蜣螂算法优化概率神经网络的变压器故障诊断

针对仅靠人工经验选取平滑因子的概率神经网络(PNN)变压器故障诊断模型存在诊断正确率偏低的问题,提出1种采用蜣螂算法(DBO)优化PNN平滑因子的变压器故障诊断模型。选取测试函数对DBO算法进行寻优测试,并与粒子群算法(PSO)、人工蜂群算法(ABC)、灰狼优化算法(GWO)对比,DBO在寻优精度、收敛速度和避免局部最优方面更具优势;采用DBO对PNN平滑因子寻优以建立DBO-PNN诊断模型,并与PSO-PNN、ABC-PNN和GWO-PNN模型进行诊断对比,结果表明DBO-PNN模型的诊断效果更好,正确率达96%。

基于概率神经网络和层次分析法的硐室群施工风险评估

地下硐室群施工风险研究尚处于起步阶段,为快速准确评判风险因素,预防施工安全事故,利用概率神经网络(PNN)和层次分析法(AHP)建立风险评估模型,并研发硐室群施工风险评估软件。通过统计分析硐室群施工风险因素,设置工程地质、自然、设计施工和管理4个一级风险因素,23个风险控制指标,建立针对硐室群施工的风险指标体系。收集典型样本数据后,基于PNN对施工风险等级进行评判,同时采用AHP定量分析风险因素权重,迅速捕捉风险点,采取风险控制措施并优化施工方案。运用研发软件对重庆轨道交通18号线歇台子站硐室群施工进行风险评价,得到风险概率等级为Ⅳ,在施工过程中需要重点监测和控制地下水、围岩等级和支护及时性等带来的影响,实例评价结果与现场情况相吻合,验证了该评估软件的有效性和实用性。研究表明:针对硐室群施工建立的指标体系和评估方法能有效预测风险级别,实时指导施工过程,确保地下硐室群施工安全。

基于概率神经网络的放疗加速器多叶准直器系统故障识别诊断研究

目的随着当前医院肿瘤患者放疗数量的日益增长,对放疗设备持续稳定治疗的要求越来越高。放疗直线加速器是放射治疗的主要设备,多叶准直器(multileaf collimator,MLC)是调强放疗最为频繁的系统之一,但其故障发生率较高,一旦发生故障宕机,不仅影响患者治疗效果,还会给医院带来经济损失。因此,快速准确识别并排除故障,对保障MLC系统的正常运行具有重要意义。本文提出一种基于概率神经网络(probabitistic neural network,PNN)的MLC系统故障识别诊断方法,为MLC系统的不同故障现象和类型提供维修依据。方法结合复旦大学附属肿瘤医院医科达放疗加速器故障维修经验及日常报错记录,整理分析MLC系统构成及常见故障现象共140例,统计研究常见故障下设备状态的各项参数数据。选取能够表征故障特征的信息作为输入向量和故障分类输出向量,用不同特征输入向量的组合代表不同的故障类型。数据归一化乱序处理后,创建PNN神经网络模型并进行训练。最后对比分析故障的实际分类和预测分类结果。结果通过分类结果对比和混淆矩阵可知,训练集样本一共98个,预测对比精确度为100%;测试集样本一共42个,预测对比精确度为97.619%,训练总时间为4.626 s。结论基于PNN概率神经网络的MLC系统故障识别诊断模型具有训练速度快、容错性好、识别诊断精准度高等优势。

基于位错叠加法和改进概率神经网络的离心泵故障诊断方法

提出了一种基于位错叠加法和改进概率神经网络的离心泵故障诊断方法以解决现场强背景噪声下基于离心泵声辐射信号的在线故障诊断问题。首先利用位错叠加法对采集的离心泵声辐射信号进行降噪处理,增强声辐射信号中的故障信息,提高信噪比;然后提取声信号时域特征以构造时域特征矩阵,通过主成分分析法对获得的时域特征矩阵进行降维处理,将降维后的信号作为机器学习概率神经网络的输入;同时用哈里斯鹰优化算法来优化概率神经网络参数得到诊断模型,继而用改进的概率神经网络对离心泵故障进行模式识别,并与多种诊断方法进行比较。实验结果表明:位错叠加法能够突出信号特征、实现信号增强,改进的概率神经网络具有良好的离心泵声辐射信号在线故障诊断能力。

基于改进局部均值分解和概率神经网络的电压扰动识别

随着新能源技术的发展和普及,大量非线性用电设备接入电网对其电能质量产生了严重影响。为解决谐波扰动信号对电力系统带来的影响,提出将改进的局部均值分解LMD(local mean decomposition)和概率神经网络相结合,构造一种电压扰动分类器,对电力系统中的电压扰动信号进行识别分类。通过构造三角波形自适应地延拓扰动信号的方法抑制LMD的端点效应,应用改进LMD算法对扰动信号进行3层分解,得到具有电压信号幅频信息的乘积函数PF(product function)分量,将由PF分量构造的信号能量作为概率神经网络的输入,以识别和分类电压干扰信号。通过建立训练模型对电压扰动信号进行仿真实验,结果表明,该方法可以准确识别电压扰动信号,有助于提高电力系统中电压扰动信号的识别精度。

基于群体优化-概率神经网络的配电网设备状态研判模型

随着我国电能需求量不断提升,配电网可靠性要求逐步提高,配电网设备状态研判难度也不断增大。针对该问题,本文提出一种基于群体优化-概率神经网络的配电网设备状态研判模型。引入改进后的人工鱼群算法对概率神经网络的平滑因子进行寻优,避免其因随机设置而导致研判精度不理想的问题。基于群体优化-概率神经网络算法建立设备状态研判模型,同时利用合成少数类过采样技术改善配电网数据集不平衡的问题,采用主成分分析法对数据集进行特征属性指标提取,减少冗余指标对状态研判精度和时间的影响。实验结果表明,本文模型在状态研判的精度和计算时间上均具有一定优势,能够在配电网的状态研判过程中起到辅助作用。

基于双树复小波变换—最大熵谱估计和参数优化概率神经网络的齿轮箱故障诊断研究

齿轮振动信号具有非平稳性和非线性的特点。为了准确提取其故障特征并进行故障诊断,提出一种基于双树复小波变换(DTCWT)-最大熵谱估计(MESE)和惯性权重线性递减粒子群优化(LDWPSO)算法-参数优化概率神经网络(PNN)的齿轮故障诊断方法。首先,利用DTCWT把状态已知的齿轮振动信号分解为不同频带的模态分量。其次,采用MESE得到每个分量的最小偏差频谱估计,计算出不同频段的能量熵作为故障特征矩阵。然后利用LDWPSO算法寻找出最优神经网络参数——平滑因子。最后,将故障特征矩阵输入优化后的PNN模型,建立起故障特征和齿轮运行状况之间的数值化映射关系,进而完成齿轮故障诊断模型。经试验数据分析表明,采用提出的DTCWT处理齿轮的振动信号,并引入MESE处理关键分量,可以提取稳定的信号特征并降低噪声干扰。另外,相比于传统的PNN,基于改进的PNN的齿轮故障状态的数值化判别具有更高的诊断精度和稳定性。

基于概率神经网络的智能找矿方法——以四川雅江县木绒锂矿为例

概率神经网络是一种分类准确率高、泛用性强、可以包容一定数量错误样本的人工神经网络,极其适合勘查地球化学找矿中的预测找矿靶区。本文以四川雅江县木绒锂矿为例,运用概率神经网络搭建智能找矿模型,以已知区的Li元素及与其相关性强的Rb-Cs-Al-Fe元素作为训练指标,对模型进行训练,经过多次训练后将Spread值确定为0.08,使模型在训练集和测试集的准确率均大于80%,实现非线性的指标与成矿潜力的对应,得到本矿区的PNN模型,然后对预测区的样本数据进行预测,成功圈定了1处靶区。为检验靶区准确性,以Li、Rb、Cs元素数据累计频率的80%作为异常下限,圈出的异常区域与靶区位置基本重叠。对预测区进行了实地查证工作,发现两条红柱石带,其中一条与靶区位置吻合,表明该神经网络模型准确性高,可用于矿产勘查的预测研究。

基于概率神经网络的航天结构响应映射预示方法

为更好地利用地面试验数据预示飞行器在真实飞行状态下的动力学环境,考虑到复杂航天结构非线性动力学特性和响应数据中的不确定性,提出一种基于概率神经网络(probabilistic neural network,PNN)的响应映射预示方法。首先给出分布载荷下响应映射预示方法的理论基础,表明映射关系的建立与载荷源数目无关;然后分析引入PNN来建立映射关系的必要性,并重点介绍PNN方法进行响应预示的算法;最后利用某飞行器仪器舱噪声试验对所提方法进行验证,结果表明PNN方法在不同载荷量级、全频段均具有良好的预示精度。此外,分析了噪声激励下仪器舱结构的非线性动力学特性,结果表明PNN方法较矩阵映射法具有更加优异的预示精度。文章将确定性映射预示方法推广到概率映射预示方法,提高了映射预示方法的可信度和工程实用性。

基于概率神经网络的直流滤波器电容器开路故障定位方法

针对高压直流输电工程中直流滤波器电容器开路故障定位方法效率低、威胁检修人员的安全等问题,提出了一种基于概率神经网络的直流滤波器电容器开路故障定位方法。该方法采用主成分分析法过滤冗余的信息,既降低了数据的维度,也得到了能有效反映直流滤波器电容器运行状态的特征向量;利用概率神经网络对特征向量进行故障分类,从而实现对电容器开路故障的定位。利用直流滤波器电容器运行状态样本数据对所提定位方法的有效性进行验证,同时考虑电容器有不同的开路故障电容元件数,验证所提定位方法的适应性。实验结果表明,文章所提方法对直流滤波器电容器的开路故障位置具有较好的定位精度。

基于优化概率神经网络法船舶柴油机燃油系统故障检测

针对船舶柴油机结构异常复杂、故障特征信息输入输出不明显,难以诊断故障的问题,提出一种基于优化概率神经网络的检测方法,该方法采用遗传算法结合概率神经网络模型将误差数值作为优化目标,将目标函数视为最小值问题映射为适应度函数,经遗传算法操作以减小误差并消除概率神经网络模型自身影响使得故障特征最大化,结合其模型强大的非线性分类能力可提高辨别柴油机复杂多变的故障类型及其相似的特征。通过建立基于优化概率神经网络故障检测模型,选取燃油供给系统故障数据作为检测样本,经仿真验证,得到优化后概率神经网络故障检测正确率较高的结果,验证了该方法有一定的研究效果。

基于时频熵和概率神经网络的车载变压器状态诊断

车载变压器作为高速列车电力系统的动力来源,其运行状态与列车运行的安全、稳定密切相关。针对车载变压器结构上的特殊性,以绝缘油中溶解气体、绝缘油老化特征和主绝缘介电谱曲线为研究对象,通过分析其特征参数与车载变压器运行状态之间的关联性,提出了基于时频熵和概率神经网络的车载变压器状态诊断方法。首先,将不同状态等级下车载变压器的油中溶解气体和绝缘油老化特征进行比较,通过曲线拟合证明其状态特征与列车运行里程之间的一致性;其次,分析不同状态下车载变压器绕组主绝缘介电谱曲线之间的差异性,将局部均值分解后的近似熵作为特征参数变量,以提高状态诊断的精度;最后,利用概率神经网络完成车载变压器优秀、良好、检修和故障的状态分类。实例论证分析结果表明:该算法用于车载变压器复杂的运行环境中,可以提高状态检修的效率,有利于保障动车组列车的安全运行。

基于小波分析和概率神经网络的触电事故识别方法

针对现有剩余电流保护装置难以识别触电事故的问题,提出一种基于小波高频分布特征和概率神经网络的触电事故识别新方法.利用S变换对包含触电电流的剩余电流信号进行频谱分析,发现触电时刻高频分量存在幅值突增现象;通过小波多分辨分析提供的多尺度频率窗口提取其各层小波高频分布,利用量纲一化处理后的各层小波高频分布突变量的累计和,量化剩余电流信号前5层高频特征描述触电事故;充分考虑触电事故发生时间的随机性,对所提取的小波特征进行类别划分;构建基于PNN的触电事故识别模型,并按指定步长对定义域内网络平滑参数进行寻优,同时采用均值聚类方法优化网络构.结果表明:触电时刻剩余电流信号500 Hz以上高频段幅值存在明显突变,量纲一化处理后的各层小波高频分布幅值突变量累计和能较好地描述各层小波高频分布对应阶段的幅值突增现象;所建立的PNN网络模型最优平滑参数区间为0.15~0.29,对应的触电事故最佳识别率为95.5%.

基于粒子概率神经网络算法的钢轨波磨识别

针对地铁钢轨波磨问题,采用粒子群优化算法对概率神经网络进行优化,提出粒子概率神经网络(PPNN)算法.使用PPNN算法在一定数值范围内对概率神经网络的平滑因子进行随机初始化,为了保证算法的全局搜索能力和计算效率,选用凹函数递减惯性权值实现平滑因子的更新迭代,得出分类准确率最高的平滑因子最优解.为了说明PPNN算法的有效性,对钢轨粗糙度以及车内噪声进行现场测试,提取与钢轨波磨相关的车内噪声特征,分析该算法的种群规模和进化次数对波磨识别准确率的影响,对比不同智能分类算法的识别效果.结果表明:与地铁钢轨波磨相关的车内噪声特征为315、400、500、630、800、1000 Hz中心频率处的A计权声压级;相比于决策树、高斯朴素贝叶斯、支持向量机、K近邻等主流智能分类算法,PPNN算法具有显著的优势,其波磨识别准确率达到98.582%.

概率神经网络多历元残差RAIM算法

民用航空领域中,为提高接收机自主完好性监测(receiver autonomous integrity monitoring,RAIM)算法对故障偏差的检测能力,降低最小可检测偏差,提出了一种概率神经网络多历元残差RAIM算法。该算法基于概率神经网络构建4层故障卫星检测模型,利用方差膨胀模型建立伪距残差故障类与无故障类训练样本,通过粒子群优化算法优化概率神经网络的平滑参数以满足误警率要求,从而计算输入多历元伪距残差与故障类和无故障类训练样本的相似程度,判断卫星是否出现故障。仿真实验结果表明,优化平滑参数可提高所提算法故障检测性能。相比加权最小二乘RAIM算法和高级RAIM(advanced RAIM,ARAIM)算法,所提算法在不同故障情况下可提高小伪距偏差的检测性能,降低不同故障情况下的最小可检测偏差。

基于概率神经网络的S700K转辙机故障诊断方法

转辙机故障对铁路运输安全影响重大。针对转辙机故障原因与现象之间的复杂不确定性关系,提出一种基于概率神经网络的S700K转辙机故障诊断方法。在对转辙机各个状态功率曲线动作原理进行分析的基础上,根据信号不同时域特征参数,对各工作区段的特征进行提取;依据故障现象与故障类型的关系建立概率神经网络模型,以F1-Score作为诊断准确性评价指标,通过测试不同平滑因子对F1-Score值的影响,确定0.019为概率神经网络进行故障诊断最优的平滑因子;最后选择来自某电务段的81组S700K转辙机故障数据作为测试数据,验证了该智能故障诊断方法的可靠性。

基于改进型概率神经网络的电网故障定位方法

针对传统的电网故障定位方法存在着精度较低、可靠性较差等问题,笔者提出了一种基于改进型概率神经网络(probabilistic neural network,PNN)的电网故障定位方法。首先,通过分析配电网络结构中的开关和继电保护装置信息,提取电网故障数据作为训练集和测试集;其次,构建PNN电网故障定位诊断模型,并采用天鹰优化算法优化PNN的平滑因子;最后,通过实验验证改进型PNN的性能。实验结果表明:改进型PNN电网故障定位的准确率达到100%,说明该模型具有良好的预测性能,能够提高故障诊断的准确率,为电网故障定位方法研究提供可行的方案。

基于概率神经网络的水轮机组水力振动故障诊断

故障诊断技术是水电站水轮机组安全稳定运行的关键技术之一。针对常规在线监测系统难以发现水轮机组振动故障问题,提出了一种基于概率神经网络的水轮机组故障诊断模型。该模型主要由故障样本数据预处理、样本数据归一化和概率神经网络等三个部分组成。诊断结果表明,所诊断样本与实际的故障类型基本一致,具有良好的诊断效果。

基于概率神经网络的电力设备铭牌文本识别

针对电力设备入库统计管理存在的问题,提出一种基于概率神经网络的电力设备铭牌文本识别方法.根据Prewitt边缘检测算子、逻辑运算、文本列方向灰度值累计值,实现铭牌文本的字符分割;利用字符灰度矩阵和LBP直方图统计,对字符进行多特征综合提取;设计概率神经网络(PNN)模型,对分割后的字符图像进行批量训练和测试,并与RBF网络模型作对比.结果表明:当扩散速度Spread取0.1时,加噪、不加噪图像训练的结果均为最优;PNN模型在训练时间、正确率方面均具有较明显的优势.

基于优化概率神经网络的驾驶员疲劳检测

针对驾驶员面部疲劳检测问题,提出了一种基于遗传算法优化概率神经网络(PNN)的驾驶员疲劳检测算法。采用基于HOG特征的人脸检测器检测脸部,使用ERT算法进行关键点定位,计算PERCLOS值、眨眼频率、单位时间内打哈欠的时间占比、点头频率4个疲劳特征参数,将其输入到PNN中进行疲劳判别,并使用遗传算法优化PNN的平滑因子,提高疲劳分类准确率。使用NHTU-DDD数据集和YawDD数据集训练网络,使用自采集样本验证模型泛化性能,实验中与SVM、BP神经网络以及未优化的PNN模型对比,SVM、BP神经网络以及未优化的PNN的准确率分别为95.67%,97.67%,95.33%,所提的优化的PNN模型准确率为98.67%,验证了算法的有效性。