基于遗传算法优化BP神经网络的提升机制动系统故障诊断

针对提升机故障诊断系统的复杂性,利用浮点数编码的遗传算法优化BP神经网络的初始权值和阈值,再按BP算法沿负梯度方向进行网络学习直至收敛,构建起遗传算法优化BP神经网络的诊断方法。将此诊断方法应用于2JTP-1.2型提升机液压制动系统,诊断结果表明,该方法用于提升机液压制动系统常见故障诊断可行。     

基于BP神经网络的矿井提升机转矩控制系统

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。     

基于神经网络的提升机减速器工况预测研究

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。     

基于Windows CE的矿井提升机故障诊断专家系统设计

以ARM为平台开发了一套融合了状态机和神经网络的矿井提升机故障诊断专家系统,着重介绍了专家系统下的神经网络原理以及Windows CE操作系统下采集程序EVC编程的实现方法。系统具有监测提升机状态参数和数据处理等功能,能在状态机下完成一般故障报警,能根据BP神经网络对故障进行分类识别,并且提供了将数据传输到服务器大型故障诊断专家系统中的网络接口。     

基于BP神经网络的矿井提升机自适应PID控制器研究

传统矿井提升机的控制方法控制效率较低,难以实现动态控制。利用BP神经网络进行PID控制,将BP神经网络的学习能力、控制能力应用到系统控制中,能提升控制效率。介绍其控制原理与PID控制器的系统结构,并进行仿真分析,提出新的控制方法。     

基于灰色神经网络矿井提升机的故障诊断研究

矿井提升机是煤矿的重要设备,对其进行故障诊断是提高煤矿安全的主要手段,因此,将灰色神经网络应用于矿井提升机的故障诊断。分析了矿井提升机的常见故障;研究了灰色神经网络的理论模型,设计了基于灰色神经网络故障诊断的算法流程;进行了故障诊断仿真研究,仿真结果表明:灰色神经网络具有较高的故障诊断效率和精度。     

基于小波神经网络的煤矿提升机轴承故障诊断

轴承故障严重地影响设备的使用寿命、效率及安全性。以某型煤矿提升机轴承为研究对象,采集煤矿提升机轴承实时数据,基于小波神经网络建立煤矿提升机轴承故障诊断模型,运用MATLAB对煤矿提升机小波神经网络模型进行数值计算,对煤矿提升机轴承故障进行诊断。诊断结果表明,不同运行时间下,煤矿提升机轴承振动信号不同;基于小波神经网络可以精确、高效对煤矿提升机轴承故障进行诊断。该研究为煤矿提升机轴承故障诊断、维修等方面提供理论依据。     

基于遗传算法和BP神经网络岩爆预测

将BP神经网络与遗传算法相结合,使用遗传算法优化神经网络的权值和阈值,然后用BP算法训练网络,避免了单独使用BP神经网络训练时易于陷入局部极小值的问题,建立了一种新的岩爆预测模型。采集国内外具有代表性的一些岩爆案例作为BP训练样本,将样本数据经过多次迭代之后,达到指定误差停止训练,利用训练好的模型对某铜矿部分岩爆进行预测,预测结果与实际岩爆等级一致。     

模糊神经网络在矿井副井提升系统故障诊断中的应用研究

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。     

基于决策层的提升机减速器故障诊断方法研究

针对提升机减速器提出了一种决策层融合结构模型应用在齿轮故障诊断中。对各个传感器的信息进行神经网络属性判决,再将各神经网络的属性判决进行决策层融合,此种方法具有较强的灵活性,当传感器数目增加时,只需增加神经网络个数就可。对以上信息融合故障诊断方法经过试验研究,证明了方法应用在提升机减速器诊断系统中,减小了错判和漏判,提高了系统的可靠性,保证了提升机安全运行。     

模糊神经网络在提升机制动系统故障诊断中的应用

针对BP神经网络在提升机制动系统故障诊断中的局限性,如收敛速度慢和可靠性差等缺点,根据提升机制动系统的故障机理和特点,提出了一种基于遗传算法的模糊神经网络故障诊断方法。结合了神经网络和模糊逻辑的优点,在利用神经网络对提升机制动系统进行故障诊断的基础上,引入模糊逻辑的概念,采用模糊隶属函数来描述这些故障的程度,并利用遗传算法对网络的权值和阈值进行修正,加快了网络收敛的速度,克服了易陷入局部极小的问题。     

基于ARM-S3C2410的嵌入式矿井提升机制动监测系统研究

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。     

基于自适应神经网络的矿井提升机故障诊断

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。     

基于改进BP神经网络的煤体瓦斯渗透率预测模型

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。     

基于遗传BP神经网络模型的矿区开采沉陷预计

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。     

基于灰色理论和BP神经网络的多绳摩擦提升机钢丝绳张力不平衡预测

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。     

基于物联网的矿井提升机感知系统设计

为了实现对矿井提升机系统实时有效的监控和管理以及远程故障诊断功能,将传感器技术、射频技术、智能处理技术与工业以太网、无线传感网、互联网相结合,把物联网技术的应用领域扩展到矿井提升机系统,构建了提升机感知系统。在此基础上,从功能设计、硬件配置、软件设计以及系统安全等方面对提升机感知系统进行全面分析,最后将设计的矿井提升机感知系统应用于开滦集团东欢坨矿提升机系统中,并进行就地监控、远程监控、状态感知与故障诊断等试验,结果表明提升机系统的故障诊断能力与可靠性有了较大提高。     

粗糙集BP神经网络在高校贫困生认定中的应用

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。