基于人工鱼群算法的船舶电子设备故障智能诊断方法

为实现电子设备的高效维护,确保船舶安全航行,设计了基于人工鱼群算法的船舶电子设备故障智能诊断方法。采用离散小波变换法分解电子设备运行信号样本,通过计算不同尺度下的小波能量值完成船舶电子设备故障特征参数的提取,将其作为基于RBF神经网络的故障诊断模型的输入,利用人工鱼群算法对故障诊断模型的权值、阈值参数作优化处理,最终输出不同类型故障发生概率,实现电子设备故障诊断。实验结果表明,正常以及不同故障状态下,电子设备运行信号的时域波形存在很大差异,研究方法可实现故障特征参数的提取,并完成故障类型的识别,30次迭代后MSE指标即可降至最低,仅为10^(-4)。

利用小波神经网络的电力变压器故障诊断方法

为提高变压器传统油中溶解气体分析(DGA)的故障诊断能力,提出了一种利用小波神经网络(WNN)的变压器故障诊断方法。WNN隐含层采用离散仿射小波函数,仿照前馈BP神经网络算法构造WNN,引入学习率和动量系数来训练网络。实验结果表明:相同条件下,较之传统比值法与BP神经网络,WNN的故障模式识别准确率更高,对照BP神经网络,所提出的WNN变压器故障诊断方法在稳定性和收敛时间方面表现更优。

有源电子式互感器故障诊断技术的研究与应用

作为继电保护和自动化装置的信息源头,电子式互感器的运行性能直接影响整个电网,由于受到环境和电磁辐射的影响,其输出信号的稳定性是智能变电站普及推广应用的瓶颈。通过对电子式互感器运行中的故障类型进行分类,采用分段函数模拟不同的故障类型,利用小波理论分析对故障信号进行除噪处理,再通过小波分解对除噪后的信号进行故障检测定位,归纳为小波-神经网络的故障诊断分析方法。该方法能够直接判别漂移偏差故障、固定偏差故障和变比偏差故障,对提高智能变电站运行可靠性具有前瞻性的意义。

基于DWT和PNN的印刷过程实时监测和故障诊断

提出了一种新的基于离散小波变换和概率神经网络的印刷过程振动信号的实时监测和故障诊断系统。利用小波包分解技术对印刷过程振动信号进行降噪处理,并选择特殊频段进行小波包重构,有效捕捉和分离了处于信号不同频段的印刷过程振动信号故障特征分量。对提取的故障特征参数应用概率神经网络映射,实现对印刷过程振动信号运行状态的实时监测和故障诊断。仿真结果表明,该诊断方法快速、准确且易于工程实现。

人工神经网络在动态过程故障诊断中的应用

以加氢裂化反应器为实际背景，将人工神经网络较成功地用于动态过程的故障诊断，研究了输入样本的时间序列，输出参数值的离散化及网络拓扑结构等问题，拓宽了人工神经网络的应用范围，为将来反应和分离系统的进一步联合实时优化控制创造了条件。

基于遗传算法的WANN的汽车发动机故障诊断分析

利用基于遗传算法的全局优化能力,小波分析具有数据压缩和特征提取的特性,神经网络具有非线性映射和学习推理的优点.结合三者的特点,提出了一种基于遗传算法、小波与神经网络的汽车发动机故障诊断方法,应用汽车发动机的故障数据作为实例验证,GA-WANN模型诊断速度快,鲁棒性好,故障诊断正确率高.

神经网络诊断变压器故障的新方法

介绍了一种用于信号分类识别的小波神经网络，其网络权值由小波函数集充当，并在学习过程中应用了共轭梯度法。将此小波神经网络用于变压器油色谱诊断，经仿真计算，证实它具有比ＢＰ网络更好的逼近性能，可以达到较高的准确率。

包装过程的故障检测与诊断

对于控制复杂、难以精确描述数学模型的包装过程 ,提出了基于小波变换的故障检测方法 ,故障诊断通过神经网络来实现。

一种用于动态过程故障诊断的子波-S型神经网络

在分析子波变换的基础上,将子波理论引入神经网络,提出了一种新的神经网络模型─—子波-S型神经网络(WSNN),并将其成功地应用于动态过程的故障诊断,同时根据其特性给出训练方法, 实验证明,与S形作用函数的前向阶层型神经网络(SBFN)相比,子波-S型神经网络提高了故障早期诊断的正确诊断率。

基于WaveARX神经网络的非线性动态过程故障检测

研究了利用ＷａｖｅＡＲＸ神经网络构造非线性动态过程的非参数化逼近模型，在分析其逼近偏差的基础上提出了一种非线性次优滤波器设计方法，用于非线性动态过程的故障检测。理论分析和仿真研究证实了其可行性和有效性。

基于小波的神经网络在齿轮箱故障诊断中的应用研究(英文)

研究基于小波分析的神经网络故障诊断方法根据齿轮驱动装置在工作时通常可能出现的故障类型，人为地在该装置上制造了类似的故障供诊断．并对实验结果进行了分析和讨论．实验表明，利用小波进行诊断信号的预处理，并将其形成向量供给神经网络进行故障诊断具有较好的效果．

基于小波和模糊神经网络的导弹涡喷发动机故障诊断方法研究

针对海防中远程导弹普遍采用高效率的小型涡喷(涡扇)发动机,为了减小体积和重量,发动机设计寿命较短,导弹维护(中、长期维护)、准备阶段不允许对发动机进行热试车,提出了一种基于小波和模糊神经网络的涡喷发动机故障诊断方法.将该方法成功地应用于某型涡喷发动机的故障诊断,结果表明该方法诊断效果明显.

粗糙集理论在柴油机故障诊断中的应用

以柴油机故障诊断为背景,研究了基于粗糙集理论的参数优化在故障诊断中的应用。首先采用小波包能量谱方法提取振动信号的特征参数,并用粗糙集理论对其进行属性约简,最后用RBF神经网络对各类故障进行辨识,结果表明:利用粗糙集约简后,通过减少神经网络的输入节点数,简化网络的结构,提高了诊断的准确率及效率。

基于微钙化点检测的乳腺X光片计算机辅助诊断系统

针对早期乳腺癌X光片中微钙化点非常微小、不规则、形状和分布各异,且对比度较差,乳腺中的致密组织与病变组织十分相似的问题,依据微钙化点是淹没在极高频噪声和低频背景中的高频信号,提出了利用数学形态学和小波变换来进行微钙化点的定位,依据神经网络可以通过训练来进行分类,提出利用概率神经网络对微钙化病变类型进行融合识别.实验证明,该方法操作简单,具有较高的检出率,同时明显降低了假阳性.

基于AFSA-WNN的Sallen-Key滤波器电路软故障诊断

为提高对Sallen-Key滤波器的软故障诊断能力,提出一种基于多分辨率变换与小波神经网络(WNN)的软故障诊断方法。该方法先引入多分辨率变换提取Sallen-Key滤波器电路的软故障特征,在此基础上,采用人工鱼群算法优化的WNN构建电路软故障诊断模型。仿真结果表明,与单纯的WNN相比,所提出方法对电路软故障的诊断性能更好,总正确率达到94.1%。从而证明该方法用于Sallen-Key滤波器软故障诊断是可行的,也是有效的。

基于小波神经网络的地铁轴承故障诊断方法

提出了一种将小波包变换和改进BP神经网络相结合的地铁轴承故障诊断模型。该模型采用小波包变换对采集到的原始振动信号进行分解和重构,提取能量特征向量,并采用一种改进的小波神经网络模型对地铁轴承进行故障诊断,引入动量因子优化BP神经网络梯度下降算法,以提高模型诊断精度和收敛速度。基于凯斯西储大学轴承故障实验中加速度传感器采集的数据,首先对其进行预处理,然后对神经网络进行训练,当训练误差达到目标精度时,利用该模型开展地铁轴承故障诊断仿真实验。结果表明:改进的小波神经网络模型可以快速、准确地诊断出地铁轴承的故障类型。

改进人工鱼群算法优化小波神经网络的变压器故障诊断

针对油浸式变压器故障类型的复杂难辨,结合油中气体分析法,提出一种基于改进人工鱼群算法优化小波神经网络的故障诊断模型。基于经典三层小波神经网络,采用粒子化的人工鱼群算法对小波神经网络输入和输出层的权值、小波神经元的伸缩和平移系数进行修正,通过引入动态反向学习策略实时优化人工鱼分布,迭代后半程采用基于柯西分布的自适应人工鱼视野范围提高算法精度。结果表明,该改进鱼群算法优化的小波神经网络相比标准粒子群算法优化小波神经网络和标准鱼群算法优化小波神经网络,诊断速度更快,准确率更高。

基于精英混沌蜂群算法优化小波神经网络的变压器故障诊断

针对变压器故障类型的复杂难辨,结合油中气体分析法,提出了1种基于精英混沌人工蜂群算法的小波神经网络故障诊断模型对变压器故障进行诊断。模型对3层小波神经网络的输入和输出层的权值、小波元的伸缩和平移系数进行修正,改进算法混沌初始化蜜源,建立精英蜂群团体自适应引导采蜜蜂与跟随蜂搜索,同时引入混沌侦查蜂的行为模式,能够有效提高精度,加速收敛,避免局部最优。实验结果表明,该方法比传统BP小波神经网络和标准蜂群算法优化小波神经网络诊断速度更快,准确率更高,可有效运用于变压器故障诊断。

基于小波变换和RBF神经网络的机械故障诊断

针对人工诊断机械故障比较耗时且存在误差及BP神经网络的缺点,提出了一种基于小波变换和RBF神经网络的机械故障诊断方法。该方法通过小波变换对采集到的信号进行处理,降低噪声干扰,然后使用RBF神经网络代替工作人员对故障进行诊断,排除人为主观因素影响,提高判别准确性。仿真结果表明,本文提出的机械故障诊断方法准确性明显优于人工和BP神经网络,且计算量小,收敛速度快。

改进人工鱼群算法优化小波神经网络在矿用变压器故障诊断中的应用

为有效克服人工鱼群算法容易陷入局部最优的影响,通过视野和步长的优化,促使在迭代次数增加的过程中,从全局搜索逐步转向精细搜索,避免算法出现部分最优的情况。仿真实验证明了这种改进人工鱼群算法优化小波神经网络可以有效地提升矿用变压器故障诊断的精度,提高了诊断效率。