一种带式输送机故障诊断方法

针对传统浅层神经网络用于带式输送机故障诊断时存在故障状态样本数据不足、准确率不高等问题,提出了一种基于合成少数类过采样技术(SMOTE)和深度置信网络(DBN)的带式输送机故障诊断方法.该方法利用SMOTE生成带式输送机故障状态样本数据,克服样本数据分布不平衡现象;将样本数据输入DBN,利用无监督逐层训练方式提取数据中的故障特征,并通过有监督微调来优化故障诊断能力,实现带式输送机故障精确诊断.仿真结果表明,该方法提高了带式输送机故障诊断准确率.     

信息融合在带式输送机故障诊断中的应用

针对带式输送机输送距离长、运量大、速度快等特点,为克服带式输送机系统的复杂性和单一传感器很难判断出故障所在,在分析D-S证据理论信息融合算法的基础上,将信息融合技术应用于带式输送机故障诊断中,实现多个传感器采集并充分利用多个传感器资源,提高故障诊断率。仿真结果表明,该方法能准确诊断出系统的故障,有效克服单个信息源的主观性,使故障检测误报率降低,提高检测系统的可靠性。     

基于可拓神经网络的火灾探测算法

为解决传统单一传感器式的火灾探测器容易造成火灾报警的漏报和误报的问题,采用多传感器信息融合技术,将温度、烟雾浓度和CO浓度等多个参数相结合,进行综合分析,对火灾进行早期预测。采用可拓神经网络作为数据融合算法,以温度、烟雾浓度、CO气体浓度三个物理参量作为输入,以三种火灾预警等级作为输出。通过仿真分析结果表明：火灾正确识别率很高,达到93.9%以上。同时通过与传统BP神经网络的对比,表明可拓神经网络在数据融合的速度和可靠性上有突出的优势,从而使可拓神经网络实际应用于火灾早期预测成为可能。     

基于模糊神经网络的火灾识别算法

火灾自动识别能够及时准确预报火情。在森林大空间的环境中,由于火灾信号具有非线性和不确定性,将采集的探测信号做简单的分析与比较,误报率比较高。如何融合几个传感器的信号进行有效地火灾识别是一个难点。为提高预测的准确性,针对传统的森林火情预测系统误报率高的缺点,提出一种基于模糊神经网络的火灾识别算法。首先,将模糊控制和神经网络以串联的方式结合,将采集的传感器信号进行处理后送入三层前馈BP网络进行处理,输出明火概率、阴燃火概率、无火概率,然后,将它们作为模糊控制系统的输入,模糊化后进行模糊推理,最后去模糊化得出火灾概率大小。并利用MATLAB工具箱对构建的算法模型进行仿真分析,仿真结果表明,本文的方法能够有效地融合多个火灾探测传感器的信号,快速而准确的判断出火情的大小,提高火灾识别的准确率,减少误报率。     

带式输送机变频调速节能控制系统研究

针对某矿带式输送机电能浪费严重的问题,设计了带式输送机变频调速节能控制系统。该系统应用BP神经网络建立带式输送机煤流量、输送带速度和电能消耗的节能模型;基于遗传算法和神经网络对模型参数进行优化,得到了煤流量和输送带速度的最优匹配关系;利用模糊控制算法实现了带式输送机变频调速的节能运行。实际应用表明,该系统可根据煤流量大小调节输送带速度,节能效果显著。     

神经网络在智能火灾预警系统的应用

提出了综合利用多种传感器准确判断火焰状态的算法.在神经网络算法下,根据一氧化碳传感器、烟雾传感器和温度传感器数据,对火焰状态进行分类.使用有限内存的拟牛顿(L-BFGS)优化算法对传统反向传播(BP)算法进行改进,加快了神经网络的收敛过程,有效提高了系统精度.实验验证了算法能够有效降低火灾预警系统的误报率,增强系统安全报警的灵敏度和可靠性,实现了实时有效的火灾预警.     

基于隔爆兼本安型PLC的带式输送机预警系统

针对常规煤矿带式输送机故障保护系统可靠性较差、缺乏直观有效的预警信号等问题,提出了一种煤矿井下带式输送机预警系统的设计方案。该系统采用隔爆兼本安型PLC及工业现场总线技术,实现了多级带式输送机的联动控制、故障监测、文字语音预警等功能。应用结果表明,该系统运行稳定,可靠性强,提高了带式输送机的故障预警及事故处理效率。     

火灾探测信号的智能处理算法

针对火灾探测的特点,提出了一种处理火灾探测信号的智能算法,将模糊系统和神经网络有机结合,实现模糊系统设计参数的自动调整。依据模糊神经网络算法的要求,完成了网络结构的设计,并给出了相应的计算模型,用改进的BP算法对网络进行学习和训练。将该算法应用于火灾探测中能够减少火灾的误报率,最后,根据国家标准试验火数据进行网络测试,仿真结果表明了算法的有效性和可行性。     

一种煤矿带式输送机故障诊断方法

针对煤矿带式输送机故障种类繁多且各征兆存在交叉,严重影响故障诊断的时效性和可靠性的问题,提出了一种煤矿带式输送机故障诊断方法。该方法采用粗糙集与神经网络相结合的故障诊断技术,通过粗糙集属性约简算法优化输入的故障征兆集,得到最优约简集;将约简后的最小条件属性集输入BP神经网络进行合理训练,经过不断学习优化,最终得到诊断决策规则;将约简的相应测试征兆属性样本输入训练好的网络进行故障诊断,判别出相应故障。仿真结果表明,该方法能够充分删除冗余信息,加快网络训练速度,提高带式输送机故障诊断精度。     

基于PCA的GABP神经网络入侵检测方法*

为克服BP算法易陷入局部最小的缺点,同时为减少样本数据维数,提出一种基于主成分分析(PCA)的遗传神经网络方法。通过降维和去相关加快收敛速度,采用改进的遗传算法优化神经网络权值,利用自适应学习速率动量梯度下降算法对神经网络进行训练。MATLAB仿真实验结果表明,该方法在准确性和收敛性方面都优于BP算法,应用于入侵检测系统中的检测率和误报率明显优于传统方法。     

火灾探测的模糊神经网络数据融合算法

为提高火灾报警系统的正确率,提出一种多传感器火灾探测系统的数据融合算法.采用模糊神经网络建立了数据融合决策模型,并用改进的BP算法对网络进行学习和训练,自动调整模糊系统参数.根据国家标准试验火数据进行网络训练,系统误差小于试验火标准误差要求,表明了算法的有效性和可行性.与其他方法探测结果进行比较,体现了所设计的算法的优越性.     

基于模糊神经网络火灾探测信号处理方法

针对火灾探测信号的特点,建立了火灾探测系统模型及用于处理火灾信号的模糊神经网络计算模型.利用神经网络构造模糊系统,用神经网络的自学习和自适应能力自动调整模糊系统参数,用改进的BP算法对网络进行学习和训练.根据国家标准试验火数据进行网络的学习和测试,系统误差小于试验火标准误差要求,表明了算法的有效性和可行性.     

基于声音阵列和图像处理的皮带机跑偏检测系统

针对传统的皮带机跑偏检测系统无法准确获得跑偏位置而导致在检测过程中存在识别速率慢和识别精度差的问题,提出一种基于声源定位和图像处理的皮带机故障检测系统。麦克风阵列拾取皮带声音信号并进行预处理,鉴频器进行鉴频识别,得到故障声后采用卷积神经网络(CNN)算法获取故障声位置。上位机系统收到异常声源的位置信息后,调控工业摄像机对异常位置进行照片拍摄,并将照片发送至上位机系统进行预处理,随后采用灰度平均法进行图像分割,同时提取边缘特征,利用跑偏角和偏移量计算皮带机跑偏的阈值范围,结合支持向量机(SVM)来判断皮带是否跑偏和跑偏的严重程度,并将判断结果发送至报警系统。仿真结果表明,该系统具有较好的故障声源识别和定位功能。     

Convolutional neural network based early fire detection

The detection of manmade disasters particularly fire is valuable because it causes many damages in terms of human lives. Research on fire detection using wireless sensor network and video-based methods is a very hot research topic. However, the WSN based detection model need fire happens and a lot of smoke and fire for detection. Similarly, video-based models also have some drawbacks because conventional algorithms need feature vectors and high rule-based models for detection. In this paper, we proposed a fire detection method which is based on powerful machine learning and deep learning algorithms. We used both sensors data as well as images data for fire prevention. Our proposed model has three main deep neural networks i.e. a hybrid model which consists of Adaboost and many MLP neural networks, Adaboost-LBP model and finally convolutional neural network. We used Adaboost-MLP model to predict the fire. After the prediction, we proposed two neural networks i.e. Adaboost-LBP model and convolutional neural network for detection of fire using the videos and images taken from the cameras installed for the surveillance. Adaboost-LBP model is to generate the ROIs from the image where emergencies exist Our proposed model results are quite good, and the accuracy is almost 99%. The false alarming rate is very low and can be reduced more using further training.

     

一种模糊推理算法在矿用胶带机火灾探测中的应用

文章提出了一种利用模糊推理算法,将温度和一氧化碳(CO)浓度2个参数作为系统输入,根据一定的模糊规则表与推理规则进行运算,并依据重心法去模糊化,得到胶带输送机火灾发生级别的方法。仿真结果表明,当报警门限取0.5时,系统可在胶带燃烧134 s时开始报警,实现了对胶带输送机火灾的极早期报警。     

基于TOF深度图像修复的输送带煤流检测方法

传统的带式输送机煤流检测装置中,核子胶带秤存在一定安全和环保隐患,电子胶带秤检测精度易受输送带张力、刚度等因素的影响;而基于超声波、线激光条纹、双目视觉等技术的非接触式检测方法存在实时性差、测量误差较大等问题。提出了一种基于飞行时间(TOF)深度图像修复的输送带煤流检测方法。通过TOF相机获取输送带运煤图像;对TOF图像进行均衡化处理,采用帧差法和边界跟随算法去除背景噪声,获得感兴趣的煤料区域;针对TOF深度图像因边缘处存在飞行像素噪声与多径误差噪声而导致的边缘信息不准确问题,提出强度图像引导的深度图像修复算法,通过Canny边缘检测算法寻找深度图像和强度图像的相似边缘,基于强度图像的有效边缘信息对深度图像边缘处的不可靠数据进行校正,并进一步基于Navier-Stokes方程和中值滤波器得到高精度深度图像;对煤料区域进行像素级分割,并建立煤料体积计算模型,结合输送带速度得出输送带煤流。实验结果表明,该方法的检测误差不超过3.78%,标准差不超过0.491,平均处理时间为83 ms,满足实际生产要求。     

基于PID和深度卷积神经网络的辐射源识别方法

利用神经网络进行辐射源个体识别时,训练样本的单一性会导致深度网络出现过拟合的现象,继而影响辐射源个体识别的精确性。针对该问题,本文提出一种基于PID算法的深度卷积网络结构,该结构通过在传统卷积神经网络的输出层与输入层间构建一条反馈回路,采用PID算法将网络输出错误率转化为划分训练集数据构成的概率,通过优化训练集数据构成,达到抑制过拟合的目的。将该方法应用于超短波电台识别,平均识别率达到92.59%,识别率方差约为传统算法的1/3,训练用时减少约35 min,上述指标均优于传统神经网络。实验结果表明,该算法增强了深度网络的鲁棒性,有效地抑制了过拟合现象。