基于PSO-PNN的燃煤电站SCR脱硝系统数据预处理算法研究

燃煤电站SCR脱硝系统中测量传感器处于高湿度、高温度、高压力和大量粉尘污染的环境中,传感器自身故障、信号干扰以及通信受阻等一系列问题的影响,导致测量数据出现大量异常值和缺失值。以燃煤电站SCR脱硝系统为例,分析了燃煤电站现场历史数据的特点,阐述了燃煤电站热工过程历史数据异常值及其检测方法,提出了PSO-PNN异常值检测方法,其能够较快地获取到最优平滑因子参数,降低异常值检测的误判率,并通过实际电站SCR脱硝系统的历史运行数据验证了所提异常值检测方法的有效性。

基于PSO-PNN与CV-SVM的旋转机械故障诊断研究

不同类型的旋转机械发生故障时会激发出不同特征的振动信号。针对旋转机械故障点位判断难、复合故障判断不准确等问题,构建了概率神经网络(PNN)以及支持向量机(SVM)这两种人工智能模型,并采用该模型对旋转机械进行了故障识别研究。首先,采集了研究对象各故障状态下的振动信号,对振动信号的时域和频谱进行了分析,根据振动信号的特征表现,分别将原始振动信号幅值和振动信号特征值作为人工智能模型的输入向量;然后,利用粒子群算法(PSO)对概率神经网络的输入参数进行了优化,利用交叉验证法(CV)对支持向量机的输入参数进行了优化;最后,建立了概率神经网络和支持向量机故障诊断模型,对旋转机械故障进行了诊断,并对比分析了诊断结果。研究结果表明:基于PSO-PNN模型的旋转机械故障识别准确率在97%以上;基于CV-SVM模型的旋转机械故障识别准确率在98%以上;这两种人工智能方法在用于旋转机械故障诊断时具有速度快、准确率高的优点;其中,PSO-PNN方法适用于旋转机械故障实时监测,CV-SVM方法适用于旋转机械复杂故障的识别。

基于广义S变换与PSO-PNN的电能质量扰动识别

为了克服从电网电能质量监测系统的大数据中自动识别出电能质量扰动的困难,提出了一种基于广义S变换与PSO-PNN的电能质量扰动识别新方法。该方法利用了广义S变换能兼顾时频分辨率的特点,首先使用广义S变换分析扰动信号的时频特性,接着从广义S变换模矩阵中提取出扰动信号的时频特征量,然后用PSO-PNN分类器对扰动信号进行分类识别。PSO算法的使用克服了PNN的平滑因子没有确定选取方法的缺陷,使分类器性能大大提升。仿真实验结果表明,该方法能够对常见的6种电能质量扰动进行高效的分类识别,分类正确率高,对噪声不敏感,具有良好的应用价值。

基于IPSO-PNN的电动汽车故障诊断

为了提高电动汽车故障诊断的准确性,提出了一种基于改进粒子群(Improved Particle Swarm Optimization,IPSO)算法优化概率神经网络(Probabilistic Neural Network,PNN)的电动汽车故障诊断方法,即基于IPSO-PNN的电动汽车故障诊断方法。首先,研究了基于PNN的电动汽车故障诊断模型,分析了PNN的平滑因子对该模型诊断准确率的影响;其次,在粒子群(Particle Swarm Optimization,PSO)算法中引入频率粒子群和采用动态惯性权重,改善PSO算法的全局和局部寻优能力,利用IPSO算法优化基于PNN的电动汽车故障诊断模型的平滑因子,以改善模型的分类能力;最后进行仿真与分析。仿真结果表明:相较于基于PSO-PNN的电动汽车故障诊断方法,基于IPSO-PNN的电动汽车故障诊断方法具有更高的诊断准确率和诊断速度。

应用CEEMD能量矩和PSO-PNN的轴承故障诊断

为了解决传统方法对滚动轴承中振动信号特征提取效果不理想和PNN模型中的平滑因子没有合适方法确定,从而导致故障类型识别准确度不高的问题,提出了一种CEEMD能量矩和PSO算法优化PNN模型相结合的故障诊断算法,来改善特征提取效果以及提高诊断精度。首先通过CEEMD法,将振动信号分解为多个固有模态函数(IMF),并对其进行时间轴的积分,从而获得能够较准确地区分不同信号特性的能量矩特征向量;其次,通过引入PSO算法来进行迭代优化,解决了PNN模型中的平滑因子具有任意性和不确定性的选取问题。通过MATLAB软件仿真结果可以看出,该方法能够较准确地提取振动信号的特征并对故障进行有效的分类,它的可靠性较PNN模型有所提高,诊断正确率可以达到98.5%。

故障树法和改进PSO-PNN网络的电梯故障诊断模型

针对电梯故障问题,提出一种将故障树分析法、改进的粒子群优化算法和概率神经网络相结合的方法用于电梯的故障诊断。以电梯的安全回路系统为例,用故障树法对回路进行分析,获得训练样本与故障类型;使用粒子群算法对概率神经网络的平滑因子进行优化,在优化过程中,针对粒子群算法存在易陷入局部最优的缺陷,提出对惯性权重的改进策略;采用相对误差对诊断效果做出评估,并与传统的概率神经网络和基本粒子群算法优化的概率神经网络在各种故障类型输出和最大相对误差等方面进行比较,结果表明:该模型能够有效诊断电梯故障。

基于VMD与PSO-PNN的滚动轴承故障诊断模型

针对滚动轴承故障特征提取效果不理想和故障类型识别准确率低、速度慢等问题,该文结合变分模态分解、粒子群算法和概率神经网络提出了一种新的滚动轴承故障提取与故障类型识别方法。主要是通过变分模态分解提取有效的故障特征向量,然后通过粒子群算法优化的概率神经网络模型进行故障类型诊断。通过Matlab仿真结果显示,与标准的概率神经网络诊断故障类型相比提高了轴承故障诊断的准确性和速度性。

基于小波包与改进的PSO-PNN变压器励磁涌流识别算法研究

利用小波包对励磁涌流和故障电流信号进行分解并提取小波包能量特征。采用改进粒子群(PSO)算法训练概率神经网络(PNN)寻找全局最优,对PNN网络的输入输出、传递函数以及隐含层节点数进行确定,建立PNN的网络模型,对网络进行训练测试,最后提出保护判据。研究发现,该算法不仅训练速度和收敛速度快,而且具有较高的识别精度。

基于OPRA与NTVE-PSO-PNN的财务危机预警模型研究

财务危机预警是公司预测和防范财务危机的主要手段,为了提高财务危机预警模型的预测精度和执行效率,本文将局部线性嵌入(Locally Linear Embedding,LLE)方法引入传统的主成分分析(Principal Component Analysis,PCA),提出了一种正交投影降维方法 (Orthogonal Pro-jection Reduction by Affinity,OPRA),进行财务指标的选取和降维。OPRA方法不仅保持了财务指标数据在降维映射过程中的流形特征,还重构了正交投影数据。将概率神经网络(Probabilis-tic Neural Network,PNN)与非线性时间变量演化粒子群(Nonlinear Time-varying Evolution Parti-cle Swarm Optimization,NTVE-PSO)结合,提出了NTVE-PSO-PNN财务危机预警模型。在PNN神经网络财务危机预警训练时,本文采用NTVE-PSO方法确定PNN的优化结构。实验结果显示,OPRA能够获得较好的降维效果,NTVE-PSO-PNN算法提供了较好的预测精度和计算效率。

基于PSO-PNN的柴油机燃油喷射系统故障诊断方法研究

基于柴油机燃油喷射系统实验平台,通过采集燃油喷射系统常见故障工况运行下的高压油管压力波实时原始数据,采用小波包分解消噪重构,获得含高压油管压力波特征参数的众多先知样本,通过k聚类算法,建立了概率神经网络PNN训练样本。采用粒子群算法PSO对概率神经网络平滑因子进行优化,实验表明优化后的概率神经网络有较高的柴油机燃油喷射系统故障诊断正确率。

光伏组件输出特性的异常分类研究

光伏组件异常直接影响到发电量与组件的使用寿命,及时发现光伏组件异常并消除异常,将直接提高光伏组件发电效率。为准确检测光伏组件的异常状态,以Matlab平台为基础,模拟6种光伏组件异常状态,并分析输出特性,提出以输出特性曲线的五特征法判断异常类型。用Python语言搭建概率神经网络,并用粒子群优化算法优化平滑因子。用粒子群优化概率神经网络(PSO-PNN)模型训练异常数据,结果表明:概率神经网络对数据集较敏感,在较大的数据集,模型分类准确率高,能有效检测光伏组件异常状态。

基于PSO-PNN的铸坯全长表面纵裂纹在线预测

表面纵裂纹是铸坯质量缺陷中一种最常见的表面质量缺陷。环境因素使得铸坯表面纵裂纹在线检测精度不高,各大钢厂铸坯质检仍要依赖人工,因此提出一种基于粒子群PSO优化概率神经网络PNN的铸坯全长表面纵裂纹预测方法。首先,建立铸坯生产过程跟踪及数据时空变换模型,构建铸坯生产系统将生产过程数据与铸坯长度方向进行匹配;再利用PNN的Bayes最小风险准则进行有监督特征学习,并利用寻优算法PSO优化PNN关键参数的选取,得到最终的模型PSO-PNN;最后,利用某钢厂连铸产线铸坯质量缺陷数据和生产过程数据进行试验验证。结果表明,该方法对铸坯整体的质量预测分类精度达到97.5%,铸坯全长的裂纹缺陷的预测精确率和召回率均在92%以上,能有效实现铸坯全长表面纵裂纹的预测,为现场质检人员提供参考。

燃煤电站热工过程异常数据处理方法研究

燃煤电站中测量传感器受恶劣环境的影响,导致测量数据出现大量异常值。在分析燃煤电站现场历史数据特点的基础上阐述了热工过程历史数据异常值及其检测方法,提出了PSO-PNN异常值检测方法,此方法能够较快地获取最优平滑因子参数,降低了异常值检测的误判率。最后通过实际电厂的历史运行数据验证了所提异常值检测方法的有效性和优异的检测性能。

利用多干扰机对抗SAR双通道干扰对消技术的研究

双通道合成孔径雷达(SAR)和单航过的干涉合成孔径雷达(InSAR)有很强的抗干扰能力,固定的单站有源干扰机所发射的干扰信号到两通道的相位差是缓变的,可以被用来做干扰对消。该文提出利用双(多)干扰机对抗双通道干扰对消的方法,分析了双通道对消原理和双干扰机的信号特点,给出了双干扰机的干涉相位条件,讨论了干扰机干涉相位的估计方法。理论分析和仿真实验表明,该方法能有效减弱双通道雷达的抗干扰能力。

LF-PSO优化神经网络的高压断路器机械故障诊断

目前对高压断路器的故障诊断方法较多,其中采用神经网络方法居多。提出一种基于莱维飞行粒子群算法(LF-PSO)优化PNN神经网络的故障诊断技术。PNN结构简单,收敛速度快,但其中平滑因子σ对网络输出结果正确性影响较大,采用改进的粒子群算法对σ进行寻优。在标准粒子群基础上加入LF能有效地使粒子通过随机游走产生新的解,经历新的搜索路径和领域,从而增加了种群的多样性,提高发现更优解的概率,不易陷入局部极值,提高了搜索的速度。通过实验数据验证,LF-PSO优化的PNN算法加快了搜索的速度,提高了诊断的精度,减小了误差,分类效果明显,是一种有效的故障诊断方法。

油气润滑系统流型识别方法研究

提出了一种基于油气润滑系统油气两相流压差波动信号来识别流型的方法。首先借助Fluent提取了油气润滑系统水平管道中常见的四种流型的压差波动信号作为训练和识别的样本;然后采用EMD(经验模态分解)方法提取油气流流型压差波动信号的特征;最后采用PSO-PNN算法对油气两相流流型进行了识别。结果表明:油气两相流流型与压差波动信号之间存在对应关系,通过对压差波动信号的分析可以获取流型信息;油气两相流的压差波动信号具有非平稳特性,采用EMD方法可以较好地提取流型信息;优化后PNN模型可较好地识别油气润滑水平管道内油气两相流流型。

PSO-GBDT识别致密砂岩储集层岩性研究——以姬塬油田西部长4+5段为例

交会图在致密砂岩储集层应用上难以奏效,其主要原因是多种储集层岩性具有相似测井响应特征而难以在交会图版中被有效分辨。众多机器学习技术可有效分辨属性相似度高的数据,为此识别性能出众的GBDT(gradient boosting decision tree,梯度提升决策树)常被用来解决致密砂岩储集层岩性识别问题。但GBDT使用较多超参数致训练模型难以最优化,本文选用PSO(particle swarm optimization,粒子群算法)来解决优化问题,进而提出PSO-GBDT模型。本文以姬塬油田西部长4+5段致密砂岩储集层为研究对象,通过设计两个实验来验证提出模型的识别能力。实验结果表明,PSO-GBDT岩性识别准确率分别为(90.37%,88.20%)和(93.48%,90.16%),高于其他验证模型。该模型能有效解决致密砂岩储集层岩性识别问题,在岩性识别研究上具有良好的推广应用前景。

ZPW-2000轨道电路故障诊断方法研究

针对ZPW-2000轨道电路故障的多样性、复杂性、诊断难等问题,提出基于PCA-PSO-PNN的ZPW-2000轨道电路智能故障诊断方法。首先,对影响因素进行主成分分析,提取了主要的影响因素,将输入维数降低,然后建立8种常见故障的概率神经网络诊断模型,其次采用PSO算法优化PNN模型参数,最后采用某电务段提供数据进行故障划分和诊断,得到较好的诊断效果,因此该法能够为维护人员提高诊断效率及正确率,很好的解决只依赖维护人员现场维护经验诊断轨道电路设备故障,效率低可靠性差诊断难的问题,提高了运行效率。

基于深度学习的水轮机运转状态识别系统研究

为提高水轮机运转状态识别准确率,提出基于PSO-PNN的水轮机运转状态识别方法,以达到及时发现水轮机故障的目的。首先,结合概率神经网络的网络结构与特点,引入PSO算法对PNN神经网络的平滑因子参数进行优化;然后,构建PSO-PNN的水轮机运转状态识别模型;最后,训练最优平滑因子参数,并通过样本与SVM、PNN进行识别对比。结果表明,SVM对水轮机运转状态预测判断的准确率为92%,PNN的准确率为93%,PSO-PNN的准确率高达97.50%,证明本研究提出的PSO-PNN神经网络具有可行性,且对水轮机运转状态识别判断的精准度最高,识别结果最佳。