基于改进D-S的水电机组集成故障诊断研究

针对常规水电机组振动故障诊断技术中易出现错判及诊断可靠性低等问题,提出了一种基于改进D-S证据理论的集成故障诊断方法。根据水电机组振动故障的频域信号,由模拟退火粒子群混合算法来处理证据理论的基本概率分配问题。再利用改进D-S理论来实现可信度分配的合理赋值,最后进行多信息的融合决策。实例表明,该方法可以在原始证据出现高度冲突以及相一致的情况下,都具有较高的诊断可信度,从而实现了对水电机组振动故障模式的有效识别。     

连铸机PLC控制系统应用设计

介绍西门子S7 PLC系统的性能特点，结合连铸机生产过程控制及其要求，调整拉速、合理控制二冷配水，提高了钢水收得率，保证连铸机顺利生产和钢坯质量稳定，并给出其控制系统的应用设计。     

蚁群算法融合BP神经网络的齿轮故障模式识别

为了提高齿轮故障诊断的准确性,引入了一种蚁群算法融合BP神经网络的方法。根据齿轮的故障特征量,建立其神经网络的故障诊断模型。以网络的权值和阈值为自变量,通过蚁群算法的迭代运算,搜索出误差全局最小值,再进行网络的二次学习训练,最终实现对齿轮的故障诊断。实例仿真结果表明,该方法具有较高的故障诊断精度,可减少诊断的不确定性。     

基于证据理论的齿轮故障诊断

针对传统方法在齿轮故障诊断中可靠性不高的问题,提出了基于证据理论的混合诊断算法.根据齿轮故障特征向量,采用两个并行的BP神经网络进行局部故障诊断,获得彼此独立的证据.再用证据理论对各证据进行融合,最终实现对齿轮的故障诊断.实例结果表明,该方法可充分利用各种故障的冗余和互补信息,有效地提高诊断的可信度.     

基于证据理论混合算法的煤矿通风机故障诊断

为了提高煤矿通风机故障诊断的准确性,提出了基于证据理论的混合诊断算法。即先用灰色建模方法实现故障特征量的累加处理,以增强数据的规律性。然后,采用2个并联的灰色BP网络进行故障局部诊断,获得彼此独立的证据。最后,再用证据理论融合算法对各证据进行融合,最终实现通风机的故障诊断。实例结果表明,该方法可有效提高诊断的可信度。     

基于MMAS BP算法的短期风速非线性组合预测模型

为提高风电场短期风速的预测精度,引入一种基于改进蚁群算法优化神经网络的非线性组合预测方法,按误差平方和最小原则对所建灰色GM(1,1)模型、BP网络和RBF网络三种单一预测数据进行非线性组合,并将其结果作为最终预测值。仿真结果表明,该方法的平均绝对误差及均方误差分别为17.76%和3.68%,均小于单一模型、线性组合模型及神经网络组合模型的预测结果,提高了网络的泛化能力,降低了预测风险,为风电场风速预测提供了一种新途径。     

证据理论在汽轮机转子故障诊断中的应用

针对传统汽轮机转子故障诊断方法中存在精度不高的问题,引入了证据理论和灰色神经网络相结合的故障诊断方法.该方法首先根据所获取的故障特征向量,用灰色建模方法进行累加处理,以增强数据的规律性;然后经BP神经网络进行局部诊断,以获得彼此独立的证据;最后采用证据理论对各证据进行融合.试验结果表明,该方法具有较好的故障模式识别能力,适用于汽轮机转子的故障诊断,具有一定的应用价值.     

证据理论融合蚁群神经网络的水质预测方法

为了提高水质指标预测的精度,提出了证据理论和蚁群神经网络相结合的组合预测方法。用蚁群神经网络作为单一模型对水质指标进行预测,再由BP、RBF网络对预测误差进行分析建模,获取每个模型的可信度。利用证据理论获取单一模型的权值,实现水质指标的组合预测。该方法克服了常规BP算法收敛速度慢、易陷入局部极值的缺陷,能有效提高预测精度。     

基于DS18B20传感器的温度数据采集系统的设计

介绍了数字温度传感器DS18820的特点和工作原理，基于DS18820设计了一种温度数据采集系统，并给出了这个系统的硬件构成图和软件流程图。系统由一个单片机电路和8个DS18820数字传感器构成，结构简单，功耗较低，测量范围为-10℃～＋100℃。若所测温度超出设定范围，单片机上的器件就会自动报警。     

基于灰色线性回归组合模型的瓦斯涌出量预测研究

利用线性回归和灰色系统理论,分别构建了一元线性回归及GM(1,1)模型,在此基础上建立瓦斯涌出量的灰色线性回归组合模型。并同时运用以上3种模型进行了现场预测对比,结果表明,对于小样本数据模拟计算,灰色线性回归组合模型的预测精度要优于GM(1,1)模型,说明前者用于瓦斯涌出量的预测是可行的。