BP神经网络在矿井通风机故障诊断中的应用

通过对矿井通风机常见故障的分析,建立了基于BP神经网络的矿井通风机故障诊断模型,并应用MATLAB7.0实现了对通风机不同故障状态的识别。实例诊断结果表明,该方法能可靠地实现通风机的故障诊断,具有简单、快捷的特点,为非线性系统的控制提供了一种新方法。     

人工神经网络在离心式通风机故障诊断中的应用

通过对已采集的通风机振动信号分析和整理,提出了应用人工神经网络对其进行故障诊断,以G4-73-11离心式矿用通风机为研究对象,用小波包分解技术提取其振动信号的能量特征作为特征向量,建立了神经网络模型,并应用此网络对一矿用通风机G4-73-11No28D进行故障诊断,结果表明,此网络可作为智能分类器对离心式通风机的常见故障进行识别和诊断。     

基于BP神经网络的矿井通风机故障诊断系统

提出基于三层BP神经网络的诊断模型,提取反映矿井通风机故障信息的振动信号频谱特征,用来训练神经网络。实测证明矿井通风机故障诊断系统高效、准确,可以推广应用。     

基于遗传神经网络的矿井通风机故障诊断研究

为了提高矿井通风机机械故障诊断的准确性,提出了一种基于遗传神经网络的矿井通风机故障诊断模型。利用BP神经网络的自学习、自适应、强容错性,并通过遗传算法优化BP神经网络的连接权重和阈值。弱化了故障诊断中的人为因素,提高了评价结果的准确性和权威性。仿真结果表明,该诊断方法具有准确度高、诊断速度快等优点,是一种实用的故障诊断方法。     

基于小波神经网络的矿用主通风机故障诊断研究

通过小波包分析对通风机转子的振动信号降噪分解,提取各频带重构信号的能量作为故障特征向量,并以此当做BP神经网络的训练样本和测试样本,进行网络训练和故障模式识别。以MATLAB为平台,测试了网络对通风机常见故障类型的识别验证率,结果表明方法可行有效,有较高精度,为旋转设备故障诊断提供了新的思路。     

煤矿主要通风机振动故障诊断技术应用

在分析通风机振动故障原因及常见故障振动特征的基础上,针对现场通风机振动较大的问题.对其进行了振动测试与分析,诊断出该通风机存在的故障.实践证明通过振动测试可检测通风机工作状态,应用振动分析方法可准确诊断出通风机的常见故障.     

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。     

基于证据理论混合算法的煤矿通风机故障诊断

为了提高煤矿通风机故障诊断的准确性,提出了基于证据理论的混合诊断算法。即先用灰色建模方法实现故障特征量的累加处理,以增强数据的规律性。然后,采用2个并联的灰色BP网络进行故障局部诊断,获得彼此独立的证据。最后,再用证据理论融合算法对各证据进行融合,最终实现通风机的故障诊断。实例结果表明,该方法可有效提高诊断的可信度。     

基于粒子群优化RBF神经网络的煤矿通风机故障诊断

为了提高煤矿通风机故障诊断的准确性,采用了一种粒子群优化RBF神经网络的方法。利用粒子群容易实现等特点,对RBF网络的中心、宽度以及连接权重进行优化,并用优化好的神经网络对通风机进行故障诊断。仿真结果表明,该方法具有较好的分类效果,适用于通风机的故障诊断,是一种实用的故障诊断方法。     

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。     

基于蚁群算法和BP神经网络的矿井通风机故障诊断

采用蚁群算法代替BP算法来训练神经网络的权值和阈值,通过比较2种算法的训练结果,基于蚁群优化的神经网络具有较快的收敛速度,而且能够克服BP算法易于陷入局部最优解的缺陷。采用蚁群算法训练后的神经网络对矿井通风机进行了故障诊断,实验结果表明,该方法是一种有效的故障诊断方法,具有较好的故障诊断效果。     

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。     

基于神经网络的采煤机变频器故障诊断

针对采煤机变频器ACS800的常见故障进行分析,指出导致变频器故障的主要原因,利用RBF神经网络的诊断技术对其内部进行诊断,运用小波技术对输入信号进行处理,从而可进一步提高变频器的安全率,并为其实际维修提供参考。     

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。     

BP神经网络在振动筛故障诊断中的应用

按BP神经网络的基本原理和算法,确定了振动筛的BP神经网络结构,用振动筛运行状态的特征量作为BP神经网络的输入,运用Matlab神经网络工具箱对该网络进行训练,得到了用于诊断的BP神经网络模型。实验结果表明,运用神经网络方法能较为准确诊断振动筛故障。