煤泥浮选中I-ELM的应用

煤泥浮选过程中,对浮选尾矿成分进行测量、控制,可以有效地浮选出合格的煤产品且有利于节能减排。提出将增加型极限学习机(I-ELM)应用于煤泥水成分的识别中。通过CCD相机及其配套PLC软件系统得到灰度直方图,基于灰度直方图提取灰度特征,将灰度特征作为输入向量,煤泥水灰分含量作为输出向量,建立起以I-ELM为基础的煤泥水灰分识别模型。同时,训练建立传统的BP人工神经网络模型和ELM预测模型与提出的方法进行比较。结果显示,增加型极限学习机可以在较短的时间内,达到要求精度。     

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。     

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。     

人工神经网络在煤矿通风机故障诊断中的应用

分析了煤矿通风机的常见故障,在介绍BP神经网络原理和算法的基础上,建立了基于BP神经网络模型的通风机故障诊断模型,并应用数学软件MATLAB中的神经网络工具箱实现了通风机不同故障状态的识别。研究结果表明,该方法能准确地诊断通风机的故障类型,具有简单、准确的特点,为实现煤矿通风机的故障预警和保障煤矿的安全生产具有指导意义。     

基于MEEMD样本熵与BAS-BP的轴承故障诊断

为了提高煤矿机械设备可靠性、降低维修成本,提出一种基于改进的集成经验模态分解(MEEMD)样本熵与天牛须搜索(BAS)算法优化BP神经网络的轴承故障诊断方法。首先,利用MEEMD算法分解振动信号并根据峭度准则和相关系数筛选出主要IMF分量;其次,提取前4阶分量的样本熵;最后,将样本熵值归一化后组成特征向量输入到BAS-BP分类器中,利用BAS算法搜索最佳参数进行故障诊断。利用凯斯西储大学的轴承数据集进行分析,并与BP、GA-BP神经网络的诊断结果进行对比,结果表明,该方法能够有效识别出轴承故障,分类效果优于BP、GA-BP神经网络,分类准确率达到95%。     

基于BP神经网络的磨机调心滚子轴承故障诊断研究

对BP神经网络在磨机滚动轴承故障诊断的模式表达及相关参数等问题进行了初步研究 ,并利用BP网络对轴承的 4种故障模式进行训练学习和诊断 ,取得了满意的效果。结果表明 :BP神经网络是解决轴承故障诊断中复杂的状态识别问题的一种有效工具。     

基于多传感器信息融合的矿井通风机故障诊断

为了提高矿井通风机机械故障诊断的准确性,提出了将多传感器信息融合技术用于故障诊断的检测方法.由多个传感器采集振动信号,经小波变换预处理后获得故障特征值,再经BP神经网络进行故障局部诊断,获得彼此独立的多个证据,然后运用D-S证据理论对各证据进行融合,实现对矿井通风机机械故障的准确诊断.     

基于细化分析的风机故障诊断研究

介绍了细化分析技术,利用细化分析的高频率分辨率特性对一风机的运行状态进行监测和诊断,分析出风机叶片、不对中及轴承几种的故障以及产生故障的原因。     

基于人工智能的煤矿风机故障诊断方法

风机是煤矿企业安全生产的关键设备,其安全可靠、高效经济地运行将产生巨大的安全、经济和社会效益。故障诊断技术,特别是具有自学习、自适应、自推理等仿生能力的人工智能故障诊断方法在煤矿风机故障预警、故障识别、故障排除等方面发挥着越来越重要的作用。在对煤矿风机常见故障进行分析的基础上,对常用的煤矿风机人工智能故障诊断方法进行了分析与总结,最后对其未来的发展趋势进行了探讨。     

基于小波能谱熵-BP_Adaboost的采煤机摇臂轴承故障诊断

针对煤矿井下工作环境恶劣,摇臂轴承经常发生故障,提出一种基于小波能谱熵-BP_Adaboost的采煤机摇臂轴承故障诊断方法。对振动信号进行小波分解,提取各小波系数的能谱熵,以此作为故障特征信息。利用Adaboost算法联合多个BP神经网络,构建BP_Adaboost强分类器。通过实验验证,该方法相比单BP神经网络识别率有很大提高,总体识别精度达到92%,其中外圈轴承故障识别率达96%,具有较好的采煤机摇臂轴承故障诊断能力。     

基于模糊专家系统的矿用风机故障诊断

针对矿用通风机故障具有不确定性和复杂性的问题,对矿用通风机的故障诊断提出一种基于模糊数学和专家系统的矿用通风机故障诊断系统。通过模糊关系矩阵及隶属函数的设定,实现了模糊理论在风机故障原因与征兆之间的模糊关系的表达。用风机转子的故障实例进行验证,结果表明该系统诊断效率、准确率高,为矿山风机的故障诊断提供了新的诊断方法。     

基于粗糙集-遗传神经网络分类器的矿井通风机故障诊断研究

针对当前矿井通风机机械故障诊断所面临的问题,提出了一种粗糙集-遗传神经网络分类器模型和它的构造方法,模型先利用粗糙集理论约简样本决策表属性,然后再利用遗传神经网络进行网络训练。通过与基本BP网络模型的对比,验证了该方法用于故障诊断的有效性。     

基于BP神经网络的离心泵故障诊断方法研究

介绍了离心泵的主要故障类型和产生原因,应用BP神经网络的主要知识对离心泵的故障进行诊断,将BP神经网络的输入通过Matlab进行训练,最后得到了与理想输出基本相符的实际输出,证明了该方法的有效性和可行性。     

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。     

矿用风机故障诊断方法研究

为了保障煤矿通风安全,提高矿用风机故障诊断的准确性,采用时域统计分析方法对风机轴承振动数据进行分析,综合利用峰值因子、均方根值、峭度指标和裕度系数对煤矿风机轴承进行在线监测;利用小波包络的方法对风机轴承信号进行处理分析,设计并训练了收敛速度快、精度高的BP神经网络。结果表明,峭度指标和裕度系数对轴承的缺陷比较敏感,不受轴承型号、载荷、转速等条件的影响;小波包络的方法对于处理强噪声环境下的非平稳振动信号有良好的效果,能够准确地提取信号中的故障特征。运用小波包和神经网络相结合的方法能够高效诊断出风机故障类型,指导设备维护。     

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。     

基于智能PID的通风机自动监控系统

构建了基于PLC和组态技术的分布式监控系统的硬件平台,设计开发了下位机PLC的监控程序和基于WinCC组态环境下上位机的监测程序。针对矿井通风系统具有惯性大、时滞大、非线性等特点,提出了基于BP神经网络的PID控制方案,设计了神经网络自适应PID控制器,仿真结果表明,该方法可提高控制系统的实时性、适应性和鲁棒性。对提高矿井通风机运行的安全性和控制的准确性,保证煤矿安全高效生产具有重要的现实意义。