科学技术与工程
科學技術與工程
과학기술여공정
SCIENCE TECHNOLOGY AND ENGINEERING
2013年
25期
7298-7301
,共4页
经验模态分解%本征模态函数%设备温度%温度异常%混沌%BP神经网络
經驗模態分解%本徵模態函數%設備溫度%溫度異常%混沌%BP神經網絡
경험모태분해%본정모태함수%설비온도%온도이상%혼돈%BP신경망락
empirical mode decomposition%intrinsic mode function%equipment temperature%temperature anomaly%chaos%BP neural network
煤矿设备出现故障时,设备温度会迅速上升,表现出非线性和非平稳性的特点.为了较准确地预测温度异常,采用了基于经验模态分解(EMD)的神经网络方法对设备温度进行预测.该方法首先采用经验模态分解算法对设备温度时间序列进行分解,得到若干个平稳性较好的本征模态函数(IMF)分量和一个剩余量.然后分别对各分量及剩余量进行神经网络预测.仿真结果表明,基于EMD的神经网络预测方法比单一神经网络预测方法,预测精度更高,对于温度异常预测更有效.
煤礦設備齣現故障時,設備溫度會迅速上升,錶現齣非線性和非平穩性的特點.為瞭較準確地預測溫度異常,採用瞭基于經驗模態分解(EMD)的神經網絡方法對設備溫度進行預測.該方法首先採用經驗模態分解算法對設備溫度時間序列進行分解,得到若榦箇平穩性較好的本徵模態函數(IMF)分量和一箇剩餘量.然後分彆對各分量及剩餘量進行神經網絡預測.倣真結果錶明,基于EMD的神經網絡預測方法比單一神經網絡預測方法,預測精度更高,對于溫度異常預測更有效.
매광설비출현고장시,설비온도회신속상승,표현출비선성화비평은성적특점.위료교준학지예측온도이상,채용료기우경험모태분해(EMD)적신경망락방법대설비온도진행예측.해방법수선채용경험모태분해산법대설비온도시간서렬진행분해,득도약간개평은성교호적본정모태함수(IMF)분량화일개잉여량.연후분별대각분량급잉여량진행신경망락예측.방진결과표명,기우EMD적신경망락예측방법비단일신경망락예측방법,예측정도경고,대우온도이상예측경유효.
