共查询到18条相似文献,搜索用时 250 毫秒
1.
2.
《煤矿机械》2019,(11):176-178
矿井提升机是煤矿开采过程的咽喉,保障电机的可靠运转是保障矿井提升机正常工作的前提,对电机进行合理控制至关重要。对矿井提升机双馈电机的结构组成及工作原理进行分析,对直接转矩控制方式的系统结构进行研究,为了弥补只考虑转矩和磁链误差方向导致的问题,引入BP神经网络对双馈电机定子磁链的磁通量进行预测,以其误差大小作为判断PWM逆流器开关的依据。为了验证此方案的合理性,采用MATLAB对提升机的提升过程进行仿真,结果显示,在提升机的运转过程中,提升机的速度和转矩曲线大致与预期一致,定子磁链曲线接近圆形,说明基于BP神经网络的双馈电机直接转矩控制方案具有较好的鲁棒性。 相似文献
3.
针对传统监测方法无法实现提升机减速器工况预测的缺点,利用Matlab神经网络工具箱建立了提升机减速器工况参数的预测模型。对比模型预测值和实际测量值表明:BF和RBF神经网络模型预测结果和实际值的误差均小于10%,证明了神经网络模型用于减速器工况预测的可行性。对比BP和RBF神经网络预测结果,表明RBF神经网络模型训练时间短,预测精度高,更加适用于井下提升机减速器工况参数预测。 相似文献
4.
5.
6.
7.
8.
9.
首先把矿井副井提升机故障分类样本进行模糊化,将不可能出现、多余的故障样本剔除,并输入到训练好的BP神经网络里进行数据训练,然后利用MATLAB软件中的工具箱对矿井副井提升系统液压制动系统故障的具体实例进行仿真分析。仿真结果表明,模糊神经网络可以过滤掉多余信息,节省时间和空间,能够很好地对矿井副井提升系统的故障进行预测,提高了故障诊断的准确性和可靠性。 相似文献
10.
11.
12.
煤矿提升机在井下多尘、重油的工作环境下,极易出现制动失效,引发严重的安全事故。针对煤矿提升机的工作环境,提出了一种基于ARM-S3C2410控制器的嵌入式煤矿提升机制动监测系统。介绍了系统的软、硬件设计及故障分析方法-BP神经网络法。研究表明设计合理、能准确预测制动系统的失效风险。 相似文献
13.
矿井提升机是井下作业的重要运输设备,其运行状态对煤矿企业的安全生产具有关键作用。为了对矿井提升机故障进行实时监控,从而及时发现故障原因并采取措施,提出了一种基于自适应神经网络的矿井提升机故障诊断方法。首先对矿井提升机主轴系统结构及故障振动频率特征进行了分析,然后采用自适应神经网络算法对矿井提升机主轴故障诊断建立模型,实现对故障类型和故障程度的精确诊断,最后对所提出的模型进行了仿真测试。实验结果显示,该方法可以提供较高识别精度的故障诊断结果,为提升机的故障判断提供了参考依据。 相似文献
14.
分析总结了煤体渗透率的3个主要影响因素--有效应力、温度和瓦斯压力,并结合煤体的力学特性建立了一个预测煤层瓦斯渗透率的BP神经网络模型。根据不同有效应力、不同温度和不同瓦斯压力条件下大量具有代表性的煤样渗透率数据来建立学习样本,并对该模型的精度进行了检验。该BP神经网络经过11 986次学习后精度满足要求,训练后BP神经网络模型所得预测结果的最大绝对误差为0.049×10-15 m2,最大相对误差为4.298%。根据所建立的BP神经网络模型得到的预测值与实测值吻合较好。 相似文献
15.
基于遗传BP神经网络模型的矿区开采沉陷预计 总被引:1,自引:0,他引:1
为解决常规方法监测矿区开采沉陷的可控性、可操作性差及精度低等问题,采用BP神经网络模型拟合矿区高程值对开采沉陷进行预计是一种有效方法。但传统BP神经网络模型为反向传播算法,在训练时需多次试算方可确定神经网络系统的连接权值和阈值,具有易陷入局部最小值、收敛慢等不足。为此,采用遗传算法(Genetic algorithm,GA)对BP神经网络模型参数进行优化以提高其泛化能力,构建了遗传BP神经网络模型(GA-BP)。以某矿区首采工作面地表25个已进行了三等水准联测的高程监测点数据作为遗传BP神经网络模型(GA-BP)的训练样本(15个监测点数据)和测试样本(其余10个监测点数据),分别采用BP神经网络模型、二次曲面拟合等方法与其进行试验对比,结果显示:遗传BP神经网络模型(GA-BP)具有更高的内、外符合精度及更小的残差,表明该方法有助于实现对矿区开采沉陷的高精度预计。 相似文献
16.
对多绳摩擦提升机钢丝绳张力不平衡进行预测和预警,既有利于保证生产安全,又能节约成本,合理安排生产计划。提出了新陈代谢GM(1,1)灰色模型和BP神经网络相结合的混合模型,对钢丝绳张力不平衡程度进行预测。试验结果证明了该模型的有效性,为钢丝绳张力不平衡预测研究提供参考依据。 相似文献
17.
18.
研究高校贫困生的认定问题,构建了基于粗糙集的BP神经网络模型。该模型首先应用基于Pawlak属性重要度的属性约简算法得到认定学生贫困的重要属性,降低决策表的维数,然后将降维后的数据送入BP神经网络进行学习和训练,最后采用训练好的的网络对测试样本进行检验。 相似文献