CN108896330A - 一种水电机组的故障诊断方法 - Google Patents
一种水电机组的故障诊断方法 Download PDFInfo
- Publication number
- CN108896330A CN108896330A CN201810385094.7A CN201810385094A CN108896330A CN 108896330 A CN108896330 A CN 108896330A CN 201810385094 A CN201810385094 A CN 201810385094A CN 108896330 A CN108896330 A CN 108896330A
- Authority
- CN
- China
- Prior art keywords
- neural network
- hydropower unit
- solution
- parameter
- optimal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的水电机组的故障诊断方法,首先,提取水电机组不同故障振动信号的特征参数,建立故障集;其次,将布谷鸟搜索算法的步长因子和发现概率嵌入到最优解的寻优过程中,并由解的质量来自适应选择适宜的控制参数值,体现了面向不同优化问题的普适性。同时,利用非均匀变异算子对当前最优解的搜索步长进行自适应调节,进一步提高了算法的收敛精度。再次,采用自适应布谷鸟搜索算法来寻找BP神经网络的最佳权阈值参数,随之建立了水电机组的故障诊断模型;与神经网络模型以及布谷鸟搜索神经网络模型相比,该方法能显著提高水电机组故障定位的效率和准确性。
Description
技术领域
本发明属于水力发电系统的故障诊断技术领域,具体涉及一种水电机组的故障诊断方法。
背景技术
水电机组是水力发电系统中的一个关键设备,它的健康状况直接影响着水电厂的运行状态。据统计,约有80%的故障或事故与水电机组的振动密切相关。因此,从水电机组的振动信号入手,进而建立相应的模型已成为诊断机组故障的重要手段。然而,鉴于机组发生振动故障的原因复杂多样,涉及机械、电磁和水力等多方面的因素,其故障模式识别与分类方法就成为研究的热点与难点。
事实上,水电机组的振动故障诊断问题属于一类典型的小样本、非线性和高维的模式识别问题。目前所设计的机组故障诊断模型往往是从振动信号入手,以提取反映振动原因的故障特征参数,再利用人工智能方法进行故障诊断。其中,以神经网络和支持向量机的应用较为广泛。尽管神经网络具有较强的非线性映射能力,并在故障诊断领域获得了大量应用。然而,神经网络的诊断性能受初始权阈值参数的选取影响严重,而支持向量机的最优参数同样难以获得。这就需要探索一种有效的进化算法以寻找最佳参数,进而提高水电机组的振动故障诊断的精度。
布谷鸟搜索(CS)算法具有实现过程简单、控制参数少等优点,已用于参数优化、数据分类等领域。尽管CS算法的搜索能力优于遗传算法以及粒子群算法,但在实际应用过程中,对于不同的问题或同一问题在不同的优化阶段,CS算法的控制参数需要进行调整,以适应不同的优化需求,且控制参数的不适当设置可能会恶化其寻优性能。为此,需设计一种参数自适应的布谷鸟搜索算法,以提高其应用能力。
发明内容
本发明的目的是提供一种水电机组的故障诊断方法,解决了现有布谷鸟搜索算法的控制参数需不断调整而造成处理过程复杂甚至寻优性能恶化的问题。
本发明所采用的技术方案是,一种水电机组的故障诊断方法,具体按照如下步骤实施:
步骤1、收集水电机组多种故障模式所对应的振动信号,并对故障模式进行编码后作为输出样本;
步骤2、提取各振动信号所对应的特征值,并采用随机选取的方式将该特征值分为两组,分别作为BP神经网络的训练集和测试集;
步骤3、按照BP神经网络的输出误差最小原则来确定BP神经网络的拓扑结构;
步骤4、将BP神经网络的权阈值参数编码为自适应布谷鸟搜索算法的解向量,并将自适应布谷鸟搜索算法的步长因子和发现概率嵌入到解的搜索过程中,通过搜索得到自适应布谷鸟搜索算法的最优解,并将所述最优解作为BP神经网络的最优权阈值参数;
步骤5、将步骤4获得的最优权阈值参数赋予BP神经网络,采用步骤2得到的训练集对具有最优权阈值参数的BP神经网络再次进行学习训练,得到自适应布谷鸟搜索神经网络诊断模型;
步骤6、利用自适应布谷鸟搜索神经网络诊断模型对测试集进行故障诊断,输出水电机组故障的诊断结果,并将诊断结果与步骤1得到的输出样本进行比较,判断出水电机组的故障类型。
本发明的特点还在于,
步骤1中,故障模式包括转子不平衡、转子不对中、尾水管偏心涡带及无故障。
步骤2中,特征值选择振动信号频谱分量的幅值:<0.5f0、f0、2f0、3f0、>3f0,其中,f0为基频。
步骤3中,输出误差E为:
式(1)中,N为训练集的样本数,yi为第i个样本的网络实际输出值,Oi为第i个样本的期望输出值。
步骤4具体包括如下步骤:
步骤4.1、初始化自适应布谷鸟搜索算法的参数;
自适应布谷鸟搜索算法的参数包括鸟巢个数N,步长因子α、发现概率pa,转换参数r1和r2,最大迭代次数kmax,系统参数b以及分布参数β;
步骤4.2、随机选取BP神经网络的故障诊断模型的权阈值参数,并将BP神经网络的权阈值参数编码为自适应布谷鸟搜索算法的解向量;
步骤4.3、初始化鸟巢位置并确定最佳适应度fmin和最佳的鸟巢位置即最优解xbest;
步骤4.4、判断当前的迭代次数k与最大迭代次数kmax的大小关系,若k≤kmax,则进行步骤4.5继续迭代,否则跳转至步骤4.9;
步骤4.5、生成步长因子,然后采用Levy飞行策略生成新的鸟巢位置即新解并评估新解的质量,若此解优于当前解则用
其中,步长因子按照如下规则生成:
式(2)中,k为当前迭代次数,r1为[0,1]之间的随机数;
Levy飞行策略的更新公式为:
式(3)中,xbest为当前最优解,是当前解,Levy(β)为基于Levy分布的随机搜索路径;
步骤4.6、对当前最优解进行非线性变异:
式(4)中,k为当前迭代次数,UB为鸟巢位置的上界,LB为鸟巢位置的下界,y=UB-xbest或y=xbest-LB,a为[0,1]之间的随机数;
步骤4.7、生成发现概率:
式(5)中,r2为[0,1]之间的随机数。
若随机数rand>pa,利用偏好随机游走策略再次生成新的鸟巢位置即新解若此解优于当前解则用
步骤4.8、确定最佳的适应度和最优解;执行k=k+1,并跳转至步骤4.4;
步骤4.9、将最优解作为BP神经网络的最优权阈值参数。
步骤4.7中,偏好随机游走策略的计算公式为:
式(6)中,c为[0,1]之间的一个随机数,和为解向量中2个不同于的随机解。
本发明的有益效果是:
本发明的一种水电机组的故障诊断方法,将布谷鸟搜索算法中的步长和发现概率2个控制参数嵌入到问题解的寻优过程中,实现了参数的自适应调整,具备了面向不同优化问题的适应性,扩展了布谷鸟算法的应用范围,同时,利用非均匀变异算子来自适应调节当前最优解的搜索步长,提高了算法的搜索精度;本发明将基于参数自适应的布谷鸟搜索算法与BP神经网络进行融合,进而构建了水电机组振动故障的诊断模型,克服了BP网络对复杂问题处理不稳定等缺陷,从而使诊断结果更加明确,同时也降低了水电机组事故发生的几率,可广泛应用于工程实践。
附图说明
图1为本发明一种水电机组的故障诊断方法的流程图;
图2是CSBP模型和ACSBP模型的训练误差变化曲线;
图3是CSBP、BP及ACSBP三种故障诊断模型的诊断结果分布图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种水电机组的故障诊断方法,如图1所示,具体按照如下步骤实施:
步骤1、收集水电机组多种故障模式所对应的振动信号,并对这些故障模式进行编码作为输出样本;
其中,故障模式包括转子不平衡、转子不对中、尾水管偏心涡带以及无故障;编码后的故障模式分别表示为[0 0 01]、[0 0 1 0]、[0 1 0 0]和[1 0 0 0]。
步骤2、提取各振动信号所对应的特征值,并采用随机选取的方式将该特征值分为两组,分别作为BP神经网络的训练集和测试集;
其中,特征值选择振动信号频谱分量的幅值:<0.5f0、f0、2f0、3f0、>3f0,f0为基频。
步骤3、按照BP神经网络的输出误差最小原则来确定BP神经网络的拓扑结构,用于确定隐含层神经元的个数。
其中,输出误差E为:
式(1)中,N为训练集的样本数,yi为第i个样本的网络实际输出值,Oi为第i个样本的期望输出值;拓扑结构为5-10-4,BP神经网络包括3层神经网络,输入层神经元5个,隐含层神经元10个,输出层神经元4个。
步骤4、将BP神经网络的权阈值参数编码为自适应布谷鸟搜索算法的解向量,并将自适应布谷鸟搜索算法的步长因子和发现概率嵌入到解的搜索过程中,此时解表示为:其中,αi为步长因子,pai为发现概率;通过搜索得到自适应布谷鸟搜索算法的最优解,并将所述最优解作为BP神经网络的最优权阈值参数;
步骤4的具体过程如下:
步骤4.1、初始化自适应布谷鸟搜索算法的参数;
自适应布谷鸟搜索算法的参数包括鸟巢个数N,步长因子α、发现概率pa,转换参数r1和r2,最大迭代次数kmax,系统参数b以及分布参数β;
其中,步长因子α为区间[0,1]内均匀分布的随机数,发现概率pa为区间[pamin,pamax]内均匀分布的随机数。
步骤4.2、随机选取BP神经网络的故障诊断模型的权阈值参数,并将BP神经网络的权阈值参数编码为基于自适应的布谷鸟搜索算法的解向量;
步骤4.3、初始化鸟巢位置并确定最佳适应度fmin和最佳的鸟巢位置即最优解xbest;
步骤4.4、判断当前的迭代次数k与最大迭代次数kmax的大小关系,若k≤kmax,则进行步骤4.5继续迭代,否则跳转至步骤4.9;
步骤4.5、生成步长因子,然后采用Levy飞行策略生成新的鸟巢位置即新解并评估新解的质量,若此解优于当前解则用
其中,步长因子按照如下规则生成:
式(2)中,k为当前迭代次数,r1为[0,1]之间的随机数;
Levy飞行策略的更新公式为:
式(3)中,xbest为当前最优解,是当前解,Levy(β)为基于Levy分布的随机搜索路径;
步骤4.6、对当前最优解进行非线性变异:
式(4)中,k为当前迭代次数,UB为鸟巢位置的上界,LB为鸟巢位置的下界,y=UB-xbest或y=xbest-LB,a为[0,1]之间的随机数;
步骤4.7、生成发现概率:
式(5)中,r2为[0,1]之间的随机数。
若随机数rand>pa,利用偏好随机游走策略再次生成新的鸟巢位置即新解若此解优于当前解则用
步骤4.8、确定最佳的适应度和最优解;执行k=k+1,并跳转至步骤4.4;
步骤4.9、将最优解作为BP神经网络的最优权阈值参数。
将布谷鸟搜索算法的步长因子和发现概率嵌入到最优解的寻优过程中,并由解的质量来自适应选择适宜的控制参数值,体现了面向不同优化问题的普适性。同时,利用非均匀变异算子对当前最优解的搜索步长进行自适应调节,进一步提高了算法的收敛精度。
步骤5、将步骤4获得的最优权阈值参数赋予BP神经网络,采用步骤2得到的训练集对具有最优权阈值参数的BP神经网络再次进行学习训练,得到自适应布谷鸟搜索神经网络诊断模型;其中,利用LM算法来完成学习训练。
步骤6、利用自适应布谷鸟搜索神经网络诊断模型对测试集进行故障诊断,输出水电机组故障的诊断结果,并将诊断结果与步骤1得到的输出样本进行比较,判断出水电机组的故障类型。
诊断实例:
根据所采集的水电机组振动故障的样本数据,利用自适应布谷鸟搜索神经网络(简记为ACSBP)进行故障诊断。实验时,种群规模设置为30,最大迭代次数设为200,系统参数为110,转换参数等于0.15,pamax=1,pamin=0.05。为了进行对比分析,BP神经网络、布谷鸟搜索神经网络模型(CSBP)同样被用于水电机组的故障诊断系统中。其中,CSBP和ACSBP模型的训练误差变化曲线如图2所示。此外,为了便于作图,将编码后的4种故障模式分别对应于1、2、3和4。对于所选择的28组测试样本,3种模型诊断结果的分布如图3所示。
从图2中可以看出,由于采用固定的步长和发现概率,CSBP模型具有较低的收敛精度以及较慢的收敛速度。而在迭代95次时,ACSBP的训练误差为2.15e-4。此外,根据图3中3种模型诊断结果的分布,ACSBP获得了最高的诊断精度,其正确率为89.29%,而CSBP和BP模型的诊断正确率分别为71.43%,67.86%。综上所述,ACSBP模型的诊断性能明显优于其它2种方法,从而验证了该模型的有效性。
Claims (6)
1.一种水电机组的故障诊断方法,其特征在于,具体按照如下步骤实施:
步骤1、收集水电机组多种故障模式所对应的振动信号,并对故障模式进行编码后作为输出样本;
步骤2、提取各振动信号所对应的特征值,并采用随机选取的方式将该特征值分为两组,分别作为BP神经网络的训练集和测试集;
步骤3、按照BP神经网络的输出误差最小原则来确定BP神经网络的拓扑结构;
步骤4、将BP神经网络的权阈值参数编码为自适应布谷鸟搜索算法的解向量,并将自适应布谷鸟搜索算法的步长因子和发现概率嵌入到解的搜索过程中,通过搜索得到自适应布谷鸟搜索算法的最优解,并将所述最优解作为BP神经网络的最优权阈值参数;
步骤5、将步骤4获得的最优权阈值参数赋予BP神经网络,采用步骤2得到的训练集对具有最优权阈值参数的BP神经网络再次进行学习训练,得到自适应布谷鸟搜索神经网络的诊断模型;
步骤6、利用自适应布谷鸟搜索神经网络诊断模型对测试集进行故障诊断,输出水电机组故障的诊断结果,并将诊断结果与步骤1得到的输出样本进行比较,判断出水电机组的故障类型。
2.如权利要求1所述的一种水电机组的故障诊断方法,其特征在于,步骤1中,所述故障模式包括转子不平衡、转子不对中、尾水管偏心涡带及无故障。
3.如权利要求1所述的一种水电机组的故障诊断方法,其特征在于,步骤2中,所述特征值选择振动信号频谱分量的幅值为:<0.5f0、f0、2f0、3f0、>3f0,其中,f0为基频。
4.如权利要求1所述的一种水电机组的故障诊断方法,其特征在于,步骤3中,所述输出误差E为:
式(1)中,N为训练集的样本数,yi为第i个样本的网络实际输出值,Oi为第i个样本的期望输出值。
5.如权利要求1所述的一种水电机组的故障诊断方法,其特征在于,步骤4具体包括如下步骤:
步骤4.1、初始化自适应布谷鸟搜索算法的参数;
所述自适应布谷鸟搜索算法的参数包括鸟巢个数N,步长因子α、发现概率pa,转换参数r1和r2,最大迭代次数kmax,系统参数b以及分布参数β;
步骤4.2、随机选取BP神经网络的故障诊断模型的权阈值参数,并将BP神经网络的权阈值参数编码为自适应布谷鸟搜索算法的解向量;
步骤4.3、初始化鸟巢位置并确定最佳适应度fmin和最佳的鸟巢位置即最优解xbest;
步骤4.4、判断当前的迭代次数k与最大迭代次数kmax的大小关系,若k≤kmax,则进行步骤4.5继续迭代,否则跳转至步骤4.9;
步骤4.5、生成步长因子,然后采用Levy飞行策略生成新的鸟巢位置即新解并评估新解的质量,若此解优于当前解则用
其中,步长因子按照如下规则生成:
式(2)中,k为当前迭代次数,r1为[0,1]之间的随机数;
Levy飞行策略的更新公式为:
式(3)中,xbest为当前最优解,是当前解,Levy(β)为基于Levy分布的随机搜索路径;
步骤4.6、对当前最优解进行非线性变异:
式(4)中,k为当前迭代次数,UB为鸟巢位置的上界,LB为鸟巢位置的下界,y=UB-xbest或y=xbest-LB,a为[0,1]之间的随机数;
步骤4.7、生成发现概率:
式(5)中,r2为[0,1]之间的随机数;
若随机数rand>pa,利用偏好随机游走策略再次生成新的鸟巢位置即新解若此解优于当前解则用
步骤4.8、确定最佳的适应度和最优解;执行k=k+1,并跳转至步骤4.4;
步骤4.9、将最优解作为BP神经网络的最优权阈值参数。
6.如权利要求5所述的一种水电机组的故障诊断方法,其特征在于,步骤4.7中,所述偏好随机游走策略的计算公式为:
式(6)中,c为[0,1]之间的一个随机数,和为解向量中2个不同于的随机解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810385094.7A CN108896330B (zh) | 2018-04-26 | 2018-04-26 | 一种水电机组的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810385094.7A CN108896330B (zh) | 2018-04-26 | 2018-04-26 | 一种水电机组的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108896330A true CN108896330A (zh) | 2018-11-27 |
CN108896330B CN108896330B (zh) | 2020-01-31 |
Family
ID=64342413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810385094.7A Expired - Fee Related CN108896330B (zh) | 2018-04-26 | 2018-04-26 | 一种水电机组的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108896330B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657647A (zh) * | 2019-01-09 | 2019-04-19 | 红河学院 | 一种基于信息融合技术的水电机组故障诊断方法 |
CN110261735A (zh) * | 2019-06-18 | 2019-09-20 | 西华大学 | 基于改进量子布谷鸟算法的配电网故障定位方法 |
CN117388643A (zh) * | 2023-12-11 | 2024-01-12 | 国网湖北省电力有限公司经济技术研究院 | 有源配电网故障区段的定位方法、系统、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5446829A (en) * | 1993-06-24 | 1995-08-29 | The United States Of America As Represented By The Department Of Health And Human Services | Artificial network for temporal sequence processing |
JP2001349788A (ja) * | 2000-06-12 | 2001-12-21 | Daisei Yagami | パルス光伝播時間計測装置 |
US20070284937A1 (en) * | 2006-06-13 | 2007-12-13 | Siemens Aktiengesellschaft | Brake system for a hybrid motor vehicle, method for maintaining the functionality thereof, and associated control device |
CN103808509A (zh) * | 2014-02-19 | 2014-05-21 | 华北电力大学(保定) | 一种基于人工智能算法的风机齿轮箱故障诊断方法 |
CN104092618A (zh) * | 2014-07-23 | 2014-10-08 | 湖北工业大学 | 一种基于杜鹃搜索算法的对等网络流量特征选择方法 |
CN104166691A (zh) * | 2014-07-29 | 2014-11-26 | 桂林电子科技大学 | 基于波形叠加布谷鸟优化的极限学习机分类方法 |
CN105004498A (zh) * | 2015-07-09 | 2015-10-28 | 西安理工大学 | 一种水电机组的振动故障诊断方法 |
CN106844826A (zh) * | 2016-12-02 | 2017-06-13 | 上海电机学院 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
CN107122869A (zh) * | 2017-05-11 | 2017-09-01 | 中国人民解放军装备学院 | 网络态势的分析方法和装置 |
CN107153869A (zh) * | 2017-03-29 | 2017-09-12 | 南昌大学 | 一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法 |
CN107222333A (zh) * | 2017-05-11 | 2017-09-29 | 中国民航大学 | 一种基于bp神经网络的网络节点安全态势评估方法 |
-
2018
- 2018-04-26 CN CN201810385094.7A patent/CN108896330B/zh not_active Expired - Fee Related
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5446829A (en) * | 1993-06-24 | 1995-08-29 | The United States Of America As Represented By The Department Of Health And Human Services | Artificial network for temporal sequence processing |
JP2001349788A (ja) * | 2000-06-12 | 2001-12-21 | Daisei Yagami | パルス光伝播時間計測装置 |
US20070284937A1 (en) * | 2006-06-13 | 2007-12-13 | Siemens Aktiengesellschaft | Brake system for a hybrid motor vehicle, method for maintaining the functionality thereof, and associated control device |
CN103808509A (zh) * | 2014-02-19 | 2014-05-21 | 华北电力大学(保定) | 一种基于人工智能算法的风机齿轮箱故障诊断方法 |
CN104092618A (zh) * | 2014-07-23 | 2014-10-08 | 湖北工业大学 | 一种基于杜鹃搜索算法的对等网络流量特征选择方法 |
CN104166691A (zh) * | 2014-07-29 | 2014-11-26 | 桂林电子科技大学 | 基于波形叠加布谷鸟优化的极限学习机分类方法 |
CN105004498A (zh) * | 2015-07-09 | 2015-10-28 | 西安理工大学 | 一种水电机组的振动故障诊断方法 |
CN106844826A (zh) * | 2016-12-02 | 2017-06-13 | 上海电机学院 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
CN107153869A (zh) * | 2017-03-29 | 2017-09-12 | 南昌大学 | 一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法 |
CN107122869A (zh) * | 2017-05-11 | 2017-09-01 | 中国人民解放军装备学院 | 网络态势的分析方法和装置 |
CN107222333A (zh) * | 2017-05-11 | 2017-09-29 | 中国民航大学 | 一种基于bp神经网络的网络节点安全态势评估方法 |
Non-Patent Citations (3)
Title |
---|
NAZRI MOHD NAWI 等: ""A New Levenberg Marquardt based Back Propagation Algorithm Trained with Cuckoo Search"", 《PROCEDIA TECHNOLOGY》 * |
田野岑: ""基于布谷鸟搜索算法的神经网络在抽油机故障诊断中的应用"", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
程加堂 等: ""应用ACSBP算法的轴承故障诊断"", 《机械传动》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657647A (zh) * | 2019-01-09 | 2019-04-19 | 红河学院 | 一种基于信息融合技术的水电机组故障诊断方法 |
CN110261735A (zh) * | 2019-06-18 | 2019-09-20 | 西华大学 | 基于改进量子布谷鸟算法的配电网故障定位方法 |
CN117388643A (zh) * | 2023-12-11 | 2024-01-12 | 国网湖北省电力有限公司经济技术研究院 | 有源配电网故障区段的定位方法、系统、设备及存储介质 |
CN117388643B (zh) * | 2023-12-11 | 2024-03-08 | 国网湖北省电力有限公司经济技术研究院 | 有源配电网故障区段的定位方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108896330B (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596212B (zh) | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 | |
CN108896330A (zh) | 一种水电机组的故障诊断方法 | |
CN110334580A (zh) | 基于集成增量的动态权重组合的设备故障分类方法 | |
CN110994604B (zh) | 基于lstm-dnn模型的电力系统暂态稳定评估方法 | |
CN108665112A (zh) | 基于改进粒子群优化Elman网络的光伏故障检测方法 | |
CN106447039A (zh) | 基于自编码神经网络的无监督特征提取方法 | |
CN102626557B (zh) | 基于ga-bp算法的分子蒸馏工艺参数优化方法 | |
CN109083887A (zh) | 一种基于aca-bp算法的挖掘机液压系统的故障诊断方法 | |
CN109163911A (zh) | 一种基于改进的蝙蝠算法优化elm的发动机燃油系统故障诊断方法 | |
CN108549962B (zh) | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 | |
CN108121215A (zh) | 基于全回路重构仿真的工业控制回路性能评价方法及装置 | |
CN104200096A (zh) | 基于微分进化算法和bp神经网络的避雷器均压环优化法 | |
CN112215279B (zh) | 一种基于免疫rbf神经网络的电网故障诊断方法 | |
CN110221580A (zh) | 一种基于主轴数据仿真的进给速度优化方法 | |
CN112564107A (zh) | 一种电力系统暂态稳定评估方法 | |
CN114492675A (zh) | 一种电容式电压互感器故障原因智能诊断方法 | |
Li et al. | Structure optimization for echo state network based on contribution | |
CN109164315A (zh) | 基于粒子群优化的kfcm及svm的电抗器故障诊断方法 | |
CN115345222A (zh) | 一种基于TimeGAN模型的故障分类方法 | |
CN115764870A (zh) | 基于自动化机器学习的多变量光伏发电功率预测方法与装置 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN112926620B (zh) | 一种变压器套管局部放电的缺陷类型识别方法及系统 | |
CN107016239A (zh) | 一种asca和rbf神经网络模型的汽轮机阀门流量特性分析方法 | |
CN113964884A (zh) | 基于深度强化学习的电网有功频率的调控方法 | |
CN109657647A (zh) | 一种基于信息融合技术的水电机组故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200131 Termination date: 20210426 |