針對(duì)目前除塵器故障診斷主要基于人工經(jīng)驗(yàn)判斷并結(jié)合停機(jī)檢查,存在科學(xué)性與自動(dòng)化水平不足、診斷效率低等問題,分析了除塵器濾芯破損、清灰失效、濾芯堵塞、卸灰障礙4個(gè)主要故障類型,選取粉塵排放濃度、過濾阻力、入口風(fēng)量、漏風(fēng)率、耗氣量5個(gè)診斷參數(shù),建立了除塵器故障診斷的BP和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。實(shí)例分析表明:BP神經(jīng)網(wǎng)絡(luò)模型收斂速度快,預(yù)測(cè)效果理想,可以準(zhǔn)確判斷除塵器故障類型,對(duì)濾芯破損、清灰失效、濾芯堵塞、卸灰故障的平均預(yù)測(cè)誤差分別為0. 035%、0. 110%、0. 118%、0. 215%,預(yù)測(cè)結(jié)果優(yōu)于RBF神經(jīng)網(wǎng)絡(luò)。 

【文章來源】：礦業(yè)安全與環(huán)保. 2020,47(01)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

除塵器模擬實(shí)驗(yàn)系統(tǒng)

基于BP神經(jīng)網(wǎng)絡(luò)的故障類型診斷模型

對(duì)比Scaled Conjugate Gradient(trainscg)、Levenberg Marquardt(trainlm)、Resilient Propagation Training(trainrp)、BFGS-擬牛頓法(trainbfg)等常用的訓(xùn)練方法[12]進(jìn)行訓(xùn)練，得到不同訓(xùn)練過程曲線，如圖3所示。圖3 不同訓(xùn)練方法得到的訓(xùn)練過程曲線


本文編號(hào)：3324718