基于信息融合技术的汽轮机转子故障诊断

选取蚁群神经网络作为汽轮机转子故障诊断的初级模块,采用证据理论混合算法的故障诊断方法,对汽轮机转子的局部故障进行诊断,并将诊断结果作为证据体利用证据理论将各证据体进行合成,计算它们的基本可信任分配函数,从而判定故障及其类型.以汽轮机转子x、y方向的不平衡故障为例进行诊断,结果表明该方法可有效提高诊断的可信度,减少诊断的不确定性.     

PLC控制系统的电磁抗干扰技术研究

随着工业设备自动化控制技术的发展,PLC在工业设备控制中的应用越来越广泛.PLC控制系统的可靠性直接影响到企业的安全生产和经济运行,系统的抗干扰能力是关系到整个系统可靠运行的关键.详细介绍了影响PLC运行的干扰类型及来源,并提出抗干扰设计的实施策略.     

多传感器信息融合在电机故障诊断中的应用

为了提高电机故障诊断的准确性,引入一种多传感器信息融合的诊断方法。将多个传感器所采集的转子振动频谱信号处理后,利用蚁群神经网络进行故障局部诊断,以获得彼此独立的证据,再由证据理论对各证据进行融合,最终实现对电机故障的准确诊断。实验结果表明,该方法有效提高诊断的可信度,减少电机故障分类识别的不确定性。     

齿轮箱故障诊断灰色神经网络模型的研究

传统的信号处理方法不易提取故障特征,给齿轮箱的故障诊断带来很大困难。建立了齿轮箱故障诊断的灰色神经网络模型,结果验证该模型的诊断结果具有较高准确性,适于提取故障信号的非线性特征,理论上为齿轮箱故障诊断提供了一个快速有效的方法。     

基于蚁群算法的神经网络绝缘子闪络电压预测

为提高覆冰绝缘子闪络电压的预测精度及预测速度,采用BP神经网络和蚁群算法相结合的方法进行预测模型设计。利用闪络电压及其影响因素之间的试验数据,建立其神经网络的预测模型。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。结果表明,该方法具有较高的预测精度,适用于绝缘子闪络电压的预测。     

基于模拟退火粒子群算法的风电场短期风速预测

针对风电场短期风速预测存在精度较低的问题,引入了一种基于灰色模型与模拟退火粒子群优化BP神经网络(SAPSO-BP)相互嵌入而成的预测模型。该方法在SAPSO-BP网络的输入层前增加一个灰化层,在网络输出层后增加一个白化层,以改进网络的拓扑结构,提高模型的容错能力。仿真试验结果表明,该预测模型具有较好的鲁棒性,其平均绝对误差及均方误差分别为18.7%和5.11%,可用于风电场短期风速的预测。     

基于粒子群优化RBF神经网络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,采用了一种粒子群优化RBF神经网络的方法。利用粒子群容易实现等特点,对RBF网络的中心、宽度以及连接权重进行优化,并用优化好的神经网络对通风机进行故障诊断。仿真结果表明,该方法具有较好的分类效果,适用于通风机的故障诊断,是一种实用的故障诊断方法。