CN112816211A - 一种基于pso-bp算法的带式输送机故障诊断的方法 - Google Patents
一种基于pso-bp算法的带式输送机故障诊断的方法 Download PDFInfo
- Publication number
- CN112816211A CN112816211A CN202011632761.0A CN202011632761A CN112816211A CN 112816211 A CN112816211 A CN 112816211A CN 202011632761 A CN202011632761 A CN 202011632761A CN 112816211 A CN112816211 A CN 112816211A
- Authority
- CN
- China
- Prior art keywords
- belt conveyor
- neural network
- particle swarm
- fault diagnosis
- swarm optimization
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000002245 particle Substances 0.000 claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 claims abstract description 54
- 238000005457 optimization Methods 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 abstract description 9
- 238000004883 computer application Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000012806 monitoring device Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/023—Power-transmitting endless elements, e.g. belts or chains
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Control Of Conveyors (AREA)
Abstract
本发明涉及一种基于PSO‑BP算法的带式输送机故障诊断的方法,属于计算机应用技术领域,包括以下步骤:获取待检测的带式输送机检测传感器变量的样本数据、以及故障种类的标签数据,建立基于粒子群算法优化BP神经网络的带式输送机故障诊断模型,针对五种故障建立故障诊断模型,对纵向撕裂、打滑、跑偏、堆料、轴承故障进行预测,并对模型分别进行训练和仿真。为科学指导带式输送机故障诊断提供理论依据。对实现监测带式输送机运行,进而对保障人身及设备的安全具有重要指导意义。
Description
技术领域
本发明涉及计算机应用技术领域,尤其涉及一种基于PSO-BP算法的带式输送机故障诊断的方法。
背景技术
带式输送机的故障是指在设备的运行过程中所表现出的异常现象,它主要包括纵向撕裂、打滑、跑偏、堆料、以及轴承故障等。带式输送机故障诊断的提出为研究人员和维修人员提供了必要的辅助,能准确分辨出故障的种类,从而确保了整机的安全性能。传统的带式输送机故障诊断的实验方法,所需时间长、耗材多、费用高。为了确保带式输送机的输送能力,提高利用率,进行实时监测,即了解设备故障的前兆,提前对设备故障进行预报,降低维修费用,节省人力时间,提高维修效果,延长设备的使用寿命,意义重大。
发明内容
本项发明的目的是针对现有存在的技术问题,提供一种基于PSO-BP算法的带式输送机故障诊断方法,具有效率高、成本低、且精度高的优点。具体采用的主要技术方案包括:
一种基于PSO-BP算法的带式输送机故障诊断的方法,包括以下步骤:
1、获取数据。主要是指获取待检测的带式输送机检测传感器变量的样本数据,及其故障种类标签数据;
2、将获取的带式输送机检测传感器变量的样本数据输入带式输送机故障诊断模型之中;
3、带式输送机故障诊断模型根据输入的检测传感器变量的样本输出对应的故障种类即对故障种类进行预报。
优选地,在采用带式输送机故障诊断模型对所述传感器变量的样本数据进行处理之前,还包括:
采用多组带式输送机检测传感器变量的样本数据和故障种类的标签数据,建立基于粒子群算法优化的BP神经网络的带式输送机故障诊断模型。
优选地,所述方法还包括如下子步骤:
获取待检测的带式输送机检测传感器变量的样本数据,其中每组样本的数据中包含n个特征;
将带式输送机检测传感器变量的样本数据作为所述粒子群算法优化的BP神经网络的输入数据;
将所述故障种类标签数据分别作为所述粒子群算法优化的BP神经网络的输出数据;
使用粒子群算法得到所述BP神经网络的最优权值和阈值;
将所述最优权值设置为所述改进粒子群算法优化的BP神经网络的权值;
将所述最优阈值设置为所述改进粒子群算法优化的BP神经网络的阈值;
获得的粒子群算法优化的BP神经网络即为带式输送机故障诊断模型。
优选地,在使用粒子群算法得到所述粒子群算法优化的BP神经网络的最优权值和阈值时,在每一轮迭代中,根据第一公式获取惯性权重ω(k),所述第一公式为:
ω(k)=ωstart-(ωstart-ωend)·k/Tmax,其中,ωstart=0.9,ωend=0.4,k为当前迭代次数,Tmax为最大迭代次数。
优选地,在每一轮迭代中,根据第二公式更新粒子的个体极值Pib和群体极值Pg,所述第二公式为:
其中,Pi为第i个粒子的位置,f(·)为粒子的适应度函数。
优选地,所述粒子群算法优化的BP神经网络中,BP神经网络采用Sigmoid函数作为激活函数。
(三)有益效果
本发明的有益效果是:本发明中基于带式输送机多检测传感器变量的样本数据和故障种类标签数据建立的故障诊断方法,采用具有最优权值和阈值粒子群算法优化的BP神经网络对样本数据处理,得到的带式输送机故障分类精度较高且该方法效率高、成本低。
附图说明
图1为本发明实施例的基于PSO-BP算法的带式输送机故障诊断的方法示意图;
图2为本发明实施例的基于PSO-BP算法的带式输送机故障诊断的方法中建立带式输送机故障诊断模型的示意图;
图3为本发明实施例中测试数据中带式输送机故障诊断模型精度结果。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
如图1所示:本实施例公开了一种基于PSO-BP算法的带式输送机故障诊断的方法,包括以下步骤:
101、获取待检测的带式输送机检测传感器变量的样本数据,其中每组样本的数据中包含n个特征;
102、将获取的带式输送机检测传感器变量的样本数据输入带式输送机故障诊断模型;
103、带式输送机故障诊断模型根据输入的检测传感器变量的样本数据输出带式输送机故障种类。
其中,所述带式输送机故障诊断模型为预先采用带式输送机检测传感器变量的样本数据、以及故障种类的标签数据建立的,所述带式输送机故障诊断模型为粒子群算法优化的BP神经网络,所述带式输送机故障诊断模型具有经过粒子群算法优化后的最优权值和阈值,所述带式输送机故障诊断模型用于处理包含n个特征的检测传感器变量的样本数据以获得所对应的故障种类。
进一步地,所述方法,所述采用带式输送机故障诊断模型对所述带式输送机检测传感器变量的样本数据处理之前,还包括:
采用多组包括带式输送机检测传感器变量的样本数据、以及故障种类的标签数据组成的训练数据集,建立基于粒子群算法优化的BP神经网络的带式输送机故障诊断模型。
应当理解为,建立基于粒子群算法优化的BP神经网络的带式输送机故障诊断模型的步骤应当在采用带式输送机故障诊断模型对所述带式输送机检测传感器变量的样本数据处理之前。获取待检测的带式输送机检测传感器变量的样本数据可以在建立基于粒子群算法优化的BP神经网络的带式输送机故障诊断模型的步骤之前,或者之后。
具体地,获取带式输送机检测传感器变量的样本数据在建立基于粒子群算法优化的BP神经网络的带式输送机故障诊断模型步骤之前,适应于在模型建立阶段。
具体地,得到获得的检测传感器变量的样本数据以及其对应的故障种类的标签数据。并将这些检测传感器变量的样本随机的选择出一部分作为建立模型的训练样品,一部分作为样品作为验证模型的测试样品。
具体地,获取待检测的待检测的带式输送机检测传感器变量的样本数据在建立基于粒子群算法优化的BP神经网络的带式输送机故障诊断模型的步骤之后,适应于在模型建立之后使用模型进行对带式输送机故障诊断种类的预报阶段。
具体地,在建立基于粒子群算法优化的BP神经网络的带式输送机故障诊断模型之后,对获得的带式输送机检测传感器变量的样本,采用故障种类标签数据与之一一对应。采用建立的带式输送机故障诊断模型处理这些带式输送机检测传感器变量的样本,得到与之一一对应的故障种类。
经过前述的训练步骤和验证步骤,预测带式输送机的故障诊断误差较小,可以满足实际生产过程的需要。
BP算法1986年被提出,对多层神经元网络中隐单元层连接权的学习问题进行了系统地解决,并在数学上给出了完整的推导。
多层BP网络由输入层、隐藏层和输出层三部分组成。可以将BP网络的学习过程分为:正向传播、反向传播。正向传播时,由输入层开始逐层传播,每一层的输出只受输入的影响。当实际输出与期望输出之间存在很大的误差,开始反向传播。在进行反向传播时不断对权值和阈值进行调整修改,直到最够误差在一个可接受的范围内。
尽管BP(Back Propagation,以下简称BP)神经网络应用的比较多,可是仍然不可避免的会有一些缺陷存在,比如说:学习收敛速度太慢;不能确保收敛到全局最小点;网络结构的确定也存在一定难度。附加动量改进算法、拟牛顿改进算法、自适应调整参数改进算法等,这些算法尽管在一定程度上对系统的性能有所改善,但是并不能完全克服BP算法固有的缺陷。此外,对网络结果产生较大影响的一些参数以及结构是无法准确得到的,比如说:网络结构、初始连接权值和阈值。因此可以通过粒子群算法来对神经网络进行优化。
粒子群优化(Particle Swarm Optimization,以下简称PSO)算法是一种全局优化算法。因此,BP神经网络和粒子群优化算法结合起来,可以对BP的最优权值和阈值进行全局优化,但是传统的PSO在粒子速度的更新过程中采用恒定不变的惯性权重,将会造成PSO后期陷入局部最优,因此本发明的方法中在粒子群优化算法中引入线性递减的惯性权重来克服该缺点。使用以上粒子群优化算法来对BP神经网络的权值和阈值进行全局优化,获得的具有最优权值和阈值的粒子群算法优化的BP神经网络可用于处理带式输送机检测传感器变量的样本数据以获得带式输送机的故障种类。
具体地,所述的方法中,采用多组包括带式输送机检测传感器变量的样本数据以及相对应的故障种类的标签数据,建立基于粒子群算法优化的BP神经网络的带式输送机故障诊断模型,包括:
获取多组带式输送机检测传感器变量的样本数据以及相对应的故障种类的标签数据,其中,其中每组样本的数据中包含n个特征。
将所述带式输送机检测传感器变量的样本数据作为所述粒子群算法优化的BP神经网络的输入数据。
将所述带式输送机故障种类的标签数据作为所述粒子群算法优化的BP神经网络的输出数据。
使用粒子群算法得到所述BP神经网络的最优权值和阈值。
将所述最优权值设置为所述粒子群算法优化的BP神经网络的权值。
将所述最优阈值设置为所述粒子群算法优化的BP神经网络的阈值。
获得的粒子群算法优化的BP神经网络即为带式输送机故障诊断模型。
对BP神经网络说明如下:
BP学习算法属于有监督的学习,通过给定样本来进行学习,对网络连接权进行调整来达到学习的效果。
误差反向传播计算:
设:是实例k的输入向量Xk输入后,传送到第l层节点j的输入;表示第l层节点j的输出;为第l-1层的节点i连接第l层节点j的权值;n(l-1)为第l-1层的节点数;f为节点神经元的传递函数,BP网络的神经元传递函数通常使用S型函数,由BP网络神经元的输入输出关系,有
实际输出与期望输出之间的误差定义如下:
根据误差的负梯度来对权值进行修改,即
其中:η为学习率,0<η<1。
由式2、式3、式4有
其中:
Ⅰ.若第l层是输出层,则由式(5)可得
由式6、式7可得式9
由式由式6、式7和式9可得式10
对第l+1层节点q,类似第l层节点j的式2、式3、式8,有
因此可把式12表示为
由式8和式16可得
由式6、式7和式17可得
误差进行反向传播时,可用式10和式18求出输出层各节点和隐层各节点的δ的关系。计算出输出层各节点的δ值后,可以通过式18反向逐层计算出各隐层的所有节点的δ值。求出各节点的δ的值,结合式11或式18,就可以计算出各节点的权值修改量Δw,从而对权值进行修改。
对粒子群算法说明如下:
粒子群算法是由Kennedy和Eberhart提出的一种全局优化算法,源于对鸟群捕食行为的研究。粒子群算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。由于粒子群算法结构简单、容易实现,并且没有许多参数的调节,目前已被广泛应用于函数优化、神经网络训练等领域。
粒子群优化算法实现过程如下:在一个种群里,每一只鸟被抽象为一个粒子,并延伸到N维空间,粒子i在N维空间的位置Xi=(Xi1,Xi2,L,XiN),飞行的速度Vi=(Vi1,Vi2,L,ViN),每个粒子都有一个由目标函数决定的适应度值,其中,i=1,2,…,m。
在每一次迭代中,粒子通过跟踪粒子本身经历的最好的位置pbesti=(pbesti1,pbesti2,L,pbestiN)和整个群体所经过的最好的位置gbesti=(gbesti1,gbesti2,L,gbestiN),并根据公式(12)和(13)不断更新速度和位置。
其中,k为当前迭代次数,c1,c2为学习因子,ω为惯性权重。
本发明实施例的方法中,采用线性递减的惯性权重,从而更有效地避免早熟收敛,对网络增加稳定性。
具体地,所述的方法中,在使用粒子群优化算法得到所述粒子群算法去优化的BP神经网络的最优权值和阈值时,在每一轮迭代中,根据第一公式获取惯性权重ω,所述第一公式为:
ω(k)=ωstart-(ωstart-ωend)·k/Tmax,其中,ωstart=0.9,ωend=0.4,k为当前迭代次数,Tmax为最大迭代次数。
在每一轮迭代中,根据第二公式更新粒子的个体极值Pib和群体极值Pg,所述第二公式为:
其中,Pi为第i个粒子的位置,f(·)为粒子的适应度函数。
具体地,所述的方法中,所述粒子群算法优化的BP神经网络中,BP神经网络采用Sigmoid函数作为激活函数。
以下结合具体应用,对本发明实施例的基于PSO-BP算法的带式输送机故障诊断的方法进行说明。
收集带式输送机的检测传感器数据,共有100个样本,并设置100个标签数据。
具体地,100个样本中包括5种故障的样本数据各20个,取故障数据的前70个作为训练数据,后30为测试数据,并把相应数量的标签数据与之对应。
采用70组训练数据建立具有最优权值和阈值的粒子群优化算法优化的BP神经网络作为带式输送机故障诊断模型。如图2所示,本发明实例的基于PSO-BP算法建立带式输送机故障诊断模型的方法,步骤如下:
(1)把带式输送机检测传感器变量的样本数据输入给带式输送机故障诊断模型,每个样本数据有n个特征,故模型的输入数据为n个特征,输出数据为1个特征。
(2)初始粒子群算法和BP神经网络,粒子的最大迭代次数为50,粒子群数量为30;选择Sigmoid函数作为BP神经网络的激活函数。
(3)使用BP算法对训练集数据训练以得到粒子群的适应度值,对适应度值进行判断,然后保存最优的适应度值和粒子群的速度、位置以及粒子长度。
(4)当网络达到最大迭代次数时就退出寻优,这时的粒子群算法优化的BP神经网络具有最优权值和阈值。
利用该故障诊断模型处理30组测试数据,得到的带式输送机故障诊断的分类精确度结果如图3所示。
表一是列出了所述30组带式输送机检测数据的测试集采用本发明所提出的方法进行故障诊断的精度、均方根误差以及预报时间。可以看出本发明提出的基于粒子群优化的BP神经网络算法预报带式输送机故障种类的方法,耗时较短、成本较低且预测精度较高,可以满足工业生产的需求。
表1故障诊断预报结果
综上所述,本发明实施例的带式输送机故障诊断模型方法,采用粒子群算法优化BP神经网络建立的带式输送机故障诊断模型在带式输送机故障诊断预报时准确、高效。本发明实施例的基于PSO-BP算法的带式输送机故障诊断的方法在经济、速度、准确性方面具有很大的优势和重要的实际应用价值。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不能够使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一种基于PSO-BP算法的带式输送机故障诊断的方法,其特征在于该种方法包括以下步骤:
(1)获取待检测带式输送机检测传感器变量的样本数据和故障种类标签数据;
(2)将获取的带式输送机检测传感器变量的样本数据输入带式输送机故障诊断模型;
(3)带式输送机故障诊断模型根据输入的检测传感器变量的样本输出对应的故障种类。
2.根据权利要求1所述的方法,其特征在于,采用带式输送机故障诊断模型对检测样本数据进行处理,建立基于粒子群算法优化的BP神经网络的带式输送机故障诊断模型。
4.根据权利要求3所述的方法,其特征在于:
所述改进粒子群算法优化的BP神经网络中,BP神经网络采用Sigmoid函数作为激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011632761.0A CN112816211A (zh) | 2020-12-31 | 2020-12-31 | 一种基于pso-bp算法的带式输送机故障诊断的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011632761.0A CN112816211A (zh) | 2020-12-31 | 2020-12-31 | 一种基于pso-bp算法的带式输送机故障诊断的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112816211A true CN112816211A (zh) | 2021-05-18 |
Family
ID=75856562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011632761.0A Pending CN112816211A (zh) | 2020-12-31 | 2020-12-31 | 一种基于pso-bp算法的带式输送机故障诊断的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112816211A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627461A (zh) * | 2021-06-21 | 2021-11-09 | 江苏省镔鑫钢铁集团有限公司 | 一种基于pso-bp算法的带式输送机故障诊断方法、装置及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334059A (zh) * | 2018-02-26 | 2018-07-27 | 上海理工大学 | 基于粒子群算法优化bp神经网络模型故障诊断方法 |
CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
-
2020
- 2020-12-31 CN CN202011632761.0A patent/CN112816211A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334059A (zh) * | 2018-02-26 | 2018-07-27 | 上海理工大学 | 基于粒子群算法优化bp神经网络模型故障诊断方法 |
CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
刘岩松等: "基于PSO-BP的APU智能故障诊断方法研究", 《航空维修与工程》 * |
赵肖敏等: "基于BP神经网络的带式输送机故障诊断研究", 《起重运输机械》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627461A (zh) * | 2021-06-21 | 2021-11-09 | 江苏省镔鑫钢铁集团有限公司 | 一种基于pso-bp算法的带式输送机故障诊断方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510006B (zh) | 一种基于数据挖掘的企业用电量分析与预测方法 | |
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
Zheng et al. | A data-driven approach for remaining useful life prediction of aircraft engines | |
CN108694502B (zh) | 一种基于XGBoost算法的机器人制造单元自适应调度方法 | |
CN110689171A (zh) | 一种基于e-lstm的汽轮机健康状态预测方法 | |
CN110222371B (zh) | 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法 | |
CN111105104A (zh) | 一种基于相似日和rbf神经网络的短期电力负荷预测方法 | |
CN110619360A (zh) | 一种考虑历史样本相似性的超短期风功率预测方法 | |
CN111798095B (zh) | 一种基于神经网络电力电缆状态评价方法 | |
CN111813084A (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN106769032B (zh) | 一种回转支承使用寿命的预测方法 | |
CN110909802A (zh) | 一种基于改进的pso优化pnn平滑因子的故障分类方法 | |
CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
Huang et al. | Bayesian neural network based method of remaining useful life prediction and uncertainty quantification for aircraft engine | |
CN112816211A (zh) | 一种基于pso-bp算法的带式输送机故障诊断的方法 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
Chen et al. | Remaining useful life prediction of turbofan engine based on temporal convolutional networks optimized by genetic algorithm | |
CN114240687A (zh) | 一种适用于综合能源系统的能源托管效率分析方法 | |
CN107273971B (zh) | 基于神经元显著性的前馈神经网络结构自组织方法 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
Chang et al. | The selection of time domain characteristic parameters of rotating machinery fault diagnosis | |
CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 | |
CN115114971A (zh) | 一种基于bp神经网络的物流分拣设备故障诊断方法 | |
CN111612227A (zh) | 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210518 |
|
WD01 | Invention patent application deemed withdrawn after publication |