钢铁企业设备故障人工智能检测关键技术研究

钢铁企业生产过程复杂、生产工艺繁琐、生产设备众多。生产设备一旦出现故障就会影响企业的经济效益,如何实现低成本、高效率的故障检测是每家钢铁企业函待解决的难题。人工智能技术发展迅速,广泛的应用到钢铁企业设备故障的检测中来,特别是专家系统、神经网络和模糊集理论。本文在分析人工智能检测设备故障必要性基础上,详细论述专家系统、神经网络和模糊集理论在钢铁企业设备故障中的应用现状。     

引入推理模型的大型电网设备的故障检测方法

针对大型电网设备中的故障信号稳定性较差,并且信号之间的关联性较弱,导致不能有效检测故障的问题,提出了一种引入估计推理模型的大型电网设备故障检测方法。系统依据贝叶斯网络的学习和概率分析能力,在传统的神经网络诊断模型中,引入一种推理估计模型,以电网设备中的测速机、脉冲发生器、传感元件的高频故障信号为基础,估计模型运算电网设备的故障概率,配合边缘化算对数据结构中的故障信息进行表达。仿真实验说明,算法可以解决电网故障信号的随机性特征,准确检测出电网设备中的故障信号。     

概率神经网络在破口故障诊断中的应用研究

破口故障是核动力装置的主要故障之一,关系整个核动力装置能否正常运行,因此对破口故障进行诊断是很有必要的。核动力是一个复杂的大系统,并且其多数设备及系统具有非线性、时变性、耦合性及不确定性,而神经网络能够逼近任意的非线性映射,因此在核动力故障诊断中得到广泛的应用。本文把概率神经网络（PNN）应用到破口故障诊断中去,结果表明该方法是可行有效的。     

基于模糊支持向量机的煤矿机电设备运行故障监测方法

针对煤矿机电设备故障监测准确性低,提出基于模糊支持向量机的煤矿机电设备运行故障监测方法。在设备运行终端设置传感器,按照EMD模式提取煤矿机电设备运行的异常信号;引进模糊支持向量机与神经网络,进行瞬时异常信号的特征值训练,识别异常信号,实现煤矿机电设备的故障监测。通过实验证明,对不同信号的设备故障,监测的结果与实际一致,该方法不仅可以实现对设备运行的有效监测,也可以实现对故障的精准诊断,综合使用价值更高。     

基于神经网络的真空断路器状态诊断

真空断路器作为电力系统的开关以及保护设备,其能可靠地工作对于电力系统的安全运行具有十分重大的意义。首先对采集到的断路器状态信号进行小波包变换,利用能量熵获取特征向量;其次对于提取到的特征向量用深度神经网络进行处理,将正常状态与故障状态进行一次分类;最后再用BP神经网络对故障状态进行判断,按照具体故障类型进行分类。仿真结果表明,提出的基于深度神经网络与BP神经网络结合的真空断路器故障诊断方法相比较于其它方法具有更高的准确性和快速性。     

基于概率神经网络的水电机组故障诊断

针对水电机组的物理结构较为复杂,工作状况相对恶劣,故障发生率较高等问题,提出了一种基于概率神经网络的水电机组故障诊断方法,利用概率神经网络建立分类模型,并结合水电机组的振动信号分析,实现对水电机组的故障判断和故障类型识别。准确有效的水电机组故障识别与判断,对于水电企业生产与设备检修都具有重要意义及参考价值。     

煤矿设备中的基于动态模糊与BP神经网络的故障诊断

在煤炭机电设备故障检测过程中,由于涉及到众多的硬件设备,容易出现电压稳定性较差,间接影响故障检测信号不稳定,检测样本数据空间维数大、诊断实时性差等缺点。本文提出了采用动态模糊自学习理论和BP神经网络相结合的方法针对故障进行诊断,首先通过动态模糊自学习方法对设备故障的有效数据,使用BP网络对其进行快速分类诊断。仿真实验表明:本文算法能够有效地提高故障诊断正确率,从而提高诊断的识别与决策能力。     

基于神经网路的故障诊断

设备故障诊断技术是近40年来由于航天、军工的需要而发展起来的,就世界范围内看,美国是最早研究故障诊断技术的国家,通过阐述神经网络在故障诊断中的应用情况,进而简介如何采用神经网络实现的故障诊断的方法和过程。     

基于误分类代价最小化的RBF神经网络

<正>RBF神经网络（Radial Basis Function Neural Network, RBFNN）以简单的结构、较快的收敛速度，以及全局寻优的方式，实现了以任意给定的精度去逼近任意连续的非线性系统的功能。因此，RBFNN获得了广泛的应用。在设备故障诊断领域，不同类型的设备故障由于误分类而造成的代价并不相同。比如将设备故障状态识别为正常状态所造成的代价，要比将正常状态识别为故障类型要高得多。而RBFNN却是以每类样本的误分类代价相等为假设前提的。因此，传统RBFNN算法并不特别适用于设备故障诊断领域。     

基于BP神经网络的变压器故障诊断

针对变压器故障征兆和故障类型的非线性特征,结合油中气体分析法,研究应用BP神经网络对变压器进行故障诊断。设计了一个基于BP神经网络的变压器故障诊断模型,通过仿真实验证明BP神经网络可以有效的运用到变压器故障诊断中。     

航空发电机内部电气故障建模与参数测试研究

航空发电机对于飞行器运行的安全起至关重要的作用。发电机内部电气故障会促使定子绕组产生不对称现象,进而会使电能干扰电器正常运行,造成安全危害。因此必须重点研究航空发电机内部电气故障原因。本文提出BP神经网络故障诊断法,通过对BP神经网络故障诊断模型建立。并通过参数测试实验,佐证了BP神经网络诊断法能够正确检验航空发电机故障。     

基于径向基神经网络的变压器故障诊断

研究基于径向基神经网络的变压器故障诊断方法。以绝缘油中6种特征气体作为神经网路的输入,建立了可对变压器低温过热、中温过热、高温过热、低能放电、高能放电和局部放电等6种故障进行故障诊断的径向基神经网络模型。仿真实验研究表明,基于径向基神经网络的变压器故障诊断模型对于超出三比值法编码规则的故障也能进行故障诊断,故障诊断准确率达到91.67%,远远高于三比值法故障诊断准确率。基于径向基神经网络的故障诊断模型建立方法简单,便于在实际中应用。     

遗传算法在柴油机故障诊断中的应用

BP神经网络在故障诊断时,对故障的学习训练盲目性大,导致速度慢,结果可靠性差。但是遗传算法可以优化挑选故障向量具有针对性,弥补BP神经网络诊断的不足。所以基于遗传算法的BP神经网络可以使各代种群在进化过程中容易得到全局最优解。实例对比分析,表明优化后的神经网络具有较好的收敛性能和运算速度,能够改善诊断精度。     

基于PSO-BP神经网络的地铁屏蔽门故障智能预测

为了减少地铁车站设备故障导致的人员伤亡,本文提出了粒子群算法结合BP神经网络对屏蔽门系统的故障进行预测。利用BP神经网络结构作为粒子群算法的适应度函数对BP网络的权值与阈值进行优化。在确定神经网络结构之后,该模型以权值和阈值作为粒子,利用粒子群算法的寻找全局最优的思想为BP网络寻找最优权值和阈值。减少了BP神经网络的训练结果出现较大偏差的概率。该算法可以适用于地铁站内受多种不定因素影响的设备,本文采用屏蔽门系统故障较为频繁的门锁机构来分析模型,得到的预测结果相差不到一天范围内,因此该算法具有理想的预测精度。最后利用MATLAB仿真验证该算法的可用性。     

BP神经网络在矿山机械液压系统故障诊断中的应用

介绍了BP神经网络的结构及学习算法。对液压系统故障模式及故障机制进行分析,提取能够反映液压系统故障的特征量作为BP神经网络的输入,并用BP算法对该网络进行训练,利用神经网络的智能性来判断液压系统所属的故障类型。仿真结果表明,该诊断方法具有高可靠性,达到了预期的结果,可以用于液压系统的故障诊断。     

基于SOM神经网络的柴油机故障诊断

为提升柴油机故障诊断的速度与准确度,降低人为因素的干扰,提出使用自组织特征映射神经网络进行故障智能诊断与分类的方法。首先对自组织特征映射神经网络进行网络初始化,然后分别计算映射层向量之间的相互距离,并进行权值的学习,最后计算得出故障分类及诊断结果。通过仿真实验证明,自组织特征映射神经网络能够准确快速的将实验柴油机的故障进行诊断,实用效果较好。     

基于MATLAB神经网络工具箱的核电厂故障诊断

本文将MATLAB神经网络工具箱应用于核电厂的状态检测与故障诊断,通过对核电厂典型故障的特性分析,确定网络的输入输出并建立相应的网络结构。为验证神经网络故障诊断的有效性,本文对核电厂蒸汽发生器系统进行了仿真实验,验证了神经网络故障诊断的准确性、实时性和可扩充性。     

基于改进的GA优化BP神经网络的煤矿设备的故障诊断

面对越来越多的煤矿设备出现的故障,本文提出了将遗传算法(GA)和BP神经网络结合进行预测的方法。针对遗传算法存在收敛速度慢,容易陷入局部最优的情况,本文首先采用混沌和反向学习初始化个体,其次运用差分算法对个体最优进行操作,最后,将改进的适应度函数运用到选择操作中,通过变异概率和交叉概率提高操作的准确率。将改进后的算法运用到BP神经网络中提高了样本训练效果,仿真实验表明本文算法相比于传统BP神经网络提高了精度和增强了稳定性     

火箭发动机齿轮组故障检测数学模型

建立故障检测和特征频率提取数学模型,采用自适应BP神经网络算法对故障状况进行了仿真模拟运算。仿真结果表明新故障诊断算法结果优于传统BP神经网络算法,由原来的10000步降低至700步,有效提高了运算速度,同时运算精度也有所提高,检测准确置信度提高了10%,提高了故障检测的概率。研究成果为火箭发动机涡轮泵故障的早期发现与故障解决提供了算法理论的依据,有较好的工程推广运用性。     

基于最小二乘支持向量机的轴承故障诊断研究

针对神经网络在轴承工作状态诊断中存在的问题,提出了将最小二乘支持向量机用于轴承的智能诊断。基于轴承故障信息,用最小二乘支持向量机方法建立多类故障分类器,以实现对故障的诊断。仿真证明:小样本情形下,最小二乘支持向量机比神经网络具有更好的识别和诊断准确率。