基于布谷鸟算法和BP神经网络的矿用变压器故障诊断

针对用于矿井中的油浸式变压器故障诊断问题,提出了一种基于布谷鸟搜索(CS)算法优化BP神经网络的新算法,利用CS算法优化网络的阈值和权值并将优化后的参数用于BP神经网络进行故障诊断,以提高收敛速度和诊断正确率。通过对变压器故障实例分析,表明该算法具有实用性和有效性。     

基于遗传小波网络的电动机故障诊断

对基本的遗传算法进行了改进,并将其与BP算法相结合构成混合算法应用到电动机故障诊断的小波神经网络训练中。仿真结果表明,该算法有效地解决了小波网络初值设置不合理,极易进入局部极小的区域,以致网络振荡增大、不收敛,而GA算法独立训练神经网络速度缓慢等缺点。用训练过的小波神经网络模型对5组电动机故障进行验证和诊断的仿真结果也表明了,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电动机故障诊断的有效性。     

改进GWO-BP算法的概率积分法预计参数求取

针对BP神经网络模型在求取概率积分法预计参数时的缺陷,提出了一种基于改进灰狼优化算法(GWO)的BP神经网络参数预测模型。主要通过对灰狼算法的收敛因子a进行非线性收敛的改进,再利用粒子群算法(PSO)的速度更新公式更新搜索灰狼搜索位置。用改进的灰狼优化算法对BP神经网络的初始权值和阈值进行优化,然后利用最优的初始权值和阈值对模型进行训练和预测,从而得到概率积分法参数的预测结果。结果显示经过改进的灰狼算法优化BP神经网络的参数预测结果明显优于单一的BP神经网络模型和不改进的灰狼算法优化BP神经网络模型的预测结果,可以在矿区开采沉陷预计方面得到应用。     

基于遗传算法优化BP神经网络的提升机制动系统故障诊断

针对提升机故障诊断系统的复杂性,利用浮点数编码的遗传算法优化BP神经网络的初始权值和阈值,再按BP算法沿负梯度方向进行网络学习直至收敛,构建起遗传算法优化BP神经网络的诊断方法。将此诊断方法应用于2JTP-1.2型提升机液压制动系统,诊断结果表明,该方法用于提升机液压制动系统常见故障诊断可行。     

综合改进BP神经网络在边坡稳定性预测中的应用

针对标准BP神经网络存在收敛速度慢和易陷入局部最小值的问题,提出用附加动量法和自适应学习速率法来优化BP神经网络,提高其收敛速度;引入具有全局搜索能力的模拟退火算法,克服其容易陷入局部最小值问题。应用综合改进后的BP神经网络对已知的实际边坡进行了预测,并将其预测结果与标准BP神经网络和实际值进行对比分析。结果表明:综合改进后的BP神经网络在边坡稳定性预测具有较好的预测效果,与标准的BP神经网络相比,不仅提高了计算速度,而且较大地提高了预测精度,具有较好的应用前景。     

基于改进粒子群的采煤机齿轮箱故障诊断

采煤机截割部摇臂齿轮箱承担着综采工作面截割部动力传动的重任,其故障与否直接影响采煤机正常工作。而传统的故障诊断方法-BP神经网络采用基于梯度下降的算法,存在容易陷入局部极小值、收敛速度慢等不足,这些不足严重影响了BP网络的应用。然而粒子群算法(PSO)有很好的全局收敛特性。因此,为了提高网络的性能,采用粒子群算法来优化BP神经网络,将改进的PSO引入神经网络的拓扑结构,用PSO的迭代代替BP中的梯度修正。结果表明:提出的改进方案可以有效地优化神经网络,提高其在采煤机齿轮箱故障诊断中的应用价值。     

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。     

基于权值优化的BP神经网络的煤矿配电网故障诊断

井下配电网发生故障后,当故障信息不完全或不一致,导致故障诊断难以得到正确结论,而传统BP神经网络存在收敛速度慢、网络的泛化能力较差等缺点。针对上诉问题,提出了一种基于优化权值的BP神经网络的配电网故障诊断方法。通过配电网实例证明了该方法具有较快的收敛速度和较高的诊断准确性,具有良好的应用前景。     

基于遗传算法优化BP神经网络的提升机制动系统故障诊断

介绍BP神经网络的基本原理,提出合理的提升机制动系统故障诊断训练,分析神经网络存在的局部最优解和收敛速度慢等问题,利用遗传算法对BP神经网络进行改进。分别对原始的BP神经网络和改进后的神经网络进行仿真分析,结果显示基于遗传算法优化后的BP神经网络优势明显。     

基于ARMA和遗传算法优化的BP神经网络电动机断条故障诊断

为判断鼠笼式三相异步电动机转子断条故障情况,提出了一种利用定子电流信号,基于ARMA和遗传算法优化的BP神经网络的诊断方法。首先,使用改进的ARMA算法对电动机的定子电流波形进行拟合,将自回归系数模型系数提取出来,作为表征电动机故障的特征向量,并分为训练集和测试集。然后利用遗传算法优化BP神经网络的初始阈值和权值,以避免BP神经网络陷入局部极值点的问题。再用训练集对BP神经网络进行训练,用训练好的神经网络对测试集进行判断。实验结果显示,ARMA模型可较好地对三相异步电动机定子电流波形进行拟合,BP神经网络可较为准确地判断特征向量表征的故障情况,此方法具有较好的诊断结果。     

模糊神经网络在提升机制动系统故障诊断中的应用

针对BP神经网络在提升机制动系统故障诊断中的局限性,如收敛速度慢和可靠性差等缺点,根据提升机制动系统的故障机理和特点,提出了一种基于遗传算法的模糊神经网络故障诊断方法。结合了神经网络和模糊逻辑的优点,在利用神经网络对提升机制动系统进行故障诊断的基础上,引入模糊逻辑的概念,采用模糊隶属函数来描述这些故障的程度,并利用遗传算法对网络的权值和阈值进行修正,加快了网络收敛的速度,克服了易陷入局部极小的问题。     

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。     

基于GA优化BP神经网络变压器故障诊断的研究

BP算法基于梯度下降原理是一种局部寻优算法,在变压器故障诊断应用中网络学习过程收敛速度慢,且易陷入局部极小值。而遗传算法(GA)具有并行计算的特点,可以有效防止搜索过程收敛于局部最优解。将二者结合起来,由GA寻找最优的BP神经网络权值与相应节点的阈值。仿真结果表明:此方法既能快速收敛,又能大大提高避免陷入局部极小的能力,改善了故障诊断的精度和速度。     

矿山地质环境评价模型的改进SVM算法

经典SVM（Support vector machine）算法使用的对象样本较大、运算速度较慢,难以对矿山地质环境进行有效评价,故对其进行了改进,提出了一种改进SVM算法的矿山地质环境评价模型。该算法利用比特压缩原理,首先将样本数据进行比特压缩;然后用加权支持向量机训练分类器实现样本压缩,提高收敛速率。采用江西某矿区的实测数据分别对BP神经网络算法、经典SVM算法与改进SVM算法构建的评价模型进行对比分析,结果表明：①改进SMV算法构建的评价模型输出误差、收敛速率均优于BP神经网络算法建立的模型,经典SVM算法与改进SVM算法建立的评价模型的输出误差相近,但改进SVM算法构建的模型的收敛速率较高;②改进SMV算法随着比特压缩位数的增大,训练样本缩减率逐渐增大,即在样本数量减少、训练时间缩短、收敛速率提高的情况下,模型输出误差可基本保持不变。可见,采用改进SMV算法构建的评价模型,不仅提高了模型的训练速率,而且降低了样本数据量,可对矿山地质环境进行有效评价。     

改进梯度下降BP算法在地下水位预测中的应用

本文给出了BP神经网络预测模型的原理,分析了标准BP算法缺陷,通过改变学习率和增加动量项改进BP算法。用改进的算法预测某地地下水位,并对训练过程进行优化,实验结果表明,改进的BP神经网络能有效地提高地下水位预测的速度和精度,比标准BP算法预测性能有较大改善。     

基于GA-BP混合算法的电力变压器故障诊断方法

为解决BP神经网络在变压器故障诊断中存在的收敛速度慢,容易陷入局部最优点等缺点,采用了将BP网络和遗传算法相结合的方式,利用遗传算法的全局收敛性,优化BP网络的初始权值和阈值,再由BP网络进行调整搜索,同时采用了LM优化方法训练神经网络以提高网络精度,缩短训练时间,最后将训练好的网络应用到油中溶解气体分析技术中。     

Hybrid genetic algorithm for the optimization of mine ventilation network

Used genetic algorithm (GA) to optimize the network of ventilation in order to avoid artificial convergence and speed up the convergence rate to introduce the Powell algorithm. The Powell algorithm had been integrated into GA. Powell had the effective capacity of solving the local optimal solution. Powell and the cross as a method of choice, a variation of the parallel operator, can be a better solution to the premature convergence of the GA problem. The two methods will be improved to make it an effective combination of hybrid GA called hybrid genetic algorithm (HGA) for the introduction of mine ventilation network optimization and to be used to solve the problem of regulating mine optimization.     

基于改进的新型神经网络在煤矿企业安全管理中的应用

针对煤矿企业生产过程中安全生产状况的模糊性、多因素性等特点,利用Levenberg-Mrquardt优化算法改进BP神经网络并对其进行训练和仿真。并与标准BP算法和动量BP算法进行比较,发现经过改进的网络比标准BP算法和动量BP算法具有更好的效果。     

矿区开采沉陷预计的改进BP神经网络模型

为精确预计锦界矿某工作面开采沉陷,首先结合该工作面的地质资料、采掘工作平面图及孔柱状图,采用FLAC3D软件建立了该工作面开采沉陷仿真模型,得到工作面推进100、300、500、700 m时的开采沉陷数据;其次基于该类数据对BP神经网络预计模型进行训练和验证,建立沉陷数据与工作面推进距离的非线性关联;然后用粒子群优化算法(Particle swarm optimization,PSO)对BP神经网络模型的结构参数和连接权值阈值进行优化,并引入遗传算法(Genetic algorithm,GA)中的自适应变异因子以一定概率初始化部分变量,以解决PSO算法易陷入局部最优解的问题,避免BP神经网络模型易陷入局部最小值、训练收敛速率低以及PSO算法易早熟收敛等问题。分别采用BP神经网络模型、PSO-BP神经网络模型以及所提模型进行试验对比,并引入偏差平方和(Sum of squares for total,SST)对各模型的预计精度进行评价,研究表明:在工作面分别推进100,300,500 m的情况下,BP神经网络模型的SST值分别为0.056,0.062,0.066,PSO-BP神经网络模型的SST值分别为0.049,0.054,0.048,所提模型的SST值分别为0.028,0.026,0.031,明显小于前两者,表明该模型有助于提高矿区开采沉陷预计精度,有一定的实用价值。