《基于HPSO-RBF神经网络的瓦斯传感器故障诊断》PDF+DOC
作者:王婷,李国勇,吕世轩
单位:沈阳仪表科学研究院有限公司
出版:《仪表技术与传感器》2015年第03期
页数:4页 (PDF与DOC格式可能不同)
PDF编号:PDFYBJS2015030250
DOC编号:DOCYBJS2015030259
下载格式:PDF + Word/doc 文字可复制、可编辑
《基于小波包和RBF神经网络的瓦斯传感器故障诊断》PDF+DOC2015年第02期 单亚峰,孙璐,付华,訾海
《基于信息融合技术的瓦斯传感器故障诊断研究》PDF+DOC2008年第02期 王其军,程久龙
《基于小波神经网络技术的井下瓦斯传感器故障诊断分析》PDF+DOC2016年第05期 邵俊倩
《基于主元分析和集成神经网络的瓦斯传感器故障诊断》PDF+DOC2016年第09期 杨真,邓芳明,郝勇,徐长英,王宏,吴翔
《一种井下瓦斯传感器故障辨识方法》PDF+DOC2017年第03期 乔维德,周晓谋
《液体火箭发动机启动过程检测研究》PDF+DOC2005年第01期 李大鹏,王小军
《基于改进RBFNN算法的瓦斯传感器非线性校正》PDF+DOC2012年第01期 杨義葵,付华,蔡玲,顾东
《基于RBF神经网络的振弦式传感器在矿压测量中的温度补偿》PDF+DOC2010年第34期 赵国材,谭晓静,王昊轶
《基于小波包和神经网络的瓦斯传感器故障诊断》PDF+DOC2010年第05期 赵金宪,金鸿章
《传感器组自诊断与自修复方法研究》PDF+DOC2014年第03期 刘敏林,刘伯运,林瑞霖
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。
提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。