煤矿作业人员人因可靠性的径向基神经网络评价模型研究

依据人因可靠性原理、事故致因理论,结合煤矿生产系统的特点,提出了观测可靠度的概念,确立了一系列便于统计和赋值的人因可靠性评价指标。针对人因失误事件过程的动态性、复杂性以及数据的不完整性,利用径向基（RBF）神经网络学习速度快、抗干扰能力强的特点,建立了基于RBF神经网络的煤矿作业人员人因可靠性评价模型。对于岗位工龄短或有效记录不足的煤矿作业人员,利用训练好的RBF神经网络模型进行人因可靠性评价,经过实例验算证实了模型的可信性。     

A sequential probability ratio test (SPRT) to detect changes and process safety monitoring

Detecting anomalies is an important problem that has been widely researched within diverse research areas and application domains. The early detection of faults may help avoid product deterioration, major damage to the machinery itself and damage to human health. This study proposes a robust fault detection method with an Artificial Neural Network-Multi-Layer Perceptron (ANN-MLP) and a statistical module based on Wald's sequential probability ratio test (SPRT). To detect a fault, this method uses the mean and the standard deviation of the residual noise obtained from applying a NARX (Nonlinear Auto-Regressive with eXogenous input) model. To develop the neural network model, the required training and testing data were generated at different operating conditions. To show the effectiveness of the proposed fault detection method, it was tested on a realistic fault of a distillation plant at the laboratory scale.     

A hybrid approach to faults detection and diagnosis in batch and semi-batch reactors by using EKF and neural network classifier

This work deals with a new hybrid approach for the detection and diagnosis of faults in different parts of fed-batch and batch reactors. In this paper, the fault detection method is based on the using of Extended Kalman Filter (EKF) and statistical test. The EKF is used to estimate on-line in added to the state of reactor the overall heat transfer coefficient (U). The diagnosis method is based on a probabilistic neural network classifier. The Inputs of the probabilistic classifier are the input–output measurements of reactor and the parameter U estimated by EKF, while the outputs of the classifier are fault types in reactor. This new approach is illustrated for simulated as well as experimental data sets using two cases of reactions: the first is the oxidation of sodium thiosulfate by hydrogen peroxide and the second is alkaline hydrolyse of ethyl benzoate in homogeneous hydro-alcoholic. Finally, the combination of the estimated parameter U using EKF and probabilistic neural network classifier provided the best results. These results show the performance of the proposed approach to monitoring the semi-batch and batch reactors.     

基于BP神经网络的受限空间火灾联合探测方法

针对航空受限空间火灾探测高误报的问题,在现有技术成果基础上对多种火灾探测方式进行研讨,并提出1种基于BP神经网络技术的飞机机身内部受限空间火灾联合探测报警方法。该方法结合现有烟雾感应、气体传感器探测等常用火灾探测技术,以红外热成像探测为辅助手段,采用神经网络实现数据融合,对模拟实验舱火灾烟雾进行联合探测,在单一火灾探测方式基础上提高了探测准确率。     

基于支持向量机的高速公路事件检测

针对交通领域中的事件检测(无事件模式和事件模式)模式识别问题,描述了支持向量机(SVM)支持的基本方法,建立了基于线性(linear function)、多项式(polynomial function)和径向基(radial basis function)3种核函数的事件检测SVM模型。采用高速公路路段I-880线圈数据集和事件数据集验证模型,结果发现:无论对于向北、向南或混合方向的事件检测,在3个SVM模型中,SVM(P)检测效果最好,SVM(L)最差。SVM算法具有避免局部最小,实现全局最优化,更好的泛化效果的优点,是高速公路事件检测的一种很有潜力的算法。     

驾驶员注意涣散检测技术研究

通过对注意涣散时驾驶员头部运动及面部表情变化特征的分析,系统实时监测驾驶员眼睛、嘴巴位置和运动状态信息,构建驾驶员注意涣散特征表征参量,实现对驾驶员注意涣散状态信息的检测与提取。驾驶员注意涣散表征量具有复杂的非线性特征,利用BP神经网络非线性识别的优势对驾驶员注意特征进行模式分类,实现驾驶员不同注意涣散状态下的特征捕捉。同时采用Dempster-Shafer证据推理技术,对驾驶注意涣散多源表征信息进行决策融合,实现对驾驶员注意涣散状态的判断。结果表明,BP神经网络与D-S规则多源信息决策融合技术的运用提高了驾驶员注意涣散特征检测的准确性和可靠性。     

基于PCA和BP神经网络边坡稳定性分析

基于影响边坡稳定性各因素之间具有一定的相关性和边坡工程是一个非线性、不确定的动态过程等这些特征,首次应用主成分和BP神经网络的原理和方法,建立了边坡稳定性评价模型,并应用SPSS软件对影响因素进行分析并确定主成分,应用Matlab71神经网络工具箱对一些边坡样本进行训练仿真。对比了经过主成分分析和未经过主成分分析评价结果,结果表明,经过主成分分析的BP神经网络评价精度更高,相对误差更小。表明了建立主成分和BP神经网络评价模型具有较好的可行性和适用性。     

基于BP神经网络和SVR的Fund?o尾矿坝排水数据预测对比研究

针对尾矿库运行过程中安全预警问题,选取2015年巴西Samarco铁矿溃坝事故案例,研究BP神经网络和SVR方法在排水数据预测的适用性。综合分析了排水数据的复杂且非线性的特点,以库水位、降雨量和干滩长度为输入特征,采用上述2个模型对尾矿坝排水数据进行预测。研究结果表明:基于BP神经网络预测结果的最大相对误差不高于4.35%;基于SVR算法的最大相对误差不高于9.21%;Fundo坝的排水预测结果是可行的,BP神经网络的预测精度更高,而SVR模型的运算速度更快。研究结果可为矿山安全工作的快速响应和溃坝预警提供信息支撑和参考依据。     

基于CNN_LSTM模型的复杂支路故障电弧检测*

在低压交流配电系统中,当多支路并联的复杂系统的某1支路中出现串联电弧故障时,识别难度大幅提升。为了预防此类情况引发的电气火灾,提出1种卷积神经网络(CNN)与长短时记忆网络(LSTM)结合的串联故障电弧检测方法。首先,搭建实验平台用以采集不同负载在不同支路下发生故障时和正常工作时的干路电流数据;然后,构建CNN_LSTM模型并做出相应改进,将电流数据直接输入到模型中,由模型自主提取波形特征并进行分类。研究结果表明:该方法可以快速、准确地识别出电弧故障,准确率达99.04%以上,且能够较为准确地检测出是哪类负载所在的支路发生电弧故障,准确率达97.90%,可为复杂支路下的电弧故障识别研究提供参考。     

BP神经网络在矿井本质安全程度评价中的应用

采用BP神经网络对矿井本质安全程度进行评价。介绍了矿井本质安全程度评价方法以及BP神经网络的结构及原理;按照BP神经网络训练的步骤,以matlab6．0为平台,利用其内嵌的神经网络工具箱,生成通用的神经网络评价模型;输入经过标准化后的矿井本质安全程度指标的评价分数,投入神经网络运算,就可以得出该矿井的本质安全程度。     

基于模糊神经网络方法的信息系统安全风险评价研究

为提高信息系统安全风险评价的准确性,提出基于模糊神经网络的信息系统安全风险评价模型。该模型利用模糊理论隶属度反映各因子的相对状态,对模糊性具有很高的识别精度。将风险因子模糊隶属度矩阵输入BP神经网络中,增加了它对模糊性的识别能力。通过非线性分析处理的BP神经网络进行学习和测试,得到输出风险评价等级。实例分析结果证明算法的应用性。误差分析结果证明了模型的有效性。检验结果表明,模糊神经网络模型的识别精度高于单一的模糊评价模型和神经网络模型。     

基于IPSO-BP神经网络的钢丝绳断丝损伤识别模型研究

为解决传统钢丝绳断丝损伤识别方法精度低,BP神经网络陷入局部最优等问题,提出改进粒子群算法（IPSO）的BP神经网络识别模型。通过采集钢丝绳断丝损伤信号,提取缺陷信号特征,用峰值、峰峰值、波宽、波形下面积和波动能量5个特征值组成特征向量作为神经网络的输人,断丝数量作为神经网络的输出;利用改进粒子群算法对BP神经网络的初始权值和阈值进行优化;建立基于IPSO-BP算法的神经网络模型,用于钢丝绳断丝的定量识别。结果表明:IPSO-BPS神经网络模型的钢丝绳断丝损伤识别精度、泛化能力均高于传统BP神经网络模型,且改进的粒子群算法迭代寻优速度更快。     

A new fault detection method for non-Gaussian process based on robust independent component analysis

Conventional fault detection method based on fast independent component analysis (FastICA) is sensitive to outliers in the modeling data and thus may perform poorly under the adverse effects of outliers. To solve such problem, a new fault detection method for non-Gaussian process based on robust independent component analysis (RobustICA) is proposed in this paper. A RobustICA algorithm which can effectively reduce the effects of outliers is firstly developed to estimate the mixing matrix and extract non-Gaussian feature called independent components (ICs) by robust whitening and robust determination of the maximum non-Gaussian directions. Furthermore, a monitoring statistic for each extracted IC is constructed to detect process faults. Simulations on a simple example of the mixing matrix estimation and a fault detection example in the continuous stirred tank reactor system demonstrate that the RobustICA achieves much higher estimation accuracy for the mixing matrix and the ICs than the commonly used FastICA algorithm, and the RobustICA-based fault detection method outperforms the conventional FastICA-based fault detection method in terms of the fault detection time and fault detection rate.     

城市燃气管网泄漏事故分析知识图谱构建及应用研究*

为深入认识燃气管网泄漏事故的发生发展机理,提高事故分析预测的自动化、智能化、数字化水平,利用知识图谱对燃气管网泄漏事故进行研究。在事故案例分析的基础上,从人-物-环-管的角度对燃气泄漏过程以及火灾爆炸次生事故的相关实体进行归纳梳理,对实体间的逻辑关系和非逻辑关系进行辨识,并对实体的属性进行分类,进而构建出较为全面的燃气管网泄漏事故知识图谱。在此基础上,搭建BP神经网络模型,基于已知实体或属性状态,预测相关联其他实体或属性的状态。研究结果表明:燃气管网知识图谱能够有效展示燃气管网泄漏事故发展的动态过程及相关要素,结合BP神经网络能够有效预测事故的发展路径及相关状态,从而提高燃气管网泄漏事故的分析预测水平与效率。     

一种基于LVQ神经网络与图像处理的火焰识别算法

针对传统火灾探测技术存在的不稳定、误判率高等缺点,通过分析室内火灾图像与常见干扰光源图像的特点,提出一种基于人工神经网络的火焰图像检测技术。对火焰图像的基本特性进行分析,利用火焰图像序列的面积重叠率和中心相对移动率以及颜色等信息,结合实现学习向量量化(LVQ)神经网络融合技术,对视频序列图像中火焰的自动检测。仿真试验结果表明,基于LVQ神经网络的信息融合算法的网络收敛速度较快,有较高的火灾火焰识别准确率。     

基于感知机的故障树最小割集算法

在人工神经元网络原理的基础上,提出了一种计算复杂系统最小割集的方法。该方法根据逻辑“与”和“或”门具有线性可分割的特点,选用了基于M-P模型算法的感知机网络作为计算模型,理论推导出故障树中的逻辑关系与感知机模型中神经网络基本单元之间的转换规则,利用该规则可将所建故障树转化成便于编程求解的由神经网络基本单元组成的神经网络树。实例计算结果表明,感知机网络模型适合表达故障树中的逻辑关系,神经网络树所反映的基本事件与顶事件之间的映射关系便于编程求解,并可快速准确地获得复杂系统故障树的最小割集。     

基于深度学习的输煤皮带故障视觉检测方法研究

为了更好地检测皮带跑偏、撕裂和异物干扰等严重影响皮带安全运行的故障状态,围绕相关问题产生的原因及检测方法开展深入研究,通过对纵/横向裂缝、异物的检测分析、实验,提高基于视觉的检测精度。提出基于Canny边缘检测算法的皮带跑偏检测算法;基于深度学习的横向与纵向撕裂检测,尤其对于裂缝与纵向纹理区分不明显情况,提出一种红光透射的判别方式;基于最小距离分类算法将识别异物转换为分类问题,利用机器学习的方法对样本进行训练并建立无异物阈值,通过提取特征,最后利用最小距离分类算法得到有无异物的结果。研究结果表明:提出的视觉检测系统可以实时高效地检测出输煤皮带常见的3种故障,可进一步保障运输系统安全运行。     

Integration of techniques for early fault detection and diagnosis for improving process safety: Application to a Fluid Catalytic Cracking refinery process

In this paper we show the integration of techniques for early fault detection and diagnosis of operational faults in industrial processes, and we show an application example in a Fluid Catalytic Cracking refinery process. The early fault detection and diagnosis allow the operators in an industrial process to take the best actions during the real state of the process, avoiding incipient faults to scale to critical situations where there is risk of human lives and economical lost.     

基于数字锁相技术的飞机货舱火灾烟雾光学参数方法研究*

为解决飞机货舱火灾光学探测易受环境杂光和空气中灰尘、水汽干扰,误报率高的问题,提出1种基于数字锁相的双波长火灾烟雾探测方法。利用数字锁相技术调制双波长光源,选择性地提取微弱光散射信号,并设计前、后双向散射光探测光路。采用常见火灾材料及干扰源进行真假火源实验,依据米氏散射理论及不同粒径气溶胶颗粒对不同波长光的散射效应差异,以不对称比（AR）和双波长光强比（DWIR）作为火灾检测参数对不同粒径颗粒进行区分,根据2种火灾检测参数建立数据样本,利用BP神经网络进行分析,并加入复合式传感器实验作为对比。研究结果表明:基于数字锁相技术的火灾烟雾光学探测方法能够在一定程度上区分火灾烟雾和干扰源,误报率小于3.5%。     

航空活塞发动机点火强度均衡性测试及防火研究

针对磁电机故障和点火电嘴故障会使发动机失去动力引起飞行事故,高压导线破损放电可能导致动力系统起火并引发飞机火灾等安全隐患,利用紫外探测技术和虚拟仪器技术设计了航空活塞发动机点火强度均衡性测试系统,利用该测试系统完成航空活塞发动机点火系统的安全隐患检测。以四缸活塞发动机正常点火、高压导线破损、点火电嘴积碳等三种点火系统作为测试对象,测试发动机在不同转速下各气缸点火电火花紫外辐射强度,用以表征点火能量强度。实测得到,在不同转速下点火电嘴积碳故障都会导致点火强度降低;高压导线破损漏电会同时导致点火能量损失与点火强度不均衡,并且与转速呈正相关。测试结果可为航空活塞发动机点火系统故障排除及发现可能存在的高压导线破损放电电气火灾隐患点提供技术依据。