基于ELM神经网络的采煤机故障诊断方法

根据采煤机的频繁出现的故障和发生的主要原因,采用ELM神经网络对采煤机的故障进行监测和诊断,将ELM神经网络的输入通过Matlab进行训练,最终理论输出结果与实际输出结果相一致,证明该方法有效、可行。     

基于广义回归神经网络的采煤机故障诊断的研究

针对采煤机故障征兆和故障的非线性对应关系,采用广义回归神经网络作为故障诊断的智能分类器。输入层为采煤机的故障特征参数,中间层为径向基神经元,感知待诊断故障向量与训练样本的相似度,输出层为故障模式分类。分析了广义回归神经网络的优越性和结构特征,建立了不同光滑因子和训练样本数目的采煤机故障诊断模型,并在MATLAB进行了仿真。     

基于BP神经网络技术的采煤机齿轮箱早期故障诊断

齿轮箱既是采煤机的核心部件,也是较容易出现故障的部件,一旦发生故障会导致严重的后果。因此,在齿轮箱出现问题的早期进行故障诊断具有重要意义。采用齿轮箱振动信号的5种特征指标作为BP神经网络的输入值,以齿轮箱的正常、齿轮磨损、齿面点蚀和齿根裂纹4种状态为神经网络的输出值,通过对BP神经网络进行训练和对故障类型进行编码,可以实现利用BP神经网络对齿轮箱早期缺陷的故障诊断。从实验仿真结果可知,诊断方法具有较高的准确率,为采煤机齿轮箱的早期故障诊断提供了新的研究思路。     

基于模糊神经网络的采煤机变频器故障诊断系统

为了能够准确地对采煤机变频器进行故障诊断,深入研究了模糊神经网络技术在采煤机变频器故障诊断中的应用。建立了模糊神经网络理论模型,并且对传统的算法进行了改进。设定了模糊神经网络的输入和输出向量,设计出了合理的采煤机变频器模糊神经网络的结构。利用MATLAB数学计算工具对模糊神经网络进行训练,并且进行实验验证,结果表明模糊神经网络能够有效地对采煤机变频器进行故障诊断。     

基于模糊专家系统的采煤机故障诊断研究

根据矿井设备故障频次调查,采煤机故障发生频次最高。为及时发现并排除故障,将protégé本体以及模糊控制理论引入到故障诊断系统中,对采煤机故障进行建模、推理和分析,最后输出故障诊断的最优结果,缩短排除故障时间,对采煤机故障诊断有一定的参考价值。     

基于RBF神经网络的连续采煤机故障诊断研究

为了能够提高连续采煤机故障诊断的效率和精度,深入地研究了基于改进遗传算法的RBF神经网络在其中的应用。分析了连续采煤机的主要故障类型;分别研究了RBF神经网络的基本原理和改进遗传算法的基本原理;进行了连续采煤机故障诊断的实例分析,仿真结果验证了该故障诊断技术的有效性。     

基于EMD能谱熵和概率神经网络的采煤机摇臂齿轮故障诊断

采煤机摇臂齿轮是采煤机故障高发区,对其进行故障诊断研究可提高摇臂可靠性,提高工效。结合摇臂工作特点,提出基于EMD能谱熵和概率神经网络的齿轮故障诊断方法,提取振动信号EMD分解的前9个IMF分量的能谱熵作为故障特征信息,并将其作为概率神经网络的输入向量进行齿轮故障的分类与识别。结果证明该方法可实现齿轮故障准确诊断,是一种有效的摇臂齿轮故障诊断方法。     

采煤机牵引变频器故障监测系统的设计

设计了一种采煤机牵引变频器故障监测系统,对采煤机牵引变频器故障监测系统的设计方案、温度监测电路、直流母线电压检测电路、交流输出电流检测电路、系统软件进行了介绍。实验结果证明了该故障检测系统的正确性和可行性。     

基于小波神经网络的采煤机摇臂故障诊断的研究

针对采煤机机械系统故障信号诊断的问题,在小波分析和神经网络的基础上,采用了一种基于小波神经网络诊断采煤机摇臂故障的方法。根据摇臂振动的信号通过小波分析检测出信号奇异点和突变情况,利用小波基函数作为小波神经网络的激励函数对故障信号做进一步的诊断,判断出故障特点和程度。结果证明此方法在故障诊断中的诊断准确率较高。     

基于卷积神经网络的采煤机故障分类与预测研究

利用卷积神经网络收敛速度快的特点,采集采煤机的运行状态参量并对此进行故障预测与分类研究。实验表明,故障分类准确率达到98.67%,在绝大多数采集时间点,模型的预测值与实际值基本没有误差,所以,设计的基于卷积神经网络的采煤机故障分类与预测模型有助于现场工作人员对故障进行分析与处理。     

小波包-BP神经网络在采煤机滚动轴承故障诊断中的应用

针对采煤机在正常工作中经常发生轴承故障的问题,提出了小波包和BP神经网络相结合的故障诊断系统。即运用小波包的分解方法提取检测信号的故障信息作为BP神经网络的输入样本,经过训练的神经网络可对采煤机上轴承的工作状态进行诊断和分类。试验结果表明,此方法对轴承的常见故障可进行有效的识别和诊断,方法简单可靠。     

采煤机关键零部件智能融合故障诊断方法与实现

针对当前采煤机故障诊断系统诊断技术落后、无法精准确定故障位置及诊断结果片面等问题,提出了传统参数诊断法与神经网络相融合的智能故障诊断方法。通过对采煤机实时状态参数进行分析,保证诊断的及时性,同时借助深度残差网络强大的特征提取能力对故障部位进行分析,细化诊断结果,快速确定故障位置。2种方法相互融合,全面提高了系统的诊断效果。通过实验验证,参数诊断法和深度残差网络的准确率分别达到了100%和99.7%。基于该方法开发了采煤机关键零部件智能融合故障诊断系统,实现了采煤机关键零部件的在线监测和故障诊断,提高了采煤机故障诊断的智能化程度。     

基于神经网络的采煤机系统故障预测与诊断研究

通过监测采煤机的实时工作状态参数,并利用神经网络在数据处理方面具有高度的并行性的特点,对采煤机系统的故障属性进行预测与诊断。结果表明,除在极少数时间节点外,采用该方法得到的预测值与实际值的误差都较小。因此,基于神经网络的方法,建立采煤机系统的故障预测与诊断模型,有利于提高故障的诊断效率,对现场施工具有一定的理论指导意义。     

基于LASSO-RBFNN的采煤机液压系统故障诊断研究

针对采煤机液压系统故障诊断精度不高的问题,提出一种套索（LASSO）算法与径向基函数神经网络（RBFNN）相结合的故障诊断模型。首先利用LASSO算法去除液压系统中冗余特征,筛选关键故障特征,减少模型过拟合风险;故障特征筛选后确定RBFNN拓扑结构,将采煤机液压系统故障数据输入模型中,进行故障诊断;最后将LASSO-RBFNN模型诊断结果与RBFNN模型和BP神经网络模型诊断结果进行对比。试验结果表明,该模型可用更短的网络训练时间得到较高的故障诊断精度。     

一种模糊神经网络的采煤机滚筒温度实时故障预警方法

针对综采工作面采煤机设备割煤过程中滚筒温度过高导致的电气故障的问题,基于模糊神经网络设计了一种故障预警方法。模糊逻辑能对故障症状与故障原因之间的模糊关系进行准确描述,对模糊性信息具有较强的表达能力,而神经网络则具有强大的学习和获取知识的能力,能够降低模糊逻辑依赖模糊规则的局限性,结合两者的优点,设计出了一种模糊逻辑的概率神经网络。为了提高该算法模块的实用性和准确性,通过对采煤机的滚筒温度进行采集与模糊化处理,然后利用.NET提供的机器学习库进行模型的比较和选择,训练出最优模型,实时的预测出设备状态。结果表明,通过该方法进行实时地监测滚筒温度能够提前诊断出采煤机即将发生跳电故障,因此,设计的故障预警方法可以应用于采煤机设备的故障预警分析与决策,降低综采设备的维护成本。     

基于小波分析和改进神经网络的采煤机截割部传动系统故障诊断

为了解决当前采煤机截割部传动系统故障诊断方法存在耗时长、误差大等问题,提出了基于小波分析和改进神经网络的采煤机截割部传动系统故障诊断方法。首先采集采煤机截割部传动系统故障数据,并采用小波分析对数据进行预处理,消除噪声的不利影响;然后提取故障特征并输入神经网络进行训练,采用粒子群算法优化神经网络的参数,从而建立采煤机截割部传动系统故障诊断模型。仿真实验结果表明,该方法提升了采煤机截割部传动系统故障诊断精度,大幅度减少了故障诊断时间,而且增强了抗噪声干扰能力。     

基于BP神经网络的采煤机摇臂异声故障诊断技术研究

通过检测摇臂的振动参数,采集数据信息,通过BP神经网络的处理方法,对采煤机摇臂故障部位进行预测和准确定位,提高摇臂异音问题的处理速度,增强采煤机运转的可靠性。     

基于BP神经网络的矿用设备安全监测系统设计

针对煤矿生产中故障率较高的提升设备、运输设备、采煤机常见问题进行汇总,并设定相关阈值为监测系统设计提供相关参数。采用串并联结合的方法建立矿用设备故障树,完成三级BP神经网络模型设计,输入采集的设备参数,输出故障设备位置;通过MATLAB进行BP神经网络模型训练,并对模型准确率通过损失函数进行测定,最后选取合适的神经元数量,使准确率达到95.1%,证明了监测系统模型的准确性。     

采煤机牵引部故障诊断智能专家系统

牵引部是采煤机主要部件,如果发生故障将会影响采煤机的工作,严重影响出煤量。通过对采煤机牵引部常见故障及其原因进行分析,BP神经网络为内核,以VC++6.0作为编程平台,建立采煤机牵引部故障诊断的专家系统。利用该系统可确定采煤机牵引部的运行状态、降低故障率、提高生产率和使用寿命。     

基于BP神经网络的煤矿风机故障诊断

针对目前矿用风机的常见故障可收集故障征兆及类型,将故障样本数据与BP神经网络相结合,由BP神经网络确定输出向量,对风机常见故障进行诊断。通过MATLAB软件进行诊断参数运算后结果表明:神经网络输出与实际数据间误差较小,诊断结果与实际情况吻合。