基于多信息融合的双进双出磨煤机料位检测

针对双进双出磨煤机料位检测难题,提出了一种基于多信息数据融合的双进双出磨煤机料位检测方法.该方法将粗糙集（RST）和径向基（RBF）神经网络相结合,利用粗糙集数据简约和规则抽取特性,有效地去除大量冗余数据.利用RBF神经网络函数逼近能力更强和收敛速度更快等优点,引入带遗忘因子的梯度下降算法来整定RBF神经网络参数,简化了神经网络结构,提高了神经网络的学习效率,同时拥有自学习和容错能力,从而有效地保证了数据融合的快速收敛性和稳定性.实验结果表明,在料位检测过程中,将两种智能算法相结合所构成的融合系统,能使双进双出磨煤机准确地完成复杂环境的料位检测任务.     

地聚物的耐高温性能研究进展

地聚物是一种使用工业固废作为原料的新型绿色环保建筑材料。固废中含有的铝硅酸盐玻璃体在高碱性条件下经缩聚反应可形成无定型态的硅铝网状类沸石立体结构,从而使地聚物具有类陶瓷的特性,改善其耐高温性能。近年来,地聚物的耐高温性能成为绿色建材领域研究热点。地聚物混凝土是一种多相复合材料,其原料来源多样且配制过程中需要控制的参数较为复杂,这些因素都导致地聚物混凝土在高温下(后)抗压强度变化的多样性。近年来,研究者们开展了大量试验和理论分析工作,发现影响地聚物混凝土高温下(后)抗压强度的三个主要影响因素是:(1)晶相转变;(2)微观结构变化;(3)地聚物和骨料的位移不相容性。地聚物混凝土在高温下(后)的抗压强度最终取决于三个主要因素中占主导的因素和混凝土延性。本文着重探讨了硅铝原子比、碱溶液类型和骨料对地聚物混凝土高温下(后)抗压强度的影响规律,结合三种影响因素分析了地聚物混凝土的抗压强度劣化机理,同时对地聚物的热工性能和地聚物混凝土结构的耐火性能进行了综述。最后,对地聚物材料耐高温性能的未来研究前景进行了讨论。     

基于遗传算法的纸机烘缸智能PID加热系统

针对纸机烘缸智能加热系统，提出了一种基于遗传算法的PID控制方法。系统以系统误差、控制器输出、上升时间和超调量构成的函数为性能指标，利用遗传算法全局搜索能力获取一组最优的PID参数KP、KI、KD，并且能根据实时获取的误差在线调整PID参数。应用结果说明，该智能加热系统具有良好的动、静态特性，自适应性和鲁棒性。     

基于DropOut降噪自编码的磨矿系统故障诊断

磨矿系统的故障诊断主要依靠工人的经验,这为故障诊断增加了大量不确定性.此外,磨矿系统的数据较为复杂,不仅工人难以对故障的发生进行准确判断,而且传统机器学习算法也由于数据的线性不可分而表现不佳.为了解决线性不可分问题,使用神经网络进行故障分类;面对故障数据的高复杂度,为提高神经网络的表达能力,使用自动编码器增加网络深度;为减弱深层网络带来的过拟合现象,引入DropOut降噪自编码.最后进行实验验证,实验结果表明,DropOut降噪自编码网络对于故障的分类准确率可达到90.4%.     

基于多传感器信息融合双进双出磨煤机料位检测

为解决双进双出磨煤机难于实现整个运行工况精确料位检测这一问题,提出一种基于多传感器信息融合的料位检测方法,融合系统由粗糙集和模糊神经网络来实现.根据磨煤机的工作特性将其运行工况分为三个区间,应用粗糙集理论分析不同区间中各传感器信息对于融合的重要性和决策规则的置信度,再利用粗糙集分析结果构成模糊设计网络来实现从多传感器信息到磨煤机料位的映射,并将粗糙集分析得到的属性重要度和规则置信度引入到模糊神经网络的学习过程中.通过试验结果证明研究方法的有效性,能够实现各工况较为精确的料位检测.     

基于RNN-LSTM的磨矿系统故障诊断技术

目前磨矿系统故障诊断多为人为判断，效率低、准确率低、成本高且容易造成人员伤亡.传统方法对高维度和时间相关性较大的样本数据集分类能力较差，针对以上问题，提出一种基于RNN-LSTM（Recurrent Neural Network-Long Short-Term Memory）的深度学习方法，实现磨矿系统故障的智能化诊断.该方法通过将数据集"分批处理"分别输入到LSTM单元网络中，提取数据集在时间维度上的相关性，并比较分析前后时刻的输入特征向量实现对故障分类.通过分别对RNN-LSTM深度学习网络与基于自编码分类方法进行实验对比验证，得出结论：在时间相关性较强的高维度数据集中基于RNN-LSTM深度方法辨识效果明显优于基于自编码方法的分类器，最终网络对于故障诊断的错误率低至3%.     

基于Type-2 FNN数据融合的双进双出磨煤机料位检测

针对双进双出磨煤机料位准确检测的难题,提出一种基于二型模糊神经网络（Type-2 FNN）数据融合的双进双出磨煤机料位检测方法．首先将多传感器采集的变量参数数据按照二型模糊规则进行模糊化处理;然后构造神经网络进行数据融合,所得融合结果即为检测的料位值．该方法具有较好的自组织、自学习、并行分别处理能力,保证了检测结果具有较高的准确性．仿真实验表明,该方法可有效弥补单—测量方法的不足,实现料位更为准确的测量．