基于HPSO-RBF神经网络的瓦斯传感器故障诊断

发布时间：2018-06-18 22:32

  本文选题：瓦斯传感器 + 混合粒子群优化算法　； 参考：《仪表技术与传感器》2015年03期

【摘要】：针对瓦斯传感器常见故障,提出一种混合粒子群优化(HPSO)算法与径向基函数(RBF)神经网络相结合的传感器故障诊断新方法。文中首先采用HPSO算法对RBF神经网络模型参数进行了优化,在详细分析瓦斯浓度影响因素的基础上,建立了瓦斯浓度非线性预测模型。然后将瓦斯浓度预测结果与实际测量值相比较得到残差,并分析残差的变化趋势,从而实现对瓦斯传感器的故障诊断。实验结果表明,HPSO-RBF模型具有较高的预测精度,能够有效地诊断瓦斯传感器的故障状态。
[Abstract]:A new method of sensor fault diagnosis based on hybrid particle swarm optimization (HPSO) algorithm and radial basis function (RBF) neural network is proposed. In this paper, the parameters of RBF neural network model are optimized by HPSO algorithm. Based on the detailed analysis of the influencing factors of gas concentration, the nonlinear prediction model of gas concentration is established. Then the residual error is obtained by comparing the prediction result of gas concentration with the actual measured value and the trend of residual error is analyzed so as to realize the fault diagnosis of gas sensor. The experimental results show that the HPSO-RBF model has high prediction accuracy and can effectively diagnose the fault state of gas sensor.
【作者单位】： 太原理工大学信息工程学院;太原理工大学煤矿装备与安全控制山西省重点实验室;
【基金】：山西省自然科学基金资助项目(2011011011-1)
【分类号】：TD712;TP183

【参考文献】

相关期刊论文 前2条

1 李秀英;王光辉;韩志刚;;基于高速收敛粒子群优化算法的非线性系统无模型预测控制[J];控制与决策;2012年05期

2 王军号;孟祥瑞;吴宏伟;;基于小波包与EKF-RBF神经网络辨识的瓦斯传感器故障诊断[J];煤炭学报;2011年05期

【共引文献】

相关期刊论文 前6条

1 孙淑杰;苏成利;侯立刚;;一种基于VRFT的全格式无模型自适应控制[J];化工自动化及仪表;2013年04期

2 黄凯峰;刘泽功;王其军;杨静;高魁;;基于ASGSO-SVR模型的瓦斯传感器故障诊断[J];煤炭学报;2013年S2期

3 李太福;侯杰;姚立忠;易军;辜小花;游勇涛;;Gamma Test噪声估计的Kalman神经网络在动态工业过程建模中的应用[J];机械工程学报;2014年18期

4 陈国彬;张广泉;;基于LFSN和小波变换的业务流预测算法[J];计算机工程;2014年10期

5 戴永彬;;基于粒子群优化的非线性预测控制算法的特性分析与仿真研究[J];辽宁工业大学学报(自然科学版);2014年06期

6 柏骏;夏靖波;赵小欢;;一种基于EMD和RVM的自相似网络流量预测模型[J];计算机科学;2015年01期

相关博士学位论文 前3条

1 王军号;基于物联网感知的煤矿安全监控信息处理方法研究[D];安徽理工大学;2013年

2 梁双华;矿井瓦斯传感器优化选址研究[D];中国矿业大学;2013年

3 许芳;快速模型预测控制的FPGA实现及其应用研究[D];吉林大学;2014年

相关硕士学位论文 前6条

1 高路萍;凝汽器污垢智能建模与优化控制方法研究[D];长沙理工大学;2012年

2 鲍利斌;阴影条件下光伏系统最大功率点跟踪控制研究[D];燕山大学;2013年

3 李陈陈;基于非线性预测控制的瓦斯发电安全输气系统[D];安徽理工大学;2013年

4 陈育成;基于小波包的短时风机出力组合预测模型研究[D];广东工业大学;2014年

5 姜孜，

本文编号：2037088