基于FXLMS算法的矿用有源耳罩的研究

基于矿井中低频噪声突出,存在时间长、危害大,尤其周期性噪声比重较大,而传统降噪技术对其降噪效果并不明显,提出了基于fxlms 算法的自适应有源降噪耳罩降低矿井中的低频周期性信号,并采用离线建模方法建立了次级通道模型,利用MATLAB8.0拟合了64阶的滤波器,对 矿井中具有代表性的1kHz低频周期噪声和伴有随机噪声的1kHz低频周期性噪声进行了降噪仿真研究。结果表明:1kHz低频周期性噪声的降噪量 达到了30dB。而且在本模型下,随机噪声对低频周期性噪声的降噪效果几乎没有影响。     

HPF(高通数字滤波器)的电网谐波检测技术的研究与应用

为有效地消除电力谐波污染、确保电网运行安全,必须采用有源电力滤波技术;为改善有源电力滤波器的性能,必须采取先进的谐波检测方法、高效的逆变技术。笔者在研究有源电力滤波技术的基础上,对有源电力滤波的关键技术即谐波检测与分离技术,进行了探讨和深入研究,给出了一种HPF(高通数字滤波器)的谐波检测与分离方法,进行了理论验算,利用MATLAB仿真结果对该检测技术进行实验研究。仿真和实验结果表明:该法比常用的LPF(低通数字滤波器LowPassDigitalFilter)的谐波检测分离方法具有更好的检测实时性;在电网电压有畸变时也能达到很高的检测精度;该检测技术应用于混合有源电力滤波器后能大大改善滤波性能。     

Research on a small-noise reduction method based on EMD and its application in pipeline leakage detection

The noise included in pipeline pressure signal is a small noise whose energy takes a small proportion of pressure signal and is concentrated on high frequency components. However, it will influence pipeline leakage identification and even cause false alarms. Thus, a small-noise reduction method based on EMD (SNR-EMD) is proposed to remove small noise from pressure signal. EMD is applied for extracting the mean envelope of the signal. Then, small fluctuations around the mean envelope are considered to be small noises. Meanwhile, end effect of SNR-EMD is restrained by extrema mirror extension (EME). The results of simulation studies with SNR-EMD show that the larger the noisy signal's signal-to-noise ratio (SNR) is, the better noise reduction effect becomes. And SNR-EMD considered as a low-pass filter removes or reduces the high frequency components. Furthermore, superiorities of SNR-EMD are verified by comparison studies with wavelet packet transform (WPT) and singular value decomposition (SVD). Finally, a case study of leakage identification shows that SNR-EMD can improve the performance of leakage identification and reduce the possibility of false alarms, which makes much easier and further effective to distinguish the leakage mode from other modes after removing noise from pressure signal.     

基于TMS320F240 DSP的电网谐波抑制全数字化控制的研究

为治理电力系统谐波污染 ,提高电力系统运行的安全稳定性 ,笔者对混合式并联有源电力滤波系统的结构和工作原理进行了分析和研究。该系统由无源滤波器和小容量有源滤波器串联构成 ,与被补偿的谐波负载并联连接。基于TMS32 0F2 4 0DSP开发套件 ,设计数字控制器主程序和中断服务子程序。实验结果表明 ,采用TMS32 0F2 4 0DSP编程方便并直观 ,运算精度高 ,控制器参数调整方便 ,易于实现各种控制策略。研究成果对DSP在有源电力滤波系统中的应用有重要参考价值。     

滤筒式除尘器的脉冲清灰噪声测试及分析

滤筒除尘器在使用过程中需要通过脉冲喷吹清灰来维持本身的正常运行,脉冲喷吹是以压缩空气为清灰动力,运行过程中势必会产生噪声,其在一些噪声有限值要求的场合,如空调净化系统中使用时,必须考虑降低噪声以达到相关噪声限值的要求。对滤筒除尘器在脉冲喷吹清灰时产生的噪声做了测试,并与空调净化系统中的噪声限值做了对比分析,提出了滤筒除尘器在空调净化系统中使用时对脉冲喷吹清灰噪声控制的具体而有效的解决办法。     

基于模糊控制理论和神经网络的建筑火灾报警系统

针对目前建筑火灾事故频发及事故后果严重、影响大的现实问题 ,提出并介绍了基于模糊控制理论、人工神经网络的火灾安全报警系统 ,以及系统的作用原理。该系统依靠模糊控制理论提高了灵敏度 ,减少了误报率 ,并结合神经网络具有自学习功能的特点 ,提高了整个系统的智能化程度。     

过滤材料声学性能的实验研究*

为探讨纤维过滤材料的吸声效果,扩展吸声材料的选择范围,并为噪声粉尘一体化控制提供指导,通过实验分析不同等级一般通风用纤维层滤料的过滤性能和吸声性能,研究叠加方式及空腔设置等对滤料吸声性能的影响。研究结果表明:一定条件下,滤料的过滤效率越高吸声性能越好;单层滤料吸声效果较差,通过多层叠加,可显著提升吸声效果,达到吸声材料水平;不同等级滤料组合叠加,按过滤效率降序排列整体吸声性能更好。滤料作为吸声材料应用时,在其后侧设置空腔可明显增强吸声效果;兼顾过滤和降噪时,考虑粗效对中效滤料的保护作用,可在粗效加中效滤料后再附加粗效滤料,达到在不显著增加阻力的同时改善吸声性能的目标。     

基于模糊系统与神经网络融合的故障诊断方法

提出一种基于模糊系统（ＦＳ）与神经网络（ＮＮ）融合的系统故障诊断方法。此法把模糊系统与神经网络融合在一起,通过神经网络的学习来生成和调整模糊系统的隶属函数,充分发挥各自优点,更有效地对系统出现的故障进行诊断。对系统进行了仿真,并得出了比较满意的结果。     

基于粗糙集-人工神经网络的航空安全文化评价模型研究

根据航空运输企业安全生产系统的特征,制定相对科学的、适用的安全文化评价指标体系。将粗糙集、人工神经网络方法应用于航空安全文化评价研究。首先,通过问卷调查与粗糙集方法相结合,对安全文化评价指标信息表进行设定。利用粗糙集的属性约简功能,确定航空安全文化的核心要素;其次,利用人工神经网络对约简后指标权重进行计算;经过仿真实验,训练后的神经网络较好地获取并保存了安全文化评价的知识和经验,能够较为准确地对航空安全文化进行评价。     

基于人工神经网络的二元液体闪点预测

建立了一个基于人工神经网络的理论模型,用于预测二元混合液体的闪点.根据所研究混合液体的物理性质,选择了相关黏度、表面张力等物理参数来表征闪点,以这些参数作为输入参数,二元混合液体的闪点作为输出值,应用反向传播(BP)人工神经网络方法对两者之间的内在定量关系进行模拟.结果表明,闪点预测值与实验值符合良好,优于传统的计算方...     

两类新型神经网络及其在安全评价中的应用

详细讨论小波神经网络(WNN)和模糊神经网络(FNN)的构造以及训练学习过程,并针对安全评价问题分别完成算例。典型算例表明:小波神经网络具有很好的逼近与映射能力,并且有很强的泛化能力;模糊神经网络将模糊数学与人工神经网络相互融合起来,有效提升了系统的智能功能。两类新型神经网络使得人-机-环境系统工程中的许多安全评价问题有了更广泛的量化工具,并具有安全评价的量化较准确的特点。     

基于信息融合的自然灾害等级评估方法研究

为对自然灾害灾情等级进行准确评估,在BP神经网络模型的基础上,结合DS证据理论建立基于信息融合的自然灾害灾情等级评估模型。该模型通过对输入的灾害评估指标数据进行分类,建立网络组,对网络组的输出,建立对于各类信任度的基本概率分配函数,最后利用DS证据理论融合,从而实现灾害的最终等级评估。在MATLAB环境下,以我国45个自然灾害的灾情历史资料数据为训练样本进行模型训练,并对2009年自然灾害灾情进行评估测试。结果表明,该模型能改善单一BP神经网络不稳定、误差大的缺点,得到较优的结果。     

主元分析-神经网络岩爆等级预测模型

为准确可靠地预测岩爆灾害,构建结合主元分析法(PCA)的径向基神经网络(RBFNN)、概率神经网络(PNN)和广义回归神经网络(GRNN)岩爆预测模型.选取6个常用的参数构成岩爆预测指标体系,采用PCA消除各指标间的相关性并降维,得出3个线性无关的主元即岩爆综合预测指标Y1、Y2和Y3,构成RBFNN、PNN、GRNN...     

基于频率和BP神经网络的井架钢结构损伤识别

为了快速、准确地诊断井架钢结构的损伤位置和程度,提出仅基于测试精度高的频率数据和BP神经网络的识别方法。首先,选择频率变化比和频率平方变化比组合参数作为损伤位置识别因子,频率变化率作为损伤程度识别因子;然后,分步构建损伤位置和损伤程度识别的BP神经网络;最后,利用前10阶频率数据和BP神经网络对现场某井架钢结构的损伤位置和程度进行识别。分析结果表明,在测试噪声为10%时,采用前6阶损伤位置识别因子,能够清楚识别损伤位置,识别结果分别是1,5,9,15,19号单元损伤;采用前10阶损伤程度识别因子,1号单元的损伤程度识别结果分别为0.106 9,0.318 2,0.505 4,0.710 2,0.915 9,识别误差均不超过10%。     

ARX modeling approach to leak detection and diagnosis

This work presents a time series strategy for detection, location and quantification of leaks in large pipeline systems. The technology has two active components, which operate sequentially: the Detector and the Localizer. The Detector continuously screens real-time data, searching for any anomalies such as leaks, which are detected (or not) depending on their size and position. The Detector is based on auto-regressive multi-input/multi-output (MIMO) ARX predictors with one input filter. Subsequent to successful leak detection, the Localizer is launched to diagnose the leak via estimation of its parameters – diameter and location – using recorded data on a Search Time Window that includes information in the neighborhood of the instant of detection. The Localizer is also an ARX predictor, but with two input processors, the first is a filter for dynamic plant inputs and the second filter processes “parameter signals” of active leaks. The Localizer is developed beforehand via model identification with plant data under the action of known, artificially simulated, leaks. It is, therefore, able to recognize an active pattern of leak parameters, by maximizing the adherence of its predictions to data in the Search Time Window. The proposed detection and location methods were successfully tested in simulated leak scenarios for an industrial naphtha pipeline.     

基于人工神经网络的气体泄爆最大超压预测研究

为解决传统经验公式在预测气体泄爆中最大超压出现时的较大偏差或过于保守的问题,提出使用人工神经网络预测气体泄爆最大超压。基于124组实验数据,采用BP与RBF神经网络,通过优化算法计算与迭代循环对泄爆样本中的影响因素进行降维与选择,并确定2类神经网络本身在学习与计算气体泄爆样本时的相关参数。结果表明:PCA（主成分分析法）在当前样本条件下的降维效果较差,而通过迭代对比确认气体泄爆样本中的5类特征全部保留时神经网络的训练模拟效果最好;通过对124组实验数据进行随机挑选训练集与测试集的训练模拟结果发现,神经网络对气体泄爆中最大超压的预测效果较好;通过对比Molkov提出的和经Fakandu等改进的NFPA 68经验公式以及2类神经网络的预测结果表明,神经网络相比于传统气体泄爆经验公式具有明显优势。     

An alternative work measurement method and its application to a manufacturing industry

Difficulties in determining the standard time justify the need to develop alternative methods to direct measurement procedures. The indirect methods which are comparison and prediction, standard data and formulation, predefined movement-time systems have several deficiencies in time measurement procedures. In this study, an alternative indirect work measurement method based on artificial neural networks (ANNs) is presented which is simple and inexpensive. For the application of the proposed method, the products that have similar production processes are selected among the whole product family produced in a manufacturing company. The standard times of the sampled products that are previously measured are used and the standard times of the remaining several products and semi-products are predicted by the proposed method. The model results show that the proposed method can be applied accurately in companies which produce similar products.