基于声发射信号与BP神经网络的煤粉粒径识别研究

煤粉粒径的测量是燃煤电站一项重要的工作。针对目前筛分法存在的缺点,提出了一种结合声发射信号与BP神经网络在线识别煤粉粒径的方法。在频域中对噪声信号与煤粉声发射信号进行比较,确定了信号中反映煤粉粒径的频率区间,并利用小波包置零方法对信号进行去噪,在信噪比与信号平滑度方面比较了几种常用小波函数的去噪效果。通过功率谱分析发现了信号能量随煤粉粒径的变化特征。最后提取信号能量特征,利用BP神经网络对煤粉粒径进行识别。研究结果表明,结合声发射信号与BP神经网络识别煤粉粒径,可以获得良好的效果。     

基于振型差值曲率与神经网络的海洋平台结构损伤识别研究

利用神经网络进行复杂结构损伤识别时,会遇到网络规模过大以致难以收敛的问题。为此,提出了一种基于振型差值曲率与神经网络的结构损伤识别两步法。第一步,利用振型差值曲率得到损伤的大致区域。第二步,在第一步选定的区域内,利用BP神经网络确定损伤构件的准确位置。四层海洋平台数值模拟和实验结果验证了该方法的有效性。     

基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法

为实现风电机组齿轮箱及时有效地监测和维护,提出基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法。该方法针对齿轮裂纹振动信号为转速频率对啮合频率及其倍频调制的特点,利用小波包分解来识别振动信号中的故障特征,通过小波包频带能量监测得到故障部位的啮合频率范围;考虑到倒频谱可以分离和提取难以识别的密集调制信号的周期成分,基于倒频谱识别故障部位的转速频率,综合利用两种频谱分析方法得到的啮合频率和转速频率,能诊断故障部位和类型。实验研究表明,该方法能精确地诊断齿轮裂纹故障,并可以实现对风电机组齿轮在复杂环境中退化状态的监测,预防断齿等重大故障的发生。     

基于改进一维卷积神经网络的滚动轴承故障识别

滚动轴承的故障识别对于防止旋转机械系统故障恶化并保证其安全运行具有重要意义。针对现有智能诊断模型参数多、识别效率低的问题,提出一种基于改进一维卷积神经网络的滚动轴承故障识别(FRICNN–1D)方法。通过引入1×1卷积核增强一维卷积神经网络模型的非线性表达能力;并用全局平局池化层代替传统卷积神经(CNN)网络中的全连接层,以降低模型参数和计算量,且防止过拟合现象。试验结果表明,该方法可以准确识别滚动轴承不同故障状态,具有一定的工程实际应用潜力。     

基于核极限学习机的风电机组齿轮箱故障预警研究

风电机组运行环境恶劣、机组设备衰退是近年来齿轮箱故障频发的主要原因,其设备状态与机组安全性、运营成本息息相关。面对这一挑战,利用监控与数据采集系统数据,提出一种将保局投影、核极限学习机和信息熵相结合的风电机组齿轮箱故障预警方法。采用保局投影对风电机组状态参数进行特征提取后,使用核极限学习机建立状态参数预测模型,最后辅以改进的加入信息熵概念,可准确预警异常工况。以河北省张家口某一风电场的运行数据作为实例进行研究,仿真结果表明,所提算法至少能提前2天预警潜在故障,验证该预警方法的有效性与实效性。     

基于在线BP神经网络的制冷系统风机故障识别

本文介绍了一种基于神经网络在线学习的制冷系统风机故障识别方法。选取环境温度、蒸发温度、风机风量、压缩机负荷作为输入,以预测冷凝温度为输出,利用BP(Back Propagation,反向传播)神经网络对一台风冷冷水机组进行在线状态学习,并利用学习到的模型对冷水机组进行风机故障识别。将整个过程分为初始化,成长学习、成熟学习、暂停4个状态,介绍了每个状态的主要任务,及各状态如何过渡衔接。结果表明,该方法可以成功地应用在风冷冷水机组的在线实时控制中,对运行中风机的故障进行识别和报警。     

基于BP神经网络的油管螺纹识别

随着油田的开发，油管的使用量逐年增加，同时有大量油管报废。由于所处的条件不同，油管缺陷的出现及缺陷的特征也不尽一致。本文将就油管产生的缺陷的类别进行分类并应用BP神经网络对缺陷进行识别。     

基于RF和ANFIS算法的直驱风电机组故障预警

针对风电机组运行工况复杂和单一状态参数不能较好实现故障早期预警的特点,提出随机森林算法(RF)和自适应模糊神经网络算法(ANFIS)相结合的故障预警方法。该方法充分考虑机组运行数据高维非线性特点,应用随机森林算法,建立有功功率与运行参数的数据驱动模型,计算各运行参数影响有功功率的相关度;构建自适应网络模糊推理系统模型,以训练误差最大值作为故障预警阈值,实时监测发电机运行状态。将该方法应用于某1.5 MW直驱机组发电机故障预警分析,结果表明,该方法能够提前预警发电机健康状态,避免严重事故发生,对风电场开展预防性维护、维修具有重要的指导意义。     

风电机组塔筒模态的环境脉动实测与数值模拟研究

摘 要：基于随机振动及系统识别理论,对内蒙古京能乌兰伊利更风电场中三座风电机组塔筒进行了环境脉动实测,提出了 “桨叶—轮毂—机舱—塔筒”耦合的整体建模的方法,数值模拟与实测结果表明,风电机组塔筒可以有效地避免共振,满足GL规范的设计要求;塔筒主要振动形式为侧向弯曲振动、前后弯曲振动和扭转振动;塔筒一阶平动阻尼比为1.78%左右,一阶扭转阻尼比为0.6%左右。采用整体建模方法建立的模型与实测结果有较好的一致性,可以指导风力发电塔系统的风致动力响应分析和振动控制分析。     

风电机组的防雷技术

随着风电机组单机容量的不断增大,遭受雷击的问题越来越严重。从雷电的形成,破坏机理,破坏形式入手,对风电机组的防雷保护系统进行阐述分析。     

基于BP神经网络的吸运风机故障诊断

吸运风机是农业现代化生产机械联合收割机的重要组成设备.针对目前吸运风机经常出现的故障,收集了吸运风机故障征兆和其对应的故障类型.将故障样本数据和模糊神经网络相结合,并根据BP神经网络确定网络的输入和输出向量,对风机进行故障诊断,诊断结果与实际情况比较吻合.运用MATLAB实现神经网络故障诊断仿真,仿真结果表明诊断误差较小,输出向量与实际故障矩阵结果接近.     

贝叶斯算法BP神经网络缺陷量化研究

为克服传统BP神经网络中网络训练速度慢、量化精度低、数据过度拟合、容易陷入局部极小点等缺点,该文将贝叶斯算法引入BP神经网络用于基于漏磁检测的缺陷量化,有效地控制网络模型的复杂度,利用不同尺寸的缺陷特征量训练网络,从而实现对缺陷长度、宽度、深度的量化,节约网络的训练时间,提高量化精度。     

基于续尺度卷积网络的10 MW漂浮式风力机筋腱损伤识别EI北大核心CSCD

为提升复杂环境中漂浮式风力机平台筋腱结构隐性损伤识别率,基于卷积神经网络(convolutional neural network,CNN),提出连续多尺度卷积神经网络(continues-multi-scale convolutional neural network,CMS-CNN),建立“端到端”的损伤识别模型。为验证CMS-CNN方法的有效性,以10 MW漂浮式风力机为研究对象,对损伤位置、程度进行故障诊断,结果表明:连续多尺度模型比传统多尺度的诊断结果更佳;横荡加速度受环境载荷影响较小,基于此响应信号所训练的CMS-CNN诊断模型更可靠;CMS-CNN模型可在筋腱结构微弱损伤时实现精准定位,亦能完成结构隐性损伤程度识别。     

基于BP网络和遗传算法的枪架结构优化

为提高机枪的射击精度,需要对机枪枪架的结构参数进行优化设计。基于CAE软件的结构优化有其自身的局限性,所以提出了一种新的优化方法,即联合应用BP网络和遗传算法。本文以此为基础,根据机枪有限元模型,对枪架结构参数进行了优化设计,结果表明：BP网络和遗传算法相结合的方式可适用于多设计变量的枪架参数优化设计,为其它复杂结构的参数优化提供了新的思路。     

基于遗传BP神经网络反演楔体参数的研究

为了获得未知楔体的参数,建立了遗传算法和反向传播(Back Propagation,BP)神经网络结合的反演模型。仿真得到不同角度、密度、杨氏模量下楔体导波的频散曲线。采用反对称第一阶模态相速度数据作为遗传BP神经网络反演模型的输入变量;利用遗传算法改进BP神经网络获得优化的初始权值和阈值,并对BP神经网络进行训练;最后将实测的楔体一阶模态相速度代入训练好的网络进行参数反演。结果表明,通过该反演模型可同时反演出楔体的角度、密度、杨氏模量,并且较单一BP神经网络具有收敛速度快、精度高的优点。     

基于遗传神经网络的焊缝缺陷等级磁记忆定量化研究

针对金属磁记忆技术的焊缝缺陷等级定量化评定这一难题,通过对预制不同缺陷的Q345焊接试件进行疲劳试验,获得焊缝损伤演化临界状态的磁记忆信号特征规律.首次对照X射线定量检测标准和磁记忆检测结果,将焊缝损伤演化状态分为4个等级,即正常状态、应力集中、隐性损伤和宏观损伤.首次引入遗传算法优化的BP神经网络模型对焊缝等级进行磁记忆定量化评价.研究表明,遗传优化的BP网络模型与未优化的BP网络相比,预测结果更加稳定、误差更小,为工程实际中焊缝缺陷等级评定提供新的方法和依据.     

基于BP神经网络的枪弹外观缺陷识别与分类

为实现枪弹外观缺陷自动检测,提出一种基于BP神经网络的枪弹外观缺陷自动识别与分类方法.首先针对枪弹外观缺陷图像特点,从形状、颜色、纹理提取类别差异明显的缺陷特征向量,作为神经网络的输入,以提高分类效果;然后通过经验和实验验证确定神经网络结构及参数,并分析传统BP算法在枪弹外观缺陷分类应用中的不足,通过优化BP算法以提高网络分类性能.实验表明:优化BP算法能够有效分类枪弹外观缺陷测试样本,识别率达到92.1％,与传统BP算法相比,提高了收敛速度,并表现出较好的准确性和鲁棒性,能够更好满足枪弹外观缺陷自动检测要求.     

基于BP神经网络的导线脱冰跳跃高度预测模型

冰区导线脱冰振动会引起绝缘间隙减小,严重时甚至导致闪络和跳闸等电气事故.首先利用数值方法模拟得到各种参数条件下导线的脱冰动力响应,获得导线的最大脱冰跳跃高度.进而基于数值模拟结果和BP神经网络构建导线脱冰跳跃高度预测模型,将线路的导线分裂数、导线型号、档距、高差等结构参数以及初始应力、覆冰厚度和脱冰率等载荷参数作为输入...     

基于GMM工况辨识和DAE的风机齿轮箱状态监测

针对大型风电机组运行工况多变、数据量大的特点,提出一种将高斯混合模型(GMM)与深度自编码网络(DAE)相结合的风电机组齿轮箱状态监测方法.首先,基于GMM对风电机组运行工况进行辨识;然后,在各个子工况空间下,基于DAE建立正常运行状态下的齿轮箱油池温度模型,得到多工况阈值;最后,对DAE模型的重构误差进行分析,结合多...     

BP神经网络的火焰图像温度检测方法

基于炉膛火焰温度不同，与之相对应通过CCD摄取的炉膛火焰图像颜色也不同，提出了一种检测炉膛火焰温度的方法。将获取的炉膛火焰图像RGB模型转换为HSI颜色值，用H、S值作为BP神经网络输入，通过样本图像训练后，拟合H、S与温度T的非线性关系，计算得到炉膛火焰温度值。实验表明，计算温度与实际温度良好相符，温度测量方法切实可行。