基于RBF神经网络的传感器故障检测方法

针对液位控制系统在运行过程中容易发生传感器故障,提出一种利用RBF神经网络模型的方法预测液位系统的液位输出对传感器进行故障检测,通过比较神经网络模型的预测输出和控制系统实际输出的残差信号大小,并得到故障指示量,可以判断传感器有无故障发生。仿真结果表明,这种故障检测方法能达到比较可靠的检测效果。     

基于GA-BP神经网络的矿井节能通风控制系统设计

对矿井节能通风控制系统的整体结构进行设计,以环境传感器的实时反馈为依据,实现风机的变频控制降低能耗。对通风网络节点模型进行数学建模,以风压平衡方程和分支风量为约束条件,将系统功耗最小作为优化目标求解BP神经网络模型的最优权值与阈值,并以BP神经网络输出的频率作为指令调节通风机的频率。最后对通风网络进行实例分析,采用GA-BP神经网络优化后较优化前节能4.5%,提高了煤矿开采的经济性。     

基于改进循环神经网络的煤矿电能故障检测研究

为缩短煤矿井下电能故障检测时间、降低漏报率,设计并实现了一种基于改进循环神经网络的煤矿电能故障检测方法。综合使用门控循环单元(GRU)和多层感知器等技术搭建神经网络,学习和提取具有时间先后顺序的采样数据中潜在的相互依赖关系。通过在实验室中进行测试以及在实际生产环境中进行部署后发现,该方法行之有效,极大地缩短了煤矿井下电能故障的检测时间,降低了漏报率。     

基于GA-BP神经网络的矿井粉尘浓度预测研究

为了准确预测矿井粉尘浓度,有效防治矿井粉尘危害,运用遗传算法优化的BP神经网络预测模型(GA-BP模型)对某矿山工作面时间序列粉尘浓度进行预测,以预测结果的相对误差、平均绝对百分比误差来评判模型的预测准确性。再利用BP神经网络预测模型,卷积神经网络预测模型(CNN模型)的预测结果同GA-BP预测模型的预测结果进行对比验证,以均方根误差来评价三种模型的预测效果。结果表明,应用GA-BP预测模型,相对误差最大为4.27%,最小为0.14%,相对误差都在10%以内,预测样本的平均绝对百分比误差(MAPE)小于10%,达到了高精度预测要求。CNN、BP、GA-BP三种预测模型的RMSE值分别为1.1007、1.0008、0.9354,GA-BP预测模型对于该矿山工作面粉尘浓度预测效果最好。     

基于神经网络的计算机网络故障检测

神经网络具有良好的非线性映射和自适应能力,其在计算机网络故障检测中应用也越来越广泛。文章也主要对神经网络的计算机网络故障检测进行分析。     

基于GA-BP神经网络的变压器故障诊断

提出利用GA-BP神经网络的系统对变压器的故障诊断进行优化。利用GA遗传算法优化BP的初始权值,得到GA-BP神经网络。同时使用L-M算法训练GA-BP,使其可精确识别故障变压器内部的气体含量变化,并针对变压器故障诊断过程进行高效处理。GA-BP神经网络具备模糊算法,具有计算快速和判断准确等优点,可在很多的领域内保障电气安全,因而其具有良好的发展前景。     

基于神经网络的提升机减速器工况预测研究

针对传统监测方法无法实现提升机减速器工况预测的缺点,利用Matlab神经网络工具箱建立了提升机减速器工况参数的预测模型。对比模型预测值和实际测量值表明:BF和RBF神经网络模型预测结果和实际值的误差均小于10%,证明了神经网络模型用于减速器工况预测的可行性。对比BP和RBF神经网络预测结果,表明RBF神经网络模型训练时间短,预测精度高,更加适用于井下提升机减速器工况参数预测。     

基于决策层的提升机减速器故障诊断方法研究

针对提升机减速器提出了一种决策层融合结构模型应用在齿轮故障诊断中。对各个传感器的信息进行神经网络属性判决,再将各神经网络的属性判决进行决策层融合,此种方法具有较强的灵活性,当传感器数目增加时,只需增加神经网络个数就可。对以上信息融合故障诊断方法经过试验研究,证明了方法应用在提升机减速器诊断系统中,减小了错判和漏判,提高了系统的可靠性,保证了提升机安全运行。     

运用随机森林和GA-BP神经网络预测岩石爆破块度

为了更好地预测岩矿石爆破块度,将世界多个矿山的爆破块度统计数据依据弹性模量分成两组,运用随机森林和GA-BP神经网络分别建立爆破数据随机森林分组模型和爆破块度预测模型.以孔间间距与排间间距比、炮孔孔深与排间间距比、排间间距与炮孔直径、炮孔堵塞长度与排间间距比、炸药单耗、原位岩石块度和岩石弹性模量为输入参数,对爆破块度进...     

基于关联维数的减速器故障在线检测系统

针对减速器振动信号的非线性特征,用关联维数定量地刻画减速器的运行状态。利用Labview建立了减速器在线检测测量系统与Matlab的接口,在Matlab中计算振动信号的关联维数。最后以一组实验为例,验证了该系统可以在线、快速、准确地判断减速器运行状态。     

掘进机主减速器的摩擦学设计

为提高掘进机主减速器的可靠性，对其进行了摩擦学分析和模拟实验，确认影响主减速器可靠性寿命的主要失效模式是低速齿轮过量磨损。因此，对掘进机减速器摩擦学设计的必要性进行了研究，提出了摩擦学设计的思路和方法，指出采用过滤循环润滑，不同材料配对以及提高精度等措施，可降低处于边界状态的低速齿轮的磨损量，并对磨擦学设计的主要结果进行了模拟实验验证，结果可供掘机摩擦学设计参考。     

基于GA-BP模型的露天矿边坡稳定性预测

针对现有研究方法在预测露天矿边坡稳定性时存在适用性不强和误差大的问题,基于遗传算法对BP神经网络进行改进,提出一种露天矿边坡稳定性预测模型。该模型以坡体容重、黏聚力、内摩擦角、边坡倾角、边坡高度和孔隙压力6个参数为输入变量,以安全系数为输出变量,随后利用该模型对露天矿边坡的实例进行分析,与传统BP神经网络预测模型性能进行比较。研究结果表明:GA-BP模型在进行露天矿边坡稳定性预测时效果好,具有误差小和计算精度高的优点,为准确预测露天矿边坡稳定性提供了一种新的方法。     

磷石膏充填体强度GA-BP神经网络预测模型

在测试磷石膏充填材料物理化学性能的基础上, 测定了不同配比充填体的强度, 用分形理论揭示了磷石膏充填体强度特征。研究表明, 磷石膏充填体强度与水泥含量、料浆浓度、粒径分形维数、孔隙分形维数及分维数相关率相关。根据充填体强度影响因素, 建立了磷石膏加粉煤灰作为充填料的充填体强度预测的BP神经网络模型。同时利用遗传算法优化BP神经网络的学习过程, 验算结果显示, GA-BP神经网络模型预测误差在4%以内, 具有较高的预测精度。     

基于Matlab遗传算法的掘进机行星轮系减速器优化设计

行星轮系减速器是掘进机的核心设备,其体积较大,因此采用Matlab软件中遗传算法对行星轮系减速器建立数学模型并进行优化设计,以减小掘进机行星齿轮减速器的体积。结果表明,在保证强度的前提下,能够较大幅度减小减速器的体积,缩短设计时间。     

基于遗传算法优化小波神经网络的井下电缆故障测距方法

针对煤矿井下电网发生单相接地故障后定位困难,现有测距方法可靠性及测距精度低等问题,提出基于故障后暂态电气量由遗传算法优化小波神经网络,实现井下电缆馈线单相接地故障测距的方法。通过不同过渡电阻,故障距离情况的仿真结果表明,基于遗传算法优化的小波神经网络能实现准确故障测距,且较之基于BP算法小波神经网络的测距方法,其在测距精度和收敛时间方面表现更优。     

基于ANSYS的掘进机截割部减速器优化设计

针对现役EBZ-160型煤矿掘进机截割部行星减速器体积较大、质量较大等缺点,将行星减速器的太阳轮和行星轮体积最小作为优化设计目标,创建数学模型,通过MATLAB软件实现目标求解,得出最优设计目标参数,并以此确定各齿轮参数值。创建优化参数后的减速器三维实体模型,采用ANSYS软件进行有限元分析,结果证明了优化后齿轮强度的可靠性,同时总质量降低9.4%,为后续其他型号的掘进机行星减速箱优化设计提供参考。     

基于灰色关联分析的GA-BP模型预测煤层瓦斯含量

为减少煤层瓦斯含量预测的误差并提高预测效率,先利用灰色关联分析量化指标,筛选主因,然后运用GA-BP预测含量的方法。采用Matlab构建模型,选取成庄矿3_#煤层的含量与指标作为实验数据进行预测。从预测结果来看,这种预测模型平均相对误差为2.77%,预测其它预测模型精确,可以准确预测煤层瓦斯含量。     

采煤机截割减速器典型故障特征

采煤机在井下运行过程中,传动部分的故障约80%由齿轮问题引起,通过建立采煤机截割减速器中锥齿轮对啮合的三维模型,应用ADAMS软件对齿轮对啮合中常见的断齿故障和齿型误差故障进行了仿真分析。分析结果表明,两种故障发生时,其时域图均出现较明显的周期性冲击力,但齿型误差故障时冲击力的幅值要远小于断齿故障时冲击力幅值。频域分析中,两种故障均在齿轮啮合固有频率和高次谐波附近出现啮合力峰值,但断齿时边频较宽、幅值较高,而齿型误差故障时边频较窄、幅值较小。解调谱分析中,断齿时啮合力峰值发生频率与故障齿轮的理论转频和多次高阶谐波接近,齿型误差则主要以齿轮的一级转频为主。这两种典型故障具有明显的特征曲线,由此可根据分析的结果判定齿轮的故障类型,为减速器故障诊断提供依据。