基于SSA-PNN的矿井提升机主轴装置故障诊断

对于矿井提升机来说,主轴装置是其核心,它能否正常运行关系着整个矿井提升机的工作进程,应用概率神经网络可以有效地进行矿井提升机的故障诊断,但是传统概率神经网络存在平滑因子具有主观性的缺点。针对这个不足,文章引入樽海鞘群算法对其进行优化,提出了樽海鞘群算法优化的概率神经网络(SSA-PNN)的主轴装置故障诊断。实验表明,SSA-PNN与遗传算法、BP神经网络相比,能够更加准确、快速地进行分类,实现对矿井提升机主轴装置案例已知故障的有效诊断。

基于SSA-PNN算法的配电网的故障判别方法研究

本文针对配电网短路故障后的故障类型进行准确分类,提出一种基于麻雀搜索算法优化概率神经网络(SSAPNN)分类器的故障分类方法。通过小波变换的离散小波分解提取故障后线路上三相电流以及零序电流的暂态高频分量,建立用于区分不同故障类型的4个故障特征量。将4个故障特征量作为输入值,进行分类器的训练,能准确识别故障类别。

基于ESMD和SSA-PNN的电能质量扰动信号识别分类

针对传统概率神经网络(PNN)分类器中平滑因子依靠人工经验赋值,导致电能质量扰动信号识别分类精度不高的问题,文中提出一种基于极点对称模态分解和麻雀搜索算法优化概率神经网络(SSA-PNN)的电能质量扰动信号识别分类方法。首先,添加含噪声的电能质量扰动信号;其次,利用极点对称模态分解算法对扰动信号进行分解,得到不同频率的本征模态函数;再根据原信号与本征模态函数分量的相关系数选取有代表性的分量,对代表性分量提取能量值和样本熵并将其作为特征向量;最后,创新性地利用麻雀搜索算法优化概率神经网络中的平滑因子,寻找最优平滑因子构建SSA-PNN分类器,将特征向量输入传统PNN分类器和SSA-PNN分类器中进行识别分类。仿真结果表明,相较于传统PNN分类器,SSAPNN分类器的准确率较高,可为电能质量扰动信号识别分类提供一种新的解决方案。