基于粗糙集-神经网络系统的采煤机故障诊断

利用粗糙集理论对原始数据进行约简,构建优化的粗糙集—神经网络智能系统。该系统能够提高采煤机故障诊断准确性和效率,有良好的应用前景。     

基于粗糙集-RBF神经网络的采煤机截割部传动系统故障诊断

采煤机截割部传动系统故障源多,建立快速准确识别故障源的模型具有重要研究意义,因此提出了一种基于粗糙集-径向基函数(RBF)神经网络的故障诊断方法。首先对传动系统常见故障进行汇总分析,归纳为齿轮故障与轴承故障,通过粗糙集理论完成属性约简后得到最小条件属性集,然后根据粗糙集的最小条件属性集搭建RBF神经网络的拓扑结构。仿真结果表明,基于粗糙集-RBF神经网络的故障诊断模型结构更简单,训练效率及诊断准确性更高,在故障诊断中具有更好的应用效果。     

基于粗糙集-RBF神经网络的采煤机液压泵故障诊断

针对采煤机液压泵故障征兆多、故障诊断模糊性强的特点,提出了一种基于粗糙集-径向基函数(RBF)神经网络的故障诊断方法,对液压泵内泄漏故障进行诊断。运用粗糙集理论对液压泵原始故障数据集进行属性约简,去除输入冗余信息,得到最小条件属性集。根据最小条件属性集确定RBF神经网络初始拓扑结构,通过网络训练建立故障征兆和故障类别的映射关系,使用Python编程语言实现了故障诊断。试验对比表明,该方法网络结构更加简单,网络学习效率及诊断准确性更高,在采煤机液压泵中有很好的实际应用效果。     

基于BP神经网络技术的采煤机齿轮箱早期故障诊断

齿轮箱既是采煤机的核心部件,也是较容易出现故障的部件,一旦发生故障会导致严重的后果。因此,在齿轮箱出现问题的早期进行故障诊断具有重要意义。采用齿轮箱振动信号的5种特征指标作为BP神经网络的输入值,以齿轮箱的正常、齿轮磨损、齿面点蚀和齿根裂纹4种状态为神经网络的输出值,通过对BP神经网络进行训练和对故障类型进行编码,可以实现利用BP神经网络对齿轮箱早期缺陷的故障诊断。从实验仿真结果可知,诊断方法具有较高的准确率,为采煤机齿轮箱的早期故障诊断提供了新的研究思路。     

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。     

粗糙集理论在采煤机故障诊断中的应用

介绍了粗糙集理论关于知识约简的基本内容,利用粗糙集的约简理论,对诊断规则进 行约简并剔除不必要的属性,获取最简单诊断规则。对设备进行正确的诊断,给出了利用决策表建 立采煤机故障诊断规则的表示方法。     

基于广义回归神经网络的采煤机故障诊断的研究

针对采煤机故障征兆和故障的非线性对应关系,采用广义回归神经网络作为故障诊断的智能分类器。输入层为采煤机的故障特征参数,中间层为径向基神经元,感知待诊断故障向量与训练样本的相似度,输出层为故障模式分类。分析了广义回归神经网络的优越性和结构特征,建立了不同光滑因子和训练样本数目的采煤机故障诊断模型,并在MATLAB进行了仿真。     

基于PSO-BP神经网络的采煤机电动机故障诊断研究

针对因采煤机电动机超长时间运行与矿井极端工作环境而引起的故障问题,结合异步电动机数学模型及其常见故障机理分析,在分析 BP 算法存在缺陷的基础上,提出一种用于电动机故障诊断的 PSO-BP 神经网络算法,以实现对采煤机运行状态的实时监测。将 PSO 算法与 BP 算法相结合,共同优化神经网络连接权值,用电动机故障训练样本对 PSO-BP 神经网络进行训练并进行网络测试。结果表明,与 BP 神经网络相比,PSO-BP 神经网络能更快速、准确诊断电动机的健康状态,及时采用有效措施可降低电动机故障率,从而保障矿井人员作业安全,提高生产效率。     

基于RBF神经网络的连续采煤机故障诊断研究

为了能够提高连续采煤机故障诊断的效率和精度,深入地研究了基于改进遗传算法的RBF神经网络在其中的应用。分析了连续采煤机的主要故障类型;分别研究了RBF神经网络的基本原理和改进遗传算法的基本原理;进行了连续采煤机故障诊断的实例分析,仿真结果验证了该故障诊断技术的有效性。     

基于小波神经网络的采煤机摇臂故障诊断的研究

针对采煤机机械系统故障信号诊断的问题,在小波分析和神经网络的基础上,采用了一种基于小波神经网络诊断采煤机摇臂故障的方法。根据摇臂振动的信号通过小波分析检测出信号奇异点和突变情况,利用小波基函数作为小波神经网络的激励函数对故障信号做进一步的诊断,判断出故障特点和程度。结果证明此方法在故障诊断中的诊断准确率较高。     

采煤机牵引部故障诊断智能专家系统

牵引部是采煤机主要部件,如果发生故障将会影响采煤机的工作,严重影响出煤量。通过对采煤机牵引部常见故障及其原因进行分析,BP神经网络为内核,以VC++6.0作为编程平台,建立采煤机牵引部故障诊断的专家系统。利用该系统可确定采煤机牵引部的运行状态、降低故障率、提高生产率和使用寿命。     

基于改进深度置信网络的采煤机摇臂传动系统故障诊断研究

采煤机是一个集机械、电气和液压为一体的大型复杂系统,工作环境恶劣,如果出现故障将会导致整个采煤工作的中断,造成巨大的经济损失。采煤机摇臂传动故障作为整机的主要故障,是故障监测研究的重点。提出一种基于改进深度置信网络的采煤机摇臂传动系统故障诊断方法,对摇臂传动信号进行频段分解,通过不同的频段阈值进行降噪处理,提取故障特征信息,完成采煤机摇臂传动故障分类。将深度置信网络引入故障诊断,通过对采集的故障状态信号进行迭代训练深度学习,得出与故障模型的对应关系,并采用粒子群优化算法对故障模型进行迭代优化,应用于摇臂传动的故障诊断识别。结果表明,故障特征提取准确,故障诊断精度高。     

基于振动与声发射融合的采煤机截割部故障诊断研究

采煤机截割部传动齿轮的工作状态影响着传动系统的工作效率。对齿轮故障监测与诊断进行研究,采用CATIA建立故障齿轮模型,利用仿真软件ADAMS与COMSOL仿真齿轮啮合瞬间产生的振动与声发射信号,对信号进行特征提取,采用BP神经网络对采煤机截割部齿轮故障进行诊断。仿真结果表明,振动与声发射融合对微小齿轮裂纹的识别具有较高准确性,对采煤机故障诊断具有一定的指导意义。     

基于BP神经网络的煤矿机械故障诊断专家系统的开发

构建了基于BP神经网络的煤矿机械故障诊断专家系统的结构,以常见的20种故障诊断为研究对象,知识库、规则库和BP神经网络相结合进行推理,优化专家系统,提高了专家系统的响应速度和准确性。采用DreamWeaver、MatLab和.NET技术实现了专家系统的开发。并以一种煤矿机械为例,验证了整个系统的有效性和实用性。     

基于扩展故障树的采煤机故障诊断专家系统研究

针对采煤机故障诊断专家系统知识获取困难的问题, 将扩展故障树分析法和专家系统相结合, 提出了基于扩展故障树的采煤机故障诊断专家系统知识获取方法。在传统故障树节点上增加节点类型、重要度等信息, 建立扩展故障树, 并将扩展故障树中的节点信息转换成规范化表示的专家系统知识。采用广度搜索优先、深度搜索与广度搜索结合的推理机制, 提高故障查找的准确率及效率。利用专家系统开发工具CLIPS, 建立了采煤机故障诊断专家系统。研究表明, 该系统可准确判别采煤机故障类型并提供解决方案, 提高采煤机故障诊断效率。     

基于BP神经网络电路故障诊断系统研究

从几个方面介绍了存在于模拟电路中的故障类型。通过阐述BP神经网络的模式识别特点,提出了应用BP神经网络来解决电路故障诊断问题,并且分别应用BP算法和几种改进的BP算法进行结果比较。     

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。