基于PSO-SVM的矿用自卸车举升液压系统故障诊断

针对矿用自卸车举升液压系统故障诊断困难的问题,采用一种基于粒子群优化支持向量机的方法对其进行研究。该方法利用粒子群优化算法,对支持向量机参数寻优,从而得到具有最佳分类结果的支持向量机模型。利用AMESim软件建立举升液压系统的仿真模型,并通过模拟溢流阀故障、举升液压缸内泄漏、泵内泄漏3种故障工况,提取故障数据,对该方法进行验证。仿真结果表明,该方法能有效对矿用自卸车举升液压系统这3种故障进行诊断。     

孪生支持向量机在滚动轴承振动故障诊断中的应用

通过对滚动轴承振动信号进行定量分析,从振动故障信号中提取与故障诊断方法有关的故障特征,在传统支持向量机的基础上,研究孪生支持向量机的建模方法,建立基于孪生支持向量机的滚动轴承振动故障诊断模型,并结合粒子群优化算法对故障诊断模型的关键参数进行寻优,从而得到最佳的故障诊断模型。仿真结果表明,将孪生支持向量机建模方法应用于滚动轴承振动故障诊断中,能够取得较好的诊断效果和诊断效率,结合粒子群优化算法进一步提高了故障诊断模型的分类准确率,为滚动轴承的振动故障诊断提供了可行有效的思路。     

基于网格搜索和支持向量机的矿用风机故障诊断研究

鉴于支持向量机在小样本数据情况下能够获得较大推广能力的特点,提出将支持向量机应用到矿用通风机的故障诊断中。利用网格搜索法对支持向量机进行参数寻优,通过多类分类方法对通风机故障进行分类,建立故障诊断模型。试验结果显示,该方法准确率较高,具有很好的适用性。     

分布式电源配电网络系统故障诊断方法优化设计

针对分布式配电网故障诊断过程中因信号丢失导致的诊断准确率下降问题,以分布式电源配电网络故障定位拓扑结构为基础,采集不同时段不同区段故障发生后的配电网络节点信息,形成故障信息数据集群,并对其数据特性进行分析,提取故障特征量,最后,采用粒子群寻优算法对支持向量机模型参数进行参数寻优,在Matlab仿真平台构建了分布式配电网络故障诊断算法模型,其中对区域故障信号因子进行反馈校正,剔除非区域故障的冗余计算。仿真结果表明,该故障诊断策略提升了配电网络的故障诊断运算速度和准确率。     

基于支持向量机的矿用电机故障诊断

提出一种基于电流信号频谱分析和支持向量机(SVM)的矿用感应电机早期故障诊断方法。对定子电流采样后,经FFT变换后提取故障特征量作为支持向量机的输入,基于1对1算法和混合矩阵组合策略构造了多故障SVM分类,对不同类型的故障进行诊断和分类。实验结果表明,该方法能够有效解决电机故障诊断中小样本集、非线性、高维数时的故障分类问题,提高电机故障诊断的准确性。     

基于改进粒子群优化SVM的通风机故障诊断

针对支持向量机在故障诊断中参数的选取问题,提出一种改进的粒子群优化算法,对支持向量机的惩罚因子与核参数进行优化。为了克服传统粒子群算法前期收敛快、后期易陷入局部最优的缺陷,提出一种惯性权重自适应调整的粒子群优化算法,建立基于粒子群和支持向量的通风机故障诊断模型,通过样本数据对模型进行训练与测试,实现了通风机故障的识别,结果表明该模型对通风机故障的诊断是可靠的。     

基于SMO-SVM算法的变压器故障诊断

支持向量机是一种基于统计学理论的机器学习算法,它能在训练样本很少的情况下达到很好的分类效果。针对变压器的特性,提出了以RBF为核函数的非线性支持向量机的二叉树多分类变压器故障诊断模型,利用序贯最优化算法(SMO)对样本进行训练,准确率较高。试验结果表明,SMO-SVM在变压器故障诊断中具有很大的应用潜力。     

矿用车辆变速箱圆柱滚子轴承故障诊断

矿用车辆变速箱的运行状态判断主要依靠人工拆卸、观察的方式,检测诊断的效率低下,甚至隐含着较大的安全隐患。以矿用车辆变速箱圆柱滚子轴承为研究对象,利用小波包对轴承故障振动信号进行分解,区分比较不同状态信号的总能量熵,利用支持向量机原理对矿用车辆变速箱圆柱滚子轴承故障进行诊断。试验表明,应用SVM和小波包能量熵可以对轴承故障进行有效诊断,且准确率较高,研究对矿用车辆变速箱圆柱滚子轴承的故障诊断有着现实的指导意义。     

基于布谷鸟算法和BP神经网络的矿用变压器故障诊断

针对用于矿井中的油浸式变压器故障诊断问题,提出了一种基于布谷鸟搜索(CS)算法优化BP神经网络的新算法,利用CS算法优化网络的阈值和权值并将优化后的参数用于BP神经网络进行故障诊断,以提高收敛速度和诊断正确率。通过对变压器故障实例分析,表明该算法具有实用性和有效性。     

基于数据挖掘的矿用提升机故障预警方法

针对采用传统的方法进行矿用提升机故障预警不仅计算量大而且准确性较低的缺陷,构建了基于数据挖掘的故障预警系统设计方法。首先利用训练集对支持向量机进行训练,寻找出支持向量机的最优参数,然后建立提升机状态与故障之间的联系,最后进行故障预警,仿真结果表明,该系统能够很好地进行矿用提升机的故障预警,具有较好的工程应用价值。     

SVM在煤矿机电设备故障诊断中的应用

针对煤矿大型机电设备故障诊断与维修过程中存在故障数据少、干扰大的非线性特征,提出了采用支持向量机进行故障诊断的方法。建立了系统故障诊断分类模型,采用拉格朗日函数得到了最优解。通过对刮板输送机传动部温度故障数据的参数估计与分类研究,结果表明支持向量机故障诊断效果较好。     

基于支持向量机的旋转机械非线性故障诊断研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一 ,支持向量机(SVM)是一种基于统计学习理论 (SLT)的机器学习算法 ,它能在训练样本很少的情况下达到很好的分类效果 ,从而为故障诊断技术向智能化发展提供了新的途径。介绍了支持向量机分类算法 ,探讨了该算法在故障诊断领域中的应用 ,并利用不同的核函数与BP神经网络分类方法进行了对比研究。结果表明 ,SVM方法在小样本情况下的分类效果优于BP神经网络。     

基于支持向量机的故障诊断方法研究

故障样本缺乏是制约智能故障诊断发展的重要原因。支持向量机是近10 a来提出的一种基于小样本的统计学习方法。将支持向量机分类算法用于滚动轴承的多类故障分类并与RBF神经网络进行对比研究。实验表明,在有限样本条件下,支持向量机算法比RBF神经网络具有更好的分类性能。     

基于ASGSO-SVR模型的瓦斯传感器故障诊断

针对现行煤矿瓦斯传感器常见的卡死、冲击、漂移等故障,运用支持向量回归机建立多传感器数据融合的瓦斯浓度预测模型,详细研究影响该预测模型精度的相关参数选择方法,提出用ASGSO算法自适应优化支持向量机预测模型参数的算法,将模型预测结果与现场实测瓦斯浓度相比较得到残差δ,用于对瓦斯传感器故障的诊断。用现场监控数据对该方法进行离线仿真实验,得到残差信号的变化曲线。通过选择合理的阈值,判断传感器是否处于故障状态。结果表明,ASGSO算法参数优化对提高SVR预测模型的精度有很大帮助,此方法对瓦斯传感器的常见故障的诊断是正确和有效的。     

矿用变压器检修策略研究

矿用变压器的正常运行是煤矿进行正常生产工作的重要条件，对矿用变压器制定合适的检修策略十分重要。通过分析矿用变压器在全寿命周期成本中各个阶段的成本构成，并考虑资金的时间价值，在现值、终值与等年值之间的换算关系的基础上，同时引入动态役龄回退因子，着重分析了大修和小修对等效役龄的影响，建立基于全寿命周期成本和故障率的矿用变压器检修策略模型，利用布谷鸟搜索算法对检修策略模型进行寻优，确定矿用变压器全寿命周期成本最低的检修策略。     

基于鲸鱼算法优化支持向量机的露天煤矿边坡稳定性预测

边坡的稳定性对露天矿山的安全影响重大,为了快速地对露天煤矿边坡稳定状态进行判断,提出了一种基于鲸鱼算法(WOA)优化支持向量机(SVM)的露天煤矿边坡稳定性预测模型,该方法使用WOA对SVM模型的惩罚系数及核函数参数的取值进行了优化,解决了SVM模型的初始参数值选取困难的缺点。利用WOA优化后的SVM模型对收集到的边坡数据进行预测,并与RF、BP、SVM模型的预测结果进行对比。结果表明,WOA优化后的SVM模型具有更高的预测精度,该模型对确定露天煤矿边坡稳定状态有一定的参考价值。     

基于改进支持向量机方法的汽轮机故障诊断研究

针对汽轮机故障诊断问题,在分析比较支持向量机"一对多"和"一对一"多分类算法的基础上,构建改进的串行支持向量机多分类方法,并依据该算法建立了多故障分类器,将其应用于典型的汽轮机故障诊断,仿真实验结果证明了该方法的有效性。     

基于PSO-SVM模型的旋转机械故障诊断研究

将支持向量机理论引入振动机械故障诊断中,提出了新的故障诊断模型—PSO-SVM模型,并采用粒子群优化算法对支持向量机的参数进行优化,使得故障诊断结果更加准确。通过实例中的样本数据进行新模型的训练与测试,将其结果与传统神经网络相比,证明其模型具有更高的准确性。     

刮板输送机故障诊断方法研究

为了提高刮板输送机故障诊断准确度,降低事故发生率,分析了刮板输送机常见的故障,研究了基于支持向量机的刮板输送机故障分类,介绍了刮板输送机故障数据处理方法以及基于SVM的故障诊断流程,并对支持向量机参数进行了选择,采用网格搜索交叉法得到模型的最佳参数模型,使用该模型对刮板输送机故障数据进行预测。研究表明,采用支持向量机和网格搜索交叉法相结合的方法,可以对刮板输送机故障进行有效诊断。