用小波网络法预测提升机故障趋势

采用小波网络方法,通过对矿井提升机钢丝绳磨损度、空动时间、衬垫磨损寿命、闸瓦间隙、残压和制动盘偏摆度等关键特征参数的时间序列预测,实现了特征参数的故障预报。仿真和实验结果表明,预报精度满足要求,对保证矿井提升机安全和高效运行具有重要意义。     

基于小波神经网络的钢丝绳磨损趋势预测研究

针对非线性预测问题,提出了小波神经网络算法,建立了小波神经网络的趋势预测模型,通过对钢丝绳磨损度的时间序列预测,实现了故障预报。实践表明：小波网络具有更快的收敛速度和更高的预报精度,仿真结果与实测数据相比最大相对误差为4.23%,预报精度满足要求。     

小波神经网络在炼铜转炉炉渣重量和成分预报中的应用

小波分析是一种新的信号处理技术,具有良好的时频局部化特征。为了克服BP网络自身算法的缺陷,得到更高的学习精度和更快的收敛速率,使用小波包分析的特征提取及神经网络的非线性映射特性,构造了小波神经网络,以此为基础开发出的软件系统具有使用的特征量少,建造预报系统较为简单等优点。将之应用于炼铜转炉炉渣重量及成分预报,该模型完全能够较准确地预报出渣量和成分。其平均拟合误差为1．5％,平均预报误差为3．1％。     

多传感器自燃火灾预测预报监控分站的研制

介绍了一种新型的基于多传感器数据融合技术的自燃火灾预测预报监控分站,该分站利用多传感器阵从现场采集多组自燃特征参数并通过独立的数据处理模块进行数据融合处理,可靠地实现了井下自燃火灾的实时监测。实验结果表明,研制的分站具有良好的自燃火灾预测预报监测能力。     

遗传小波网络预报模型在矿压中应用

提出了一种遗传小波网络（ＧＷＡ）预报模型。成功地将遗传算法、小波分析和人工神经元网络理论结合起来，不仅克服了传统的人工神经元网络模型算法不完备易陷入局部极小的缺点，而且克服了传统神经元网络鲁棒性不好、网络性能差及学习过程收敛速度慢的弱点。将其应用于矿压预报，得到了比传统神经网络模型更优的效果。实践表明：该模型在预报领域具有广阔的应用前景。     

一种基于BP算法学习的小波神经网络

为发展Szu的基于信号表示的小波神经网络,提出一种多输入多输出的小波网络模型,网络隐层采用框架小波函数、输出层采用Sigmoid激励函数,并选用"熵误差函数"以加速网络的学习速度。奇偶判别和混沌时间序列预测例子的实验结果表明了它具有良好的函数逼近能力和推广能力,收敛速度和均方误差均优于相同结构的多层感知器模型。     

基于卷积型小波包能量矩的机械故障提取

故障特征参数的准确提取是故障诊断的一个关键性问题.提出了一个基于卷积型小波包能量矩的特征提取方法.相比传统的小波包能量特征提取方法,基于卷积型小波包能量矩的特征提取方法能更有效地提取信号在各频带上的能量分布特征.仿真和实验验证了利用小波包能量矩进行故障诊断是一个有效的方法.     

小波网络模型在渗流量预测中的应用

将小波理论与神经网络理论相结合,建立了小波网络模型,并应用于工程实例。它避免了BP神经网络结构设计的盲目性和局部最优等非线性优化问题,大大简化了训练,具有较强的函数学习能力和推广能力。实例计算结果表明,小波网络模型具有比BP神经网络收敛速度快、预测精度高等特点,因而具有广阔的应用前景。     

基于无线传感器网络的煤层自燃火源定位监测

为了实现采空区自燃火源定位监测,基于无线传感器网络(WSN)技术,提出一种煤炭自燃预测预报监测系统的总体设计,在该系统中无线传感器按照一定的网络的拓扑控制机制和火源定位机制,高精度在线实时测量煤炭自燃隐患区点及其附近的温度等自燃特征参数以实现煤层自燃火源定位.对比试验表明,该系统控制方便、工作稳定,能实现可靠的无线数据传输,而且可以较准确地判定煤层自燃隐患发展程度及其范围,对安全防治煤层自燃有很好的指导作用.     

基于卷积型小波包能量矩的机械故障特征提取

故障特征参数的准确提取是故障诊断的一个关键性问题。提出了一种基于卷积型小波包能量矩的特征提取方法。相比传统的小波包能量特征提取方法,基于卷积型小波包能量矩的特征提取方法能更有效地提取信号在各频带上的能量分布特征。仿真和实验验证了利用小波包能量矩进行故障诊断是一个有效的方法。     

基于小波-神经网络的矿用通风机故障诊断研究

运用小波包频道能量分解技术提取了不同频带反映矿用通风机不同工作状态的特征向量，以此作为BP神经网络的故障样本，经训练的网络作为故障智能分类器可对通风机的工作状态进行自动识别和诊断．研究结果表明，小波包与神经网络相融合的故障诊断与识别技术发挥了两者的优点，是提取机械故障特征进行设备状态自动识别的有效方法．     

基于Elman神经网络矿用通风机故障诊断的研究

介绍了一种基于Elman神经网络的通风机故障诊断的诊断原理,学习算法以及技术路线。通过对现场信号特征数据的采集以及归一化处理,对Elman神经网络选取最优的结构与参数,实现了煤矿主通风机故障类型的智能分类与诊断。与传统BP神经网络诊断结果相比较,Elman神经网络综合诊断性能更优。最后通过风机的故障诊断实例表明:Elman神经网络在提高学习速度上有了很大的改进,并且有效地抑制了传统神经网络容易陷于局部极小的缺陷,缩短了自主学习的时间,是风机故障诊断的有效方法。     

基于BP神经网络和模糊控制的智能通风系统设计

针对传统的井下局部通风机恒速运行及浪费电能的缺陷,提出了一种基于BP神经网络和模糊控制的智能通风系统。将井下瓦斯浓度、温度、湿度及煤尘等参数输入到BP神经网络模型中,对井下风量进行预测,通过当前风量与预测风量的对比,运用模糊控制算法对变频器电压进行调节,从而实现对变频器输出频率的控制,有效降低了局部通风机的耗电量,对煤矿安全生产具有重要的现实意义。     

基于小波遗传神经网络的大型直线振动筛故障诊断

以大型直线振动筛侧帮裂纹为研究对象,利用小波分析对振动信号进行降噪处理和故障特征提取,设计系统故障诊断的BP神经网络,并用遗传算法对网络结构、参数和学习规则进行优化。通过样本训练和测试,这种小波遗传神经网络具有较高的故障识别能力、分类精度和速度。     

基于小波包分析的机械故障特征提取方法研究

研究了一种基于小波包分析与信号能量分解的故障特征提取方法 ,运用这种方法提取了一风机轴不对中故障特征向量 ,为神经网络故障诊断提供了新的故障样本。实验结果表明这种方法比基于Fourier变换的故障特征提取方法更有效 ,很适合于机械故障诊断     

基于人工智能的矿井主通风机建模研究

矿井主通风机风量、风速等参数与瓦斯浓度及其它工况密切相关,参数复杂,建立其非线性数学模型比较困难,传统的辨识方法无法精确描述模型特性,文章将神经网络和模糊系统应用于矿井主通风机的模型辨识。神经网络辨识采用了一种基于径向基(RBF)的神经网络、模糊辨识采用了一种基于三角形隶属函数的T—S模糊模型。仿真结果表明,这两种方法可以同时满足对辨识精度、收敛速度、稳定性和跟踪能力的要求。     

基于小波包-人工神经网络在矿井通风机故障诊断中的应用

通过对已采集的矿井通风机振动信号的处理,提出应用小波包-人工神经网络对其进行故障诊断与监测。以G4-73-11No25D离心式通风机为研究对象,利用小波包提取振动信号的能量特征作为特征向量,并利用L-M算法对BP网络进行改进,建立了神经网络模型。经实际验证,该方法能够准确、快速地对通风机的故障进行诊断和监测。     

基于BP神经网络的矿用通风机运行状态监测及报警系统研究

通风机的特殊性决定了煤矿中要求设备连续24 h工作,对其运行稳定性提出了非常高的要求。以煤矿中的FBCDZ-10-No36轴流式通风机为对象,采用BP神经网络,构建了通风机运行状态监测及报警系统。系统主要由通风机现场硬件、上位机软件以及工业以太网3大部分构成。系统利用振动加速度传感器对关键位置的振动状态信息进行采集,然后提取特征参量,基于训练好的BP神经网络结构对振动特征参量进行分析,获得通风机的故障类型。系统检测到故障问题后可以向外发出警报。将设计的系统部署到通风机工程实践中,经现场测试运行,发现各项功能都能够实现,通风机故障率大幅度降低,取得了很好的效果。