制造业自动化
製造業自動化
제조업자동화
MANUFACTURING AUTOMATION
2015年
10期
82-85,109
,共5页
变压器%故障诊断%BP神经网络%粒子群算法
變壓器%故障診斷%BP神經網絡%粒子群算法
변압기%고장진단%BP신경망락%입자군산법
变压器故障诊断是非线性模式识别过程，单一的BP（Back Propagation）神经网络收敛速度慢、容易陷入局部最小值，提出用改进粒子群算法（Particle Swarm Optimization，缩写为PSO）进行优化。使神经网络的学习速率动态减小，保证前期充分搜索，后期网络稳定；动态调整PSO的惯性权重和学习因子适应不同阶段的搜索要求，同时引入变异思想，重新初始化某些变量跳出局部最小值。绝缘油中5种特征气体为判断依据，划分高能放电、低能放电、高温过热、中低温过热四种故障，运用新改进的算法建立故障诊断模型，100多个样本进行实际故障诊断，准确率达到83%以上。结果表明，改进PSO-BP更加准确、可靠。
變壓器故障診斷是非線性模式識彆過程，單一的BP（Back Propagation）神經網絡收斂速度慢、容易陷入跼部最小值，提齣用改進粒子群算法（Particle Swarm Optimization，縮寫為PSO）進行優化。使神經網絡的學習速率動態減小，保證前期充分搜索，後期網絡穩定；動態調整PSO的慣性權重和學習因子適應不同階段的搜索要求，同時引入變異思想，重新初始化某些變量跳齣跼部最小值。絕緣油中5種特徵氣體為判斷依據，劃分高能放電、低能放電、高溫過熱、中低溫過熱四種故障，運用新改進的算法建立故障診斷模型，100多箇樣本進行實際故障診斷，準確率達到83%以上。結果錶明，改進PSO-BP更加準確、可靠。
변압기고장진단시비선성모식식별과정，단일적BP（Back Propagation）신경망락수렴속도만、용역함입국부최소치，제출용개진입자군산법（Particle Swarm Optimization，축사위PSO）진행우화。사신경망락적학습속솔동태감소，보증전기충분수색，후기망락은정；동태조정PSO적관성권중화학습인자괄응불동계단적수색요구，동시인입변이사상，중신초시화모사변량도출국부최소치。절연유중5충특정기체위판단의거，화분고능방전、저능방전、고온과열、중저온과열사충고장，운용신개진적산법건립고장진단모형，100다개양본진행실제고장진단，준학솔체도83%이상。결과표명，개진PSO-BP경가준학、가고。
