小波神经网络相比BP网络方法收敛速度更快,诊断率更高。     

提升小波包和改进BP神经网络相融合的新故障诊断算法

针对传统的小波变换和BP神经网络应用于故障诊断中存在自适应性差、效率低等问题,提出一种提升小波包和改进BP神经网络相融合的新故障诊断算法;利用插值细分思想,设计了提升小波包的预测算子和更新算子,结合传统小波包算法和提升模式的原理,完成了提升小波包算法的设计,并将该算法应用于故障信号的消噪和能量特征量的提取;利用遗传算法优化标准BP神经网络的初始权值和阈值,采用L-M算法优化标准BP神经网络的搜索方式;以美国凯斯西储大学提供的滚动轴承实验数据,将新算法应用于实验中,分析结果表明:新故障诊断算法比传统的BP神经网络算法具有收敛速度快、诊断精度高等实效性。     

基于长短时记忆神经网络的风电机组滚动轴承故障诊断方法

风能作为一种绿色能源在我国能源结构中发挥着越来越重要的作用。风电机组的滚动轴承作为传动系统的重要组成部分,是其主要故障部件之一。随着风电规模的不断增长,及时地发现风电机组滚动轴承的故障对风电场安全稳定运行具有重要意义。针对传统回归神经网络存在的梯度消失问题,提出了利用长短时记忆神经网络对风电机组滚动轴承进行故障诊断的模型。首先,利用小波包变换对风电机组滚动轴承振动信号进行处理,提取其特征向量,将其作为长短时神经网络的输入,从而诊断出风电机组滚动轴承的三种常见故障。通过算例分析,结果表明所提出的方法能够有效地对风电机组的滚动轴承进行故障诊断,并且在故障特征量差异不明显的情况下长短时记忆神经网络仍具有良好的故障诊断性能,说明了该方法的可行性和有效性。     

基于小波分析的RAIM算法卫星故障检测研究

作为一种传统的卫星故障诊断方法,RAIM在卫星故障监测中发挥着重要作用;文中基于奇偶矢量RAIM算法,提出一种基于小波分析的RAIM算法的卫星故障检测方法;首先利用Haar小波分解,对卫星故障信号进行小波变换处理,提取故障信号特征,通过在不同尺度的奇异性变化找到信号突变点,然后将检测结果反馈给RAIM算法进行故障检测,对不同条件下的卫星故障进行故障检测性能进行分析;仿真实验表明,该算法提高了系统故障检测的准确性,降低了误警率。     

基于小波和神经网络的风机故障诊断系统设计

本文在LabVIEW平台下,设计了一种基于小波和神经网络的风机故障在线诊断系统。以风机产生的噪声为诊断依据,用噪声信号的功率谱重心、A声级、小波分解后相关频段的能量构成故障诊断的特征向量,以BP网络作为故障的智能分类器,建立起智能诊断系统。实验结果表明,采用小波和神经网络相融合的诊断与识别技术,是提取风机故障特征,进行状态识别的一种有效方法。所设计系统有较强的学习能力和容错能力。诊断结果比较可靠、准确。     

基于LM-BP神经网络的气阀故障诊断方法

提出一种基于LM（Levenberg-Marquardt）算法优化的 BP (Back Propagation)神经网络的多级往复式压缩机压缩机气阀故障诊断方法。以6M25-185/314氢氮气压缩机的 6级压差和6级温差作为网络的输入向量,建立可对往复式压缩机一至六级气阀故障进行在线监测及故障诊断的LM-BP神经网络模型。以100组故障数据作为网络训练样本,30组数据作为网络检测样本进行故障诊断,结果表明,LM-BP神经网络相比于变梯度BP神经网络和RBF神经网络诊断更快速稳定且准确率达到96%以上。利用Matlab软件平台建立的LM-BP 神经网络故障诊断模型,模型简单便于在工程实际中应用。     

基于元胞储存的小波聚类转子故障诊断

针对传统小波聚类高维空间复杂度高,提出基于元胞储存的改进小波聚类算法;通过对转子故障模拟实验采集的数据,对其聚类分析,结果表明:元胞储存能够降低算法的空间复杂度,提高算法的效率;将改进的小波聚类算法应用于转子故障诊断,与常见的几种转子故障诊断方法相比,结果表明:基于元胞储存的小波聚类转子故障诊断方法具有自动聚类,处理速度快,精度高,适合应用在高维数据空间中等优点,对转子故障状态能够很好地进行区分。     

两种前向神经网络在变压器故障诊断中的应用

针对依靠变压器油中溶解气体分析的传统故障诊断方法存在的不足以及未来智能诊断算法进一步发展的需要,在研究人工神经网络的基础上,介绍了两种前向神经网络在变压器故障诊断中的应用,并用大量的DGA样本数据做了仿真训练。首先讨论了几种常用变压器故障诊断方法的一些缺陷,通过分析现代智能诊断算法的局限性,得出改进人工神经网络的优势。然后结合两种前向神经网络的原理和结构,对变压器内部故障进行了分类和编码。分别设计了相应的故障诊断模型,在MATLAB中做了仿真测试,并给出了仿真程序。仿真结果表明,两种神经网络用于变压器故障识别较为理想,其中PNN网络在样本数量较多时效果更好,有效提高了变压器故障诊断的正确率。     

基于多级BP神经网络的无线电罗盘多故障诊断研究

【】本文针对过拟合现象提出了基于提前停止法的学习率可变BP算法,运用多级BP神经网络诊断思想,提出了基于多级BP神经网络的多故障诊断方法。文中根据BP神经网络改进算法和网络撕裂法,对具体的机载无线电罗盘测向电路建模仿真,将复杂的无线电罗盘电路分解为3个子网络,并对每个子网络建立合适的故障集,快速准确诊断得出电路中的故障模块。     

基于SOM算法和免疫神经网络的飞机燃油系统故障诊断

针对传统的飞机燃油系统故障诊断方法如硬件冗余方法和系统模型检测方法存在的飞机重量限制和难以建立精确数学模型的问题,设计了一种基于SOM算法和BP神经网络的故障诊断模型;首先,建立了系统故障诊断模型并对诊断原理进行了描述,然后,对故障征兆数据进行预处理,即先采用SOM算法进行连续属性离散化处理,再通过粗糙集互信息方法进行属性降维,以减少数据量和提高诊断效率;最后,建立了基于BP神经网络的故障诊断模型,为了进一步提高故障诊断精度,在采用免疫优化算法对BP神经网络故障诊断模型中的各参数即权值和阈值等进行优化的基础上,进一步采用BP反向传播算法进行参数调整,从而得到最终的故障诊断模型。通过飞机燃油系统故障诊断实例仿真实验证明了文中方法能较为精确地实现故障诊断,且与其它方法相比,具有较高的诊断精度和诊断效率,具有较大的优越性。     

声纹的变压器放电与机械故障诊断研究*

变压器中的一些放电和机械故障会产生异常声音,可用于故障检测。据此,本文提出基于可听声的变压器放电和机械故障诊断方法。针对机械故障声音与变压器本体噪声特征相似易混淆的问题提出改进小波包-BP神经网络算法,与传统小波包-BP神经网络算法相比声音的识别率提高了5.7%。为提高声音识别系统的泛化性,提出基于梅尔对数频谱和卷积神经网络的声音识别算法。两种算法相互验证,提高了系统的可靠性。在真实变压器油箱中模拟了不同类型放电和机械故障。试验结果表明,本文提出的两种方法能成功识别放电和机械故障的声音,声音识别率分别为99.6％和97.57％。     

基于AdaBoost与GABP的模拟电路软故障诊断方法

针对容差模拟电路软故障诊断精度较低的问题,提出了一种基于AdaBoost与GABP的组合分类器诊断方法;首先,在Pspice中对故障模式进行Monte-Carlo分析,并利用波形有效点提取法提取故障特征,在此基础上,做归一化处理构建神经网络的原始样本;其次,利用GA算法与L-M算法组合优化BP网络构建GABP分类器;最后,利用AdaBoost算法对GABP单分类器进行迭代提升,构建AdaBoost-GABP组合分类器;诊断实例的结果表明,该方法比传统的单分类器诊断方法具有更高的诊断精度、更低的绝对误差,能够克服单分类器容易陷入局部最优,诊断结论不可信的缺陷。     

基于信息融合的模拟电路故障的特征提取与融合方法

在模拟电路故障诊断中,故障特征的提取是一个非常重要的环节,其提取结果的好坏将直接影响最终的诊断正确率。对现有文献研究发现,每种特征提取方法单独使用时都有一定的局限性,为了能够更加充分的提取模拟电路故障特征,提出了小波包分析与主元分析并行应用的方法,并将两种方法提取的特征向量依据不同规则进行了三种类型的融合,方便对比实验。为获取最优小波特征,提出了特征偏离度,并以此为标准选择最优小波基。最后,通过设计一种改进的神经网络分类器模型,将融合后的三种特征向量送入其中进行仿真验证,得出最终诊断结果。结果表明,该方法能够有效克服单一特征提取方法提取不充分的缺点,提高故障诊断的正确率,并且融合因子 适中时诊断正确率最高。     

基于免疫遗传算法改进的BP神经网络在灭火系统电路板故障诊断中的应用

针对装甲车辆灭火系统电路板规模较大,功能日趋多样与完善的同时,其复杂程度也日益提高,故障层次越来越多,故障现象与故障原因的映射关系更加复杂,组合故障频发,传统的故障诊断方法已不能满足灭火系统电路板故障诊断的要求。设计了基于免疫遗传算法优化的BP神经网络对灭火系统电路板进行故障诊断,并在免疫和遗传过程中保留了部分训练最优解。实现了神经网络收敛速度的提高,使用Matlab编程优化算法并完成了电路板仿真故障的诊断。通过实验验证了该诊断模型的准确性和可靠性,为电气系统通用检测设备的神经网络诊断方法实现提供了理论支撑。     

基于模糊递归小波神经网络的葡萄酒品质预测

针对葡萄酒品质预测模型难以建立的问题,提出一种基于模糊递归小波神经网络的葡萄酒品质预测模型。利用葡萄酒物理化学指标和品酒师打分作为模型的输入输出,采用梯度下降算法在线学习隶属函数层中心、宽度和小波函数平移因子、伸缩因子、自反馈权重因子以及输出层权值。仿真实验时,首先利用Mackey-Glass混沌时间序列进行了性能测试,然后利用UCI数据集葡萄酒品质数据对所建立的品质预测模型进行了验证。结果显示,与多层感知器、径向基函数神经网络等传统前馈神经网络相比,构建的模糊递归小波神经网络品质预测模型具有更高的预测精度,更加适合于葡萄酒的品质预测。     

基于遗传模拟退火算法的室内照明节能控制方法研究北大核心CSCD

目前的节能照明控制算法仍有陷入局部最优的问题。为了寻求全局最优解,提高室内照明的节能效果,设计一种遗传模拟退火算法对照明系统的控制参数进行优化求解。该算法通过在遗传操作后对优秀个体进行模拟退火处理,增强了算法的局部搜索能力。根据迭代的次数和种群的适应度对遗传概率进行自适应调节,使得算法在前期丰富种群多样性,避免算法“早熟”。提出基于人工神经网络的照度模型来计算室内照度分布,对照明舒适度进行评估,为构造优化算法的适应函数提供了依据。通过仿真实验,在本文介绍的照明场景应用遗传模拟退火算法,并与传统粒子群算法和遗传算法进行比较,其照明节能性能分别高出5.30%和13.61%。     

基于RBF网络的断路器电流自适应保护研究

针对传统断路器电流保护方法存在受系统运行方式影响、整定困难、智能化低等问题,本文提出了基于RBF的断路器电流自适应保护算法,并给出了算法的模型。该算法融合了RBF神经网络的故障检测和电流自适应保护。首先通过RBF网络检测负载线路的电流故障,然后用电流自适应算法进行保护。在对神经网络进行训练时,利用PSO算法对RBF神经网络的参数进行优化以此来提高网络的泛化能力和学习能力;然后采用优化后的PSO-RBF神经网络对电流故障进行诊断。实验表明,该算法较大地提高了断路器智能化管理水平。