PLC在两段式燥气发生炉控制系统中的应用

微机化控制应用系统优越于传统自控元件(继电器)组成的逻辑控制系统.阜新煤气公司两段式煤气发生炉控制系统的微机化改造,为现代化企业生产的增产提效提供了必由之路.     

基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态,实现对电机故障模式的自动识别和准确诊断,将数据融合技术与神经网络相结合,建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理,然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断,获得彼此独立的证据,再运用DS(DempserShafer)证据理论融合算法对各证据进行融合,最终实现对电机故障的准确诊断。诊断测试试验证明,该诊断系统提高了电机故障诊断的精度,能够满足诊断的实时性要求。     

基于信息融合技术的电机故障诊断

为了能够从多方面反映电机系统状态,实现对电机故障模式的自动识别与准确诊断,将信息融合技术与神经网络相结合,建立电机故障诊断系统。在数据融合级上,将故障特征量进行分类处理,然后,采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,再运用DempserShafer(D-S)证据理论融合算法对各证据进行融合,最终,实现对电机故障的准确诊断。诊断测试试验证明:该诊断系统提高了电机故障诊断的精度,并能满足诊断的实时性要求。     

基于自适应PID控制算法的煤矿通风系统控制

煤矿通风系统是煤矿生产系统的重要组成部分,只有其正常而高效地运行,才能确保煤矿安全生产。为了节能降耗,改善通风电机的运行性能和提高通风系统利用率,利用神经网络控制非线性控制系统时具有自适应性与鲁棒性的特点,提出将神经网络PID控制算法应用于煤矿通风控制系统中,通过PID控制器参数的在线自动调整,实现通风电机的高品质变频调速,使矿井风压稳定。     

基于模糊神经网络的信息融合方法在矿井供风系统中的应用

针对矿井瓦斯事故频发，矿井供风系统急需改进的实际情况，将多传感器信息融合方法及PLC应用于矿井通风系统中，以实现对原系统的改造.利用各类传感器采集的信号进行同类传感器本身的一次数据融合处理后，再对异类传感器进行二次数据融合，从而评判出此时矿井所处的安全等级，对风机的给风量进行控制.实验表明，该控制方法具有良好的控制效果.     

基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态，实现对电机故障模式的自动识别和准确诊断，将数据融合技术与神经网络相结合，建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理，然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断，获得彼此独立的证据，再运用D-S（Dempser sha-fer）证据理论融合算法对各证据进行融合，最终实现对电机故障的准确诊断。诊断测试试验证明，该诊断系统提高了电机故障诊断的精度，能够满足诊断的实时性要求。     

基于单神经元控制器的异步电动机矢量控制

文中提出了采用单神经元智能控制器代替传统PID控制器以改善异步电动机矢量控制的性能。在分析单神经元控制器结构与控制原理的基础上，为了提高单神经元控制器的学习能力与自适应性，将无监督的Hebb学习规则与有监督的Delta学习规则相结合，运用改进的学习与控制算法，实现单神经元控制器的参数优化与在线自动调整。采用Matlab软件建立单神经元控制器与异步电动机矢量控制模型，进行仿真研究；并将单神经元控制器的控制软件应用于异步电动机矢量系统，进行实验研究。仿真与实验结果表明，单神经元控制器可以改善异步电动机矢量控制的性能，具有较强的自适应性与鲁棒性。     

基于神经网络与证据理论的煤矿通风机故障诊断

为了能够从多方面反映煤矿通风机系统状态,实现对故障模式的自动识别与准确诊断,将数据融合技术与神经网络相结合,建立通风机故障诊断系统。采用并行神经网络进行局部诊断,获得彼此独立的证据,再运用D-S证据理论融合算法对各证据进行融合,实现对通风电机故障的准确诊断。     

基于单神经元控制器的异步电动机矢量控制

针对PID控制在提高异步电动机调速性能存在的瓶颈问题,本文提出了一种基于单神经元控制器的异步电动机的矢量控制方法。在分析单神经元控制器基本工作原理的基础上,采用梯度下降法与变步长法相结合的控制算法,并利用MATLAB软件建立神经元控制器与异步电动机调速系统的仿真模型,在计算机上进行了仿真和在笼型异步电动机上进行了应用实验。仿真与实验表明,单神经元控制器具有良好的自适应能力,可以改善调速系统的动态与静态性能,提高异步电动机跟踪能力,具有工程应用价值。     

信息融合在煤层自然发火预测系统中的应用研究

采用多传感器对煤自然发火的指标气体和参量进行监测,以80C196KC单片机作为中央处理器。该系统利用信息融合技术对各种参量信息进行融合运算和决策,实现煤层自然发火的早期预测预报。