基于改进概率神经网络的滚动轴承故障诊断

探讨了经典概率神经网络(PNN)作为模式分类器时的相关原理,针对传统PNN采用相同平滑因子而导致识别率低的问题,提出了一种改进概率神经网络(IPNN),其平滑因子根据模式类别的不同而自适应变化,从而使隐含层的神经元具有更高的适应性,更好地表征了特征向量与模式状态的关联性,反映了输入特征向量对于正确分类结果的实际作用,并将该IPNN应用于滚动轴承的故障诊断中。实验结果表明:IPNN能够有效提高滚动轴承故障分类的准确性,比经典PNN和常用的误差反向传播神经网络(BPNN)具有更高的识别率。

基于改进BA-PNN的智能变电站二次设备故障定位方法

针对概率神经网络(PNN)在二次设备故障定位中训练规模较大、容易受到平滑因子干扰的问题,提出了一种基于改进蝙蝠算法优化概率神经网络(BA-PNN)的智能变电站二次设备故障定位方法。首先,在PNN的求和层中采用拉普拉斯分布代替高斯分布,并用BA算法来获得最优平滑因子,进而提出一种改进蝙蝠算法优化概率神经网络方法;其次,基于智能变电站中二次设备的特征分析,选择故障特征量并对其映射,建立了基于BAPNN的智能变电站二次设备故障定位模型;最后,以某智能变电站故障定位为例,对BA-PNN神经网络进行样本训练,实现对故障元件的精确定位。仿真表明,该方法缩小了神经网络的训练规模,提升了神经网络的计算性能,增强了故障定位的准确性。

基于无人机的风机叶片表面缺陷自动检测方法

风机叶片是风力发电系统的核心部件,在受到气候条件、工作负荷等因素的影响后,容易出现各类缺陷,如裂纹、磨损、腐蚀等;如果不能及时发现和解决这些缺陷,将导致风机性能下降、损坏甚至引发安全事故;为此,研究一种基于无人机的风机叶片表面缺陷自动检测方法;利用无人机搭载摄像机,拍摄空中运行的叶片图像;对叶片图像实施灰度化、去噪以及照度均衡化处理,提升图像质量;提取叶片图像中的几何特征和纹理特征,利用差异演化算法改进概率神经网络平滑参数,以优化后的概率神经网络为基础构建分类识别模型,将几何特征和纹理特征作为输入,计算每种类别的输出概率,将最大值响应原则将概率数值最大的类别作为判定的缺陷类别,以此实现风机叶片表面缺陷自动检测;结果表明:所研究技术应用下,杰卡德系数可以达到0.9823,说明该方法的检测结果更为准确;所花费时间低于15.69 s,说明该方法的检测效率更高,可以更快地完成检测任务。