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IWOA-PNN模型的生物组织变性识别方法

为了提高高强度聚焦超声(HIFU)治疗过程中生物组织变性识别率,提出了一种基于改进鲸鱼优化算法优化概率神经网络(IWOA-PNN)模型的生物组织变性识别方法。首先通过改进收敛因子和加入自适应权重因子提高WOA优化算法的寻优速度和精度,然后利用IWOA算法优化PNN的平滑因子,以提高变性识别精度,最后以超声回波信号多尺度熵为特征参数输入IWOA-PNN模型,得出生物组织变性识别率。实验结果表明,与普通PNN和WOA-PNN模型相比,基于IWOA-PNN模型的生物组织变性识别率更高,更能精确地识别HIFU治疗过程中生物组织是否变性,指导临床医生进行准确的HIFU疗效评价。

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。

基于IHHO-PNN的变压器复合故障诊断

为了提高变压器复合故障诊断精度,提出了一种基于改进哈里斯鹰(Improved Harris Hawk Optimization, IHHO)算法优化概率神经网络(Probabilistic Neural Network, PNN)的变压器复合故障诊断方法。采用Tent映射、非线性调整逃逸能量和小孔成像学习策略对哈里斯鹰优化(Harris Hawk Optimization, HHO)算法进行改进,以增强IHHO算法的优化性能,避免算法陷入局部最优。采用IHHO算法对PNN的平滑因子进行优化,建立了基于IHHO-PNN的变压器故障诊断模型。利用实际运行的变压器故障数据进行仿真分析。结果表明,所提出的IHHO-PNN模型在进行变压器故障诊断时出现错误诊断的次数更少,诊断精度更高,变压器故障诊断效果好于其他几种对比模型,验证了该变压器复合故障诊断方法的实用性和有效性。

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PSO优化PNN网络的变压器故障诊断方法

根据变压器产生故障时特征气体和故障类型的非线性关系,结合油中溶解气体分析方法,采用了基于改进粒子群-概率神经网络(PNN)的故障诊断方法。针对PNN网络平滑因子按照经验选取的不足,以及使用粒子群优化(PSO)该参数时搜索精度低、容易早熟收敛等缺点,改进粒子群引入遗传算法的变异操作,并在迭代中对惯性权重动态调整和加速因子的线性变化,并用于训练PNN神经网络平滑因子集合;然后将改进PSO-PNN神经网络应用于变压器故障诊断中,通过诊断测试验证了该方法的有效性。

基于小波和改进S变换的电能质量扰动分类

针对电能质量分析中的电能质量扰动信号快速精确检测及分类重要内容,提出基于小波变换结合改进S变换的电能质量扰动分类方法.通过小波变换得到高低频分量,并选取低频分量做改进的S变换提取特征向量,既保持原信号特征,且得到的S变换模矩阵维数只有原信号直接做S变换的模矩阵维数的1/4.通过概率神经网络(probabilistic neural network,PNN)对信号进行分类.仿真结果证明,所提方法有效,能很好实现分类,且减少分类时间.

基于改进PSO-PNN的大螺旋钻机故障诊断系统研究

为解决当前大螺旋钻机故障诊断方法存在的准确率较低问题,提出一种将改进PSO(粒子群优化算法)和PNN(概率神经网络)相结合的大螺旋钻机故障诊断系统。首先通过减小惯性因子和学习因子,间接实现粒子速度由大到小的调整,实现对粒子群优化算法的改进,通过基准函数测试证明改进PSO的收敛速度、精度、全局寻优能力均优于GA(遗传算法)、WOA(鲸鱼优化算法)、PSO等常规优化算法。然后利用改进PSO搜索PNN可满足整个样本空间预测需求的全局最优平滑因子,并加载到PNN。实验结果表明,在诊断精度和实时性方面,分别与经验法选取平滑因子的PNN和由GA、WOA、PSO优化后的PNN进行对比,通过改进PSO优化后的PNN故障诊断准确率达到97.5%,同时优化后的PNN运行速度较快,对单组故障数据分析时间为0.785s,以上说明基于改进PSO-PNN的大螺旋钻机故障诊断系统可满足大螺旋钻机对故障诊断准确率和实时性的需求。

IPP-PNN模型在川藏铁路深埋长大隧道岩爆预测中的应用

为了准确预测在高地应力、高地温铁路隧道中的岩爆灾害,以川藏铁路前期拉林段的重要隧道节点工程为研究背景,系统、全面地总结应力水平、埋深、温度、围岩岩性及地质构造、岩体系统刚度等影响因素对川藏铁路深埋长大隧道岩爆的孕育作用,重点分析高地应力和高地温对岩爆发生的影响相关性。构建川藏铁路深埋长大隧道岩爆预测指标体系,测试并量化岩体岩爆的倾向性指标。由于各影响因素与岩爆的非线性关系,选用能充分提取数据信息、处理多因素复杂非线性问题的改进投影寻踪(Improved Projection Pursuit,IPP)评价模型对川藏铁路拉林段典型高地应力、高地温深埋长大隧道桑珠岭隧道在施工期发生的岩爆问题做初步评价,并引入密度函数估计和贝叶斯最小风险准则,将IPP模型和概率神经网络(Probabilistic Neural Networks,PNN)模型相结合,实现对岩爆等级的聚类划分。研究结果表明:根据岩爆等级预测结果可知IPP-PNN模型预测结果相比于传统PP-PNN模型和GSA-PP模型其准确度更高,在对桑珠岭隧道11~19号隧道路段的岩爆预测中,岩爆预测等级与实测等级相符合程度由66.67%和77.78%提高到100%。研究结果具有一定的应用价值和工程意义,为目前在建的川藏铁路类似隧道工程的岩爆预测提供参考。

基于IWOA-PNN模型的管道焊缝腐蚀剩余强度预测

针对管道焊缝腐蚀问题构建基于改进鲸鱼优化算法(Improved Whale Optimization Algorithm, IWOA)的概率神经网络(Probabilistic Neural Network, PNN)剩余强度预测模型。首先,通过种群初始化、非线性收敛因子和惯性权重因子提高鲸鱼优化算法的寻优速度和精度;然后,利用IWOA算法优化PNN的光滑因子,构建IWOA-PNN预测模型;最后,以水压爆破试验数据为基础,使用MATLAB软件进行仿真试验,并与另外2个模型进行对比分析。结果表明:IWOA-PNN模型的ERMS为0.633 1,EAR为2.19%,R^(2)为0.954 6,均优于PNN和鲸鱼优化算法(Whale Optimization Algorithm, WOA)-PNN模型;IWOA-PNN模型与传统模型相比误差更小,能够更为准确地预测焊缝腐蚀后剩余强度,为管道的维修和更换提供参考。

基于改进粒子群算法的模糊聚类-概率神经网络模型的企业财务危机预警模型研究

为了充分发挥概率神经网络在企业财务危机预警中的作用,克服概率神经网络平滑参数难以确定和空间复杂度高的不足,本文提出一类新的参数动态调整的粒子群算法优化概率神经网络的平滑参数,进而采用改进粒子群算法优化初始隶属度矩阵的模糊聚类方法实现对样本的选择,解决了概率神经网络平滑参数的确定及空间结构复杂的问题。提出了基于改进粒子群算法的模糊聚类-概率神经网络企业财务危机预警模型,并以我国上市公司作为研究对象进行了实证研究。结果表明,经过模糊聚类和改进粒子群算法优化的概率神经网络具有更优的预测性能,并在企业财务危机长期预警方面具有一定效用。

基于改进小波能熵的水下目标识别

文章研究了基于改进小波能熵和概率神经网络的水下目标识别方法。首先对水下目标辐射噪声信号进行小波变换多分辨率分解和重构,然后引入滑动时间窗,提取各分解子带在滑动时间窗内的改进小波能熵值作为目标识别的特征矢量,最后将特征矢量输入到概率神经网络中实现水下目标识别。对信号进行小波多分辨率分解可反映信号在不同频域上的特征,而引入滑动时间窗并在此基础上定义改进的小波能熵可反映信号的时域特征,因此改进小波能熵方法能同时反映信号的时频特征,更适合于水下目标特征提取。仿真结果表明了该方法的有效性。

基于特征降维和改进PNN的车牌识别技术

为实现复杂光照及存在遮挡和污损等情况下车牌识别,提出基于隐马尔可夫特征降维和改进概率神经网络的车牌字符快速精确识别算法,算法通过非负矩阵分解对描述字符特征的高维隐马尔可夫特征进行降维,以消除高维特征矩阵信息冗余并提高特征描述准确性,通过择取代表性样本参与PNN训练,以提高算法的分类精确性,减少硬件性能需求。对比实验结果表明,算法在保持原有统计特征分类识别性能的条件下,显著减少了运行时间,提高了识别准确率。

煤矿瓦斯爆炸事故致因选取与风险等级预测

为对煤矿瓦斯爆炸事故风险等级进行精准预测,以符合实际情景的特征向量为前提,基于改进粒子群算法优化概率神经网络(RWPSO-PNN)实现瓦斯爆炸风险等级预测模型。首先利用中文分词提取煤矿瓦斯爆炸事故致因,以灰色关联分析(GRA)选取模型的输入特征向量;并针对概率神经网络(PNN)中平滑因子易引起网络识别率低的问题,提出了RWPSO-PNN,实现平滑因子的自适应调整;最后对RWPSO-PNN进行了实例分析,并与极限学习机算法、BP神经网络和支持向量机算法进行对比。结果表明:RWPSO-PNN预测准确率为90%,平均绝对误差为0.133,明显优于对比算法。

基于PNN的电力变压器故障诊断

电力变压器作为发电厂和变电所的主要设备之一,其稳定性和安全运行对电力系统有着重要意义。为提高电力变压器故障诊断的准确性,以改良三比值法为基础,研究一种基于概率神经网络(PNN)的电力变压器故障诊断方法。首先在MATLAB中建立故障诊断系统,通过对变压器的油中溶解气体进行分析,以油中溶解气体(DGA)的三对比值作为网络的输入向量,输出向量为变压器的故障类型。仿真结果表明,PNN诊断系统具有诊断速度快、准确率高及样本追加能力强的优点。

基于VMD-IMDE-PNN的滚动轴承故障诊断方法

为了提高滚动轴承故障诊断的准确性,提出一种变分模态分解(Variational Mode Decomposition,VMD)、改进粗粒化多尺度散布熵(Improved Coarse-grained Multi-scale Dispersion Entropy,IMDE)和概率神经网络(Probabilistic Neural Network,PNN)相结合的滚动轴承故障诊断方法。首先对振动信号进行VMD处理,根据互相关系数准则筛选最佳模态分量,突显振动信号的故障特性;然后针对多尺度散布熵(Multi-scale Dispersion Entropy,MDE)不稳定的缺点,对MDE的粗粒化过程进行改进,提出IMDE的非线性分析方法。模拟信号分析结果表明,相比于MDE方法,IMDE方法降低了熵值波动,提高了熵值稳定性。将两种方法运用于实际滚动轴承实验数据,发现相比于MDE,IMDE熵值曲线更平滑稳定,不同滚动轴承状态下的IMDE熵值曲线区分更加明显。最后采用PNN对提取的特征进行识别,与MPE-PNN,MDE-PNN以及VMD-MDE-PNN方法相比,所提的VMD-IMDE-PNN方法能精确地识别滚动轴承的故障类型,且识别率更高。

基于改进MFCC融合特征及FA-PNN的驾驶员路怒情绪识别

现今关于驾驶员路怒情绪识别方法中语音特性分析相对较少,该研究以路怒情绪为研究对象,利用模拟驾驶系统建立数据集,通过分析驾驶员语音的频谱特征,将时域中短时能量及短时过零率特征参数和改进Mel频率倒谱系数(Mel frequency cepstral coefficients,MFCC)特征参数融合构成特征参数向量,利用萤火虫算法(firefly algorithm,FA)优化PNN神经网络(probabilistic neural networks)并构建识别模型,实现驾驶员路怒情绪的识别。实验结果表明,在相同神经网络下,改进MFCC融合特征提取方法相比传统MFCC特征提取方法具有更好的抗噪性。同时,FA-PNN模型的识别准确率为93.0%,相比传统PNN模型提高了11个百分点;F1-Score值为0.9328,提高了0.1047。该研究论证了语音信号处理技术对驾驶员路怒情绪识别的可行性,为汽车主动安全驾驶预警研究提供了新方法。

基于ICEEMDAN能量矩和MFOA-PNN的轴承故障诊断

为了提高滚动轴承故障诊断的准确性,实现对故障的精准定位,提出一种基于改进的自适应噪声的完备集成经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)能量矩和修正型果蝇优化算法-概率神经网络(Modified Fruit Fly Optimization Algorithm-Probabilistic Neural Network,MFOA-PNN)的轴承故障诊断方法。首先利用ICEEMDAN算法对滚动轴承原始序列信号进行预处理,通过能量矩计算公式求取特征值,并将其作为PNN模型的输入;其次运用MFOA搜索PNN模型的最优平滑参数,通过建立MFOA-PNN模型诊断故障类别。实验表明,MFOA-PNN模型相比PNN模型的诊断准确性有所提高,准确率可以达到99.50%,提高了滚动轴承的经济性和安全性。

改进经验模态分解的电机轴承特征提取方法

滚动轴承是电机的重要组成部分,也是出现故障较多的部位,对电机轴承进行特征提取方法研究对于其故障诊断具有重要的意义。首先,介绍了排列熵及其改进算法,并应用于电机轴承故障检测;其次,针对经验模态分解(Empirical Mode Decomposition,EMD)的端点效应和模态混叠问题,提出了极值点对称延拓加聚合经验模态分解以及解相关算法和改进排列熵算法的混合算法(Modified Empirical Mode Decomposition,MEMD),并应用于电机轴承故障特征提取;最后,利用概率神经网络(Probabilistic Neural Network,PNN)对电机轴承故障特征进行了分类。结果表明,利用改进后的经验模态分解算法进行特征提取,可以明显提高故障分类的准确率。

基于粗糙集理论和改进PNN算法的岩爆预测

对岩爆进行准确且有效地预测具有十分重要的意义。根据岩爆的影响因素、特点及成因,选取岩石取样处的埋深H、岩石单轴抗压强度σ_(c)、应力系数σ_(θ)/σ_(c)、脆性系数σ_(c)/σ_(t)和冲击倾向性指数Wet作为预测指标,利用粗糙集属性约简算法获得关键属性,并得到特定地质条件下岩爆的主要影响因素,将主控因素数据归一化后构成概率神经网络的输入向量,减小了计算的复杂度。通过调整平滑因子的大小,建立基于粗糙集理论和概率神经网络(RS-PNN)的岩爆预测模型,并将RS-PNN的预测结果与其它模型的预测结果进行比较。结果表明,RSPNN模型的判别结果准确率较高,且PNN网络的收敛速度通常在几秒钟之内,故基于RSPNN的岩爆预测模型具有合理性和可行性。