基于PNN神经网络的掘进机截齿磨损程度识别研究

针对掘进机截齿磨损在线识别问题,提出一种基于PNN神经网络的截齿磨损程度多特征信号识别方法,提取不同磨损程度的截齿在截割过程中的振动和声发射特征信号,分别分析振动加速度、声发射信号峰值以及2种特征信号频域图的均方根这4个特征参数,获取振动信号、声发射信号与不同磨损程度截齿的变化规律。建立5种不同磨损程度截齿的多特征信号样本数据库,采用多特征信号样本对PNN神经网络进行学习和训练,建立截齿磨损程度的识别模型,实现截齿磨损程度的精确识别。结果表明:基于PNN神经网络的截齿预测磨损状态识别模型识别精度较高,识别准确率和预测准确率约为93.3%和95.0%,与BP神经网络方法相比分别提高了3.3%和15.0%。因此该神经网络具有良好的可靠性与精确性。     

基于多Agent的储能参与电网一次调频控制

受到调频死区影响,导致电网调频出现较大偏差.面对该情况,提出了基于多Agent的储能参与电网一次调频控制.依据基于多Agent调频控制原理,利用储能装置描述储能越限区域和调频死区.采用虚拟惯性控制,构建电网一次调频仿真模型.计算调节速度,确定频率偏差与负荷扰动之间的关系.设置区域控制误差信号,确定储能控制误差信号和频率...