QAPSO-BP算法及其在水电机组振动故障诊断中的应用

发布时间：2021-08-07 20:59

　　针对水电机组振动故障耦合因素多、故障模式复杂等问题,提出了一种基于量子自适应粒子群优化BP神经网络（QAPSO-BP）的故障诊断模型。在QAPSO-BP算法中,利用量子计算中的叠加态特性和概率表达特性,增加了种群的多样性;根据各粒子的位置与速度信息,实现惯性因子的自适应调节;为避免陷入局部最优,在算法中加入变异操作;并以此来训练BP神经网络,实现网络的参数优化,进而构建了机组的振动故障诊断模型。仿真实例表明,与粒子群优化BP网络（PSO-BP）法和BP网络法相比,该算法具有较高的诊断准确度,适用于水电机组振动故障的模式识别。 

【文章来源】：振动与冲击. 2015,34(23)北大核心EICSCD

【文章页数】：6 页

【文章目录】：
1 PSO算法基本原理
2 量子自适应粒子群优化算法(QAPSO)
    2.1 量子编码
    2.2 状态评估
    2.3 参数自适应调节
    2.4 变异操作
    2.5 QAPSO-BP算法实现步骤
3 水电机组振动故障诊断
    3.1 水电机组的振动故障分析
    3.2 应用实例一
    3.3 应用实例二
4 结论


【参考文献】：
期刊论文
[1]基于多重分形谱和改进BP神经网络的水电机组振动故障诊断研究[J]. 郭鹏程,孙龙刚,李辉,罗兴锜.  水力发电学报. 2014(03)
[2]基于径向基多小波神经网络的水电机组故障诊断[J]. 卢娜,肖志怀,曾洪涛,符向前.  武汉大学学报(工学版). 2014(03)
[3]基于蚁群初始化小波网络的水电机组振动故障诊断[J]. 卢娜,肖志怀,符向前.  水力发电学报. 2014(02)
[4]量子粒子群模糊神经网络碳酸盐岩流体识别方法研究[J]. 刘立峰,孙赞东,韩剑发,赵海涛,能源.  地球物理学报. 2014(03)
[5]基于多分类相关向量机的水电机组振动故障诊断[J]. 易辉,梅磊,李丽娟,刘宇芳,袁宇浩.  中国电机工程学报. 2014(17)
[6]基于Levy-ABC优化SVM的水电机组故障诊断方法[J]. 肖剑,周建中,张孝远,李超顺,寇攀高,肖汉.  振动.测试与诊断. 2013(05)
[7]基于量子自适应粒子群优化径向基函数神经网络的网络流量预测[J]. 郭通,兰巨龙,李玉峰,江逸茗.  电子与信息学报. 2013(09)
[8]基于Choquet模糊积分的水电机组振动故障诊断[J]. 张彼德,田源,邹江平,刘秀峰,吴华丰,隆力.  振动与冲击. 2013(12)
[9]基于佳点集构造的改进量子粒子群优化算法[J]. 陈义雄,梁昔明,黄亚飞.  中南大学学报(自然科学版). 2013(04)
[10]基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测[J]. 陈道君,龚庆武,金朝意,张静,王定美.  电网技术. 2013(04)



本文编号：3328531