CN107480787A - 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 - Google Patents
一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 Download PDFInfo
- Publication number
- CN107480787A CN107480787A CN201710681669.5A CN201710681669A CN107480787A CN 107480787 A CN107480787 A CN 107480787A CN 201710681669 A CN201710681669 A CN 201710681669A CN 107480787 A CN107480787 A CN 107480787A
- Authority
- CN
- China
- Prior art keywords
- network
- fault
- gyratory crusher
- training
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 34
- 238000005457 optimization Methods 0.000 claims description 9
- 238000005065 mining Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000002405 diagnostic procedure Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims description 2
- 229910002056 binary alloy Inorganic materials 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 5
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Marine Sciences & Fisheries (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Disintegrating Or Milling (AREA)
Abstract
本发明一种基于BP神经网络的露天矿旋回式破碎机故障诊断方法，以旋回式破碎机为故障诊断对象，以物联传感技术实时获取破碎机的状态参数，确定旋回破碎机故障类型及相应的故障特征参数，并对故障特征参数数据按照分布均匀性及有效性进行选取；然后运用BP神经网络作为故障诊断技术，以故障特征参数为BP神经网络输入，以故障类型为BP神经网络输出，利用BP神经网络学习故障类型与相对应的故障特征参数之间的非线性关系，训练旋回式破碎机故障诊断模型并通过隐含层个数进一步优化诊断模型，完成旋回式破碎机诊断模型的训练；最后通过训练完成的旋回式破碎机故障诊断模型对破碎机故障进行实时诊断分析，具有模型简单、实时性强、诊断迅速等优点。
Description
技术领域
本发明属于矿业系统工程及矿山优化技术领域，特别涉及一种基于BP神经网络的露天矿旋回式破碎机故障诊断模型的建立与应用。
背景技术
我国矿山企业在矿产资源开发过程中，矿山破碎机是矿产资源开发中常用的机械设备之一，它的应用能够大大的提升矿产资源的开发效率和质量。但在其使用的过程中由于使用环境过于恶劣、开采强度高及维护工作不当等原因，都会引起破碎机的一系列故障，一旦出现故障会给企业带来不小的损失及安全问题，故障诊断不及时不但无法起到提高矿产资源开发效率的作用，反而还会增加企业的维护成本及停工损失，因此大型破碎机故障诊断问题一直是矿山企业亟待解决的问题。由于破碎机属于大型机械，设备结构机理复杂程度高，故障原因相对复杂，矿山企业对破碎机所利用诊断技术大多仍然以主观诊断技术为主，大多依赖人员的经验来解决问题，往往不能实现精确及快速诊断，对破碎机故障问题处理大多处于事后维修的状态，造成大量维修资源浪费的现象，因此引入物联传感技术与智能故障诊断技术实现以预防为主的故障诊断方式具有重要的意义。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于BP神经网络的露天矿旋回式破碎机故障诊断模型的建立与应用方法，可实现旋回式破碎机的实时故障诊断，实现以预防为主的故障诊断方式。
为了实现上述目的，本发明采用的技术方案是：
一种基于BP神经网络的露天矿旋回式破碎机故障诊断模型的建立方法，包括如下步骤：
(1)数据采集及选取
数据采集是利用矿山破碎机上早已布置好的传感器获取原始故障数据，为了确保诊断模型的训练结果精确性，要对所采集的数据进行选取，数据选取要遵循开采强度多样性及时间多样性的原则，选取的目标是满足数据分布均匀性及有效性；
(2)旋回式破碎机故障诊断模型训练
基于BP神经网络技术，首先对故障特征参数进行归一化处理，故障类型采用二进制编码方式处理；然后把故障特征参数作为网络输入，故障类型作为网络期望输出，再根据输入、输出的数据矩阵维度来确定网络输入层神经元个数n、输出层神经元个数l，而隐含层神经元个数通过先设定一个初始值来进行训练；最后设定网络训练参数，训练后计算出均方误差，若其小于期望误差，训练完成，否则，重新训练；
(3)旋回式破碎机故障诊断模型优化
通过确定隐含层神经元个数来进行模型优化，隐含层神经元个数的确定主要采用试凑法，设隐含层神经元个数为m，在网络训练参数不变的前提下，参照三个经验公式，得出隐含层神经元个数大概范围，在隐含层个数范围内，设定神经元个数初始值开始训练，训练后计算perf，并对比所有隐含层神经元个数情况下的perf大小，确定均方误差最小情况下所对应的神经元个数为隐含层神经元个数，完成模型优化；
(4)旋回式破碎机故障诊断模型诊断测试
以优化后的诊断模型为基础，在选取后的故障原始数据中再选一组数据作为故障测试数据，然后作为网络输入，测试诊断模型。
所述步骤(2)中，以破碎机故障特征参数为网络输入，以故障类型为网络输出，网络拓扑结构为n-m-l。
所述步骤(2)中设定的网络训练参数包括网络训练迭代次数net.epochs、网络训练期望误差net.goal及网络训练学习速率net.lr，其余参数运用神经网络的缺省值。
本发明还提供了利用所述基于BP神经网络的露天矿旋回式破碎机故障诊断模型的诊断方法，将检测数据作为网络输入，根据其输出结果，判断故障类型。
与现有技术相比，本发明通过根据BP神经网络的特点，运用其学习旋回式破碎机故障类型与故障特征参数的故障规律，建立旋回式破碎机故障诊断模型，原理简单，能够有效实现对旋回式破碎机故障状态实时诊断。
利用本发明在对露天矿旋回式破碎机故障诊断中，可以达到实时诊断，并且诊断准确率可达到95％以上，使矿山设备停工风险变成可控风险，改变了矿山事后维修现状，并且具有良好的扩展性和容错性，为矿山企业旋回式破碎机故障诊断提供了一种有效方式。
附图说明
图1是本发明故障诊断模型建立流程图。
图2是本发明诊断模型的神经网络拓扑结构图。
具体实施方式
下面结合附图和实例详细说明本发明的实施方式。
如图1所示，基于BP神经网络的露天矿旋回式破碎机故障诊断模型，具体的实施步骤如下：
步骤1：破碎机故障诊断中，确定破碎机故障类型及故障特征参数，故障类型集T＝[T1；T2；T3；…；Tl]，相对应的故障特征参数集为P＝[P1；P2；P3；…；Pn]，在采集数据过程中，采集数据手段为通过传感器进行实时采集，并在所采集原始数据中记录下故障数据，并且故障类型与故障特征参数相互对应；数据选取最终目的是数据有效性及均匀分布性，保证故障特征参数均匀分布于故障类型下，即每类故障类型拥有相同多组数量的故障特征参数，避免出现对于某类故障训练过多现象，在每类故障类型下故障特征参数的选取总体规则为满足开采强度和时间多样性，即故障特征数据尽量分布于不同开采强度与时间。
步骤2：每种故障特征参数具有不同量纲和物理意义，需要对数据进行归一化处理，在同类数据中进行归一化，把故障特征参数标准化到[0-1]范围内，使得样本数据在训练时处于同等地位，输出层中故障类型主要是采用二进制编码表示，如四种故障类型时，分别表示为[1 0 0 0]、[0 1 0 0]、[0 0 1 0]、[0 0 0 1]。
步骤3：旋回式破碎机故障诊断模型所应用的BP神经网络的拓扑结构为3层神经网络，如图2，在故障诊断模型中，故障特征参数作为神经网络的输入，对应输入层神经元个数n，每个神经元中包含组故障特征参数，输出层对应破碎机故障类型，因此输出层神经元个数l，隐含层神经元个数m会在模型优化中确定。
步骤4：以归一化后的矩阵P作为输入数据，再写入目标输出数据T，根据网络拓扑结构，建立BP神经网络，调用newff函数建立网络，如：net＝newff(P,T,m,{'logsig','purelin'},'trainlm')，P是输入数据，T是目标输出，m为网络优化后确定的隐含层的神经元个数，logsig函数是输入层至隐含层的传递函数，隐含层至输出层的传递函数选择purelin函数，训练函数运用L-M法，在训练时需重新定义训练数据的划分，利用dividerand划分函数，设定每类数据的百分比，确定所需训练数据个数。
步骤5：数据确定后通过设置训练网络参数来实现所需神经网络性能，主要对net.epochs(训练迭代次数)、net.goal(训练目标精度值)、net.lr(学习速率)根据自身网络需要进行设置，其他的参数直接运用网络缺省值即可，设置参数分别为net.epochs＝500、net.lr＝0.01、net.goal＝0.01，所有参数设定完成后，对模型进行训练。
步骤6：通过调用仿真函数sim进行网络仿真得出实际输出，并利用函数perform计算实际输出与目标输出之间的均方误差(perf)，以此来检查网络性能训练的好坏，判断网络训练好坏的关键是均方误差是否小于目标误差。
步骤7：采用试凑法通过改变隐含层神经元个数观察均方误差的大小，确定出能达到误差目标、训练步数少且收敛速度快的隐含层神经元的数目，设隐含层神经元个数为m，在网络训练参数不变的前提下，参照三个经验公式，得出隐含层神经元个数大概范围。
m＝log2n (1)
m>n-1 (2)
步骤8：在隐含层个数范围内，以mmin为训练初始值，神经元个数每改变一次随之训练网络一次，训练后计算perf，并对比所有隐含层神经元个数情况下的perf大小，确定perfmin所对应的神经元个数为隐含层神经元个数。
步骤9：以优化后的旋回式破碎机故障诊断模型为诊断基础，在选取后的故障原始数据中再选一组数据作为故障测试数据，作为网络输入，测试诊断模型，进一步验证了旋回式破碎机故障诊断模型的可行性；
本发明通过根据BP神经网络的特点，运用其学习旋回式破碎机故障类型与故障特征参数的故障规律，建立旋回式破碎机故障诊断模型，能够有效实现对旋回式破碎机故障状态实时诊断，实际应用过程中可根据旋回式破碎机的个别故障情况进行调整。上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。
Claims (6)
1.一种基于BP神经网络的露天矿旋回式破碎机故障诊断方法，其特征在于，包括如下步骤：
(1)数据采集及选取
数据采集是利用露天矿旋回式破碎机上布置的传感器实时获取原始故障数据，数据选取遵循开采强度多样性及时间多样性的原则，选取的目标是满足数据分布均匀性及有效性，以确保诊断模型训练结果的准确性；
(2)旋回式破碎机故障诊断模型训练
基于BP神经网络技术，首先对故障特征参数进行归一化处理，故障类型采用二进制编码方式处理；然后把故障特征参数作为网络输入，故障类型作为网络期望输出，再根据输入、输出的数据矩阵维度来确定网络输入层神经元个数n、输出层神经元个数l，而隐含层神经元个数通过先设定一个初始值来进行训练；最后设定网络训练参数，训练后计算出均方误差，若其小于期望误差，训练完成，否则，重新训练；
(3)旋回式破碎机故障诊断模型优化
通过确定隐含层神经元个数来进行模型优化，隐含层神经元个数的确定主要采用试凑法，设隐含层神经元个数为m，在网络训练参数不变的前提下，参照三个经验公式，得出隐含层神经元个数大概范围，在隐含层个数范围内，设定神经元个数初始值开始训练，训练后计算perf，并对比所有隐含层神经元个数情况下的perf大小，确定均方误差最小情况下所对应的神经元个数为隐含层神经元个数，完成模型优化；
(4)旋回式破碎机故障诊断模型诊断测试
以优化后的诊断模型为基础，在选取后的故障原始数据中再选一组数据作为故障测试数据，然后作为网络输入，测试诊断模型。
2.根据权利要求1所述基于BP神经网络的露天矿旋回式破碎机故障诊断模型的建立方法，其特征在于，所述步骤(2)中，以破碎机故障特征参数为网络输入，以故障类型为网络输出，网络拓扑结构为n-m-l。
3.根据权利要求1或2所述基于BP神经网络的露天矿旋回式破碎机故障诊断模型的建立方法，其特征在于，所述步骤(2)中设定的网络训练参数包括网络训练迭代次数net.epochs、网络训练期望误差net.goal及网络训练学习速率net.lr，其余参数运用神经网络的缺省值。
4.根据权利要求3所述基于BP神经网络的露天矿旋回式破碎机故障诊断模型的建立方法，其特征在于，所述网络训练迭代次数net.epochs＝500，网络训练学习速率net.lr＝0.01，网络训练期望误差net.goal＝0.01。
5.根据权利要求1所述基于BP神经网络的露天矿旋回式破碎机故障诊断模型的建立方法，其特征在于，所述步骤(3)中三个经验公式是：
m＝log2n
m>n-1
<mrow>
<mi>m</mi>
<mo><</mo>
<msqrt>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>+</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</msqrt>
<mo>+</mo>
<mi>a</mi>
<mo>,</mo>
<mn>0</mn>
<mo><</mo>
<mi>a</mi>
<mo><</mo>
<mn>10</mn>
</mrow>
其中训练初始值为mmin，确定隐含层神经元个数为perfmin情况下所对应的神经元个数。
6.利用权利要求1所述基于BP神经网络的露天矿旋回式破碎机故障诊断模型的诊断方法，其特征在于，将检测数据作为网络输入，根据其输出结果，判断故障类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710681669.5A CN107480787B (zh) | 2017-08-10 | 2017-08-10 | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710681669.5A CN107480787B (zh) | 2017-08-10 | 2017-08-10 | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107480787A true CN107480787A (zh) | 2017-12-15 |
| CN107480787B CN107480787B (zh) | 2020-12-11 |
Family
ID=60599270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710681669.5A Active CN107480787B (zh) | 2017-08-10 | 2017-08-10 | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107480787B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229840A (zh) * | 2018-01-23 | 2018-06-29 | 合肥思博特软件开发有限公司 | 一种矿区事故安全管理系统 |
| CN109083887A (zh) * | 2018-09-13 | 2018-12-25 | 西安建筑科技大学 | 一种基于aca-bp算法的挖掘机液压系统的故障诊断方法 |
| CN110533167A (zh) * | 2019-08-23 | 2019-12-03 | 中国石化销售有限公司华南分公司 | 一种电动阀门执行机构用故障诊断方法及诊断系统 |
| CN111310907A (zh) * | 2018-12-12 | 2020-06-19 | 北京理工大学 | 一种微波组件故障诊断方法、装置及设备 |
| CN111814900A (zh) * | 2020-07-20 | 2020-10-23 | 安徽南瑞中天电力电子有限公司 | 基于matlab神经网络的电能表故障分类方法及其装置 |
| CN114398800A (zh) * | 2022-01-27 | 2022-04-26 | 矿冶科技集团有限公司 | 破碎机系统故障诊断方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102721545A (zh) * | 2012-05-25 | 2012-10-10 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
| CN103150594A (zh) * | 2013-03-18 | 2013-06-12 | 山东电力集团公司济宁供电公司 | 基于加动量项bp神经网络的变压器故障诊断方法 |
| CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
| CN103559538A (zh) * | 2013-11-12 | 2014-02-05 | 上海电机学院 | Bp神经网络结构优化方法 |
| CN104751229A (zh) * | 2015-04-13 | 2015-07-01 | 辽宁大学 | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 |
| CN105069291A (zh) * | 2015-08-06 | 2015-11-18 | 温州大学 | 一种基于emd和bp神经网络的电机轴承故障辨识方法 |
| CN105353255A (zh) * | 2015-11-27 | 2016-02-24 | 南京邮电大学 | 一种基于神经网络的变压器故障诊断方法 |
| CN105758645A (zh) * | 2014-12-20 | 2016-07-13 | 哈尔滨智晟天诚科技开发有限公司 | 一种基于概率神经网络的发动机故障诊断系统 |
| CN106127387A (zh) * | 2016-06-24 | 2016-11-16 | 中国电力科学研究院 | 一种基于bp神经网络的台区线损率评估方法 |
-
2017
- 2017-08-10 CN CN201710681669.5A patent/CN107480787B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102721545A (zh) * | 2012-05-25 | 2012-10-10 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
| CN103150594A (zh) * | 2013-03-18 | 2013-06-12 | 山东电力集团公司济宁供电公司 | 基于加动量项bp神经网络的变压器故障诊断方法 |
| CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
| CN103559538A (zh) * | 2013-11-12 | 2014-02-05 | 上海电机学院 | Bp神经网络结构优化方法 |
| CN105758645A (zh) * | 2014-12-20 | 2016-07-13 | 哈尔滨智晟天诚科技开发有限公司 | 一种基于概率神经网络的发动机故障诊断系统 |
| CN104751229A (zh) * | 2015-04-13 | 2015-07-01 | 辽宁大学 | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 |
| CN105069291A (zh) * | 2015-08-06 | 2015-11-18 | 温州大学 | 一种基于emd和bp神经网络的电机轴承故障辨识方法 |
| CN105353255A (zh) * | 2015-11-27 | 2016-02-24 | 南京邮电大学 | 一种基于神经网络的变压器故障诊断方法 |
| CN106127387A (zh) * | 2016-06-24 | 2016-11-16 | 中国电力科学研究院 | 一种基于bp神经网络的台区线损率评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙璐等: "《神经网络技术在破碎机故障诊断中的应用》", 《矿冶》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229840A (zh) * | 2018-01-23 | 2018-06-29 | 合肥思博特软件开发有限公司 | 一种矿区事故安全管理系统 |
| CN109083887A (zh) * | 2018-09-13 | 2018-12-25 | 西安建筑科技大学 | 一种基于aca-bp算法的挖掘机液压系统的故障诊断方法 |
| CN109083887B (zh) * | 2018-09-13 | 2020-04-21 | 西安建筑科技大学 | 一种基于aca-bp算法的挖掘机液压系统的故障诊断方法 |
| CN111310907A (zh) * | 2018-12-12 | 2020-06-19 | 北京理工大学 | 一种微波组件故障诊断方法、装置及设备 |
| CN110533167A (zh) * | 2019-08-23 | 2019-12-03 | 中国石化销售有限公司华南分公司 | 一种电动阀门执行机构用故障诊断方法及诊断系统 |
| CN111814900A (zh) * | 2020-07-20 | 2020-10-23 | 安徽南瑞中天电力电子有限公司 | 基于matlab神经网络的电能表故障分类方法及其装置 |
| CN114398800A (zh) * | 2022-01-27 | 2022-04-26 | 矿冶科技集团有限公司 | 破碎机系统故障诊断方法及装置 |
| CN114398800B (zh) * | 2022-01-27 | 2022-10-25 | 矿冶科技集团有限公司 | 破碎机系统故障诊断方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107480787B (zh) | 2020-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107480787A (zh) | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 | |
| CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
| CN104299659B (zh) | 核电站运行状态监控方法、装置及系统 | |
| CN101261782B (zh) | 基于网络的具有智能考核功能的液压综合实训系统 | |
| CN107884475A (zh) | 一种基于深度学习神经网络的城市燃气管道故障诊断方法 | |
| CN100470416C (zh) | 一种电厂热工设备智能状态诊断分析系统 | |
| CN103810328B (zh) | 一种基于混合模型的变压器维修决策方法 | |
| CN101916311B (zh) | 轨道交通自动驾驶系统模型开发与仿真测试系统与方法 | |
| CN106444489A (zh) | 基于数字化监测重型装备发动机的监测装置及其监测方法 | |
| CN107066759A (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
| CN106555788A (zh) | 基于模糊处理的深度学习在液压装备故障诊断中的应用 | |
| CN103559543B (zh) | 一种高炉煤气发生量的预测方法及装置 | |
| CN102606557A (zh) | 一种基于故障观测器与som的液压系统健康评估方法 | |
| CN105913173A (zh) | 一种基于三角模糊数的消防指挥自动化系统效能评估方法 | |
| CN102620939B (zh) | 一种发动机扭矩预测方法和装置 | |
| CN107622308A (zh) | 一种基于dbn网络的发电设备参数预警方法 | |
| CN109523897A (zh) | 离心法铀浓缩级联操作仿真平台 | |
| CN104240781A (zh) | 核电厂数字化仪控系统的信号分配方法及系统 | |
| CN104536970B (zh) | 遥信数据设备故障判断与分类系统及方法 | |
| CN111083662A (zh) | 基于云计算的水质监测物联网系统 | |
| CN107832789A (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
| CN107578100A (zh) | 一种基于过程参数的结果反馈方法及装置 | |
| CN110782664A (zh) | 一种智能车路系统的运行状况监测方法 | |
| CN106802599A (zh) | 一种基于专家数据库的电力变压器故障诊断系统 | |
| CN110611312A (zh) | 一种变电站间隔层全景数据在线模拟系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |