基于PLC的连铸火切机应用设计

介绍了在结合连铸机生产过程控制及其要求的基础上,在PLC系统控制下,采用火切机切割和非接触式图像定尺控制技术相结合,实现了连铸机定尺切割的全自动的设计.该设计在实际生产中效果良好,满足生产要求.     

灰色神经网络在变压器故障诊断中的应用

针对变压器故障类型受油中溶解多种气体含量的影响,为提高变压器故障诊断的准确性,笔者使用灰色神经网络建立故障诊断模型,拟合输入与输出之间的复杂非线性函数关系,结果证明了该方法的可行性。     

一种自适应CS算法及其在风电齿轮箱故障诊断中的应用

针对布谷鸟搜索(CS)算法易出现早熟收敛以及风电机组齿轮箱的故障模式难以有效识别等问题,提出一种基于自适应CS算法的BP神经网络(SaCS-BP)智能诊断技术。通过构建SaCS算法,实现了步长和发现概率的自适应调整,并采用一组基准函数测试了该算法的有效性;将SaCS与BP神经网络进行融合,构建了风电齿轮箱的故障诊断模型。结果表明,SaCS算法具有较佳的寻优精度和普适性。此外,与BP神经网络以及布谷鸟搜索算法优化BP网络(CS-BP)相比,SaCS-BP算法获得了最高的诊断准确度,从而实现了风电齿轮箱故障模式的有效识别。     

绝缘子等值附盐密度的预测

等值附盐密度是确定污秽等级和绘制电网污区分布图的主要依据,而气象因子对绝缘子的等值附盐密度(ESDD)影响复杂,难以建立精确的数学模型来表述二者间的关系。结合灰色模型和神经网络模型在反映数据序列变化趋势性上的明显效果,采用带神经网络补偿器的灰色神经网络模型来预测绝缘子在一定气象因子条件下的等值附盐密度,拟合输入与输出之间的复杂非线性函数关系。结果表明该模型有较高的预测精度,优于单纯的灰色神经网络模型,具有一定的理论价值和实际应用价值。     

基于蚁群神经网络的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确性,将蚁群算法与神经网络相结合,根据轴承故障产生的机理,建立其BP神经网络的诊断模型,以网络的误差为目标函数,通过蚁群算法进行BP网络的权值优化,并用优化好的BP网络进行故障诊断。仿真结果表明,该方法具有较高的故障诊断准确度,具有较强的实用性。     

蚁群算法融合BP神经网络的齿轮故障模式识别

为了提高齿轮故障诊断的准确性,引入了一种蚁群算法融合BP神经网络的方法。根据齿轮的故障特征量,建立其神经网络的故障诊断模型。以网络的权值和阈值为自变量,通过蚁群算法的迭代运算,搜索出误差全局最小值,再进行网络的二次学习训练,最终实现对齿轮的故障诊断。实例仿真结果表明,该方法具有较高的故障诊断精度,可减少诊断的不确定性。     

基于粒子群混合算法的风力发电机齿轮箱故障诊断

针对传统方法在风力发电机齿轮箱故障诊断中存在精度不高的问题,引入了一种改进粒子群算法优化神经网络的方法。该算法的惯性权重可进行自适应调整,以平衡全局和局部搜索能力。同时,收缩因子可加快算法的收敛速度,以更快收敛到全局最优。仿真结果表明,该方法能较好地识别故障模式,具有一定的实用性。     

基于QPSO-BP和改进D-S的水电机组振动故障诊断

为提高水电机组振动故障诊断的准确性,提出了一种基于改进D-S证据理论融合量子粒子群优化BP神经网络(QPSO-BP)的诊断方法。根据水电机组常见的振动故障类型,采用3个惯性权值随机调整的QPSO-BP网络分别对其进行初级诊断,并作为独立证据体应用于D-S理论的合成之中,实现了基本概率赋值的客观化。针对标准D-S无法合成高度冲突证据的缺陷,通过计算权值矩阵对其进行修正。实例分析表明,和3个初级诊断模型及标准D-S合成法相比,所提方法可以有效识别机组的振动故障,具有较高的诊断准确率。     

基于证据理论的齿轮故障诊断

针对传统方法在齿轮故障诊断中可靠性不高的问题,提出了基于证据理论的混合诊断算法.根据齿轮故障特征向量,采用两个并行的BP神经网络进行局部故障诊断,获得彼此独立的证据.再用证据理论对各证据进行融合,最终实现对齿轮的故障诊断.实例结果表明,该方法可充分利用各种故障的冗余和互补信息,有效地提高诊断的可信度.     

基于多源信息融合的异步电机故障诊断

针对异步电机的单一故障诊断模型易出现错判、误判问题,引入了1种基于改进证据理论的多源信息融合方法。通过采用蚁群神经网络、BP网络以及Elman网络分别作为电机故障诊断的初级模块,并将其输出结果作为证据理论的独立证据体,再由改进证据理论进行信息融合决策。仿真实例表明,该方法可充分利用不同数据源的冗余互补信息,具有更高的诊断准确性。