基于BP神经网络的煤矿风机故障诊断

针对目前矿用风机的常见故障可收集故障征兆及类型,将故障样本数据与BP神经网络相结合,由BP神经网络确定输出向量,对风机常见故障进行诊断。通过MATLAB软件进行诊断参数运算后结果表明:神经网络输出与实际数据间误差较小,诊断结果与实际情况吻合。     

粗糙集和LSSVM在设备故障诊断中的应用

为了提高旋转设备故障诊断的准确率,提出了基于粗糙集和最小二乘支持向量机(LSSVM)的旋转设备故障诊断方法,讨论了如何进行数据选择、离散及约简方法,用粗糙集提取出旋转设备故障诊断的关键征兆属性,降低数据集的维数将约简属性后的数据集送入最小二乘支持向量机进行故障分类训练。仿真结果表明:采用此方法的故障识别率优于PCA-LSSVM法,分类时间也明显优于LSSVM分类方法。     

基于广义回归神经网络的采煤机故障诊断的研究

针对采煤机故障征兆和故障的非线性对应关系,采用广义回归神经网络作为故障诊断的智能分类器。输入层为采煤机的故障特征参数,中间层为径向基神经元,感知待诊断故障向量与训练样本的相似度,输出层为故障模式分类。分析了广义回归神经网络的优越性和结构特征,建立了不同光滑因子和训练样本数目的采煤机故障诊断模型,并在MATLAB进行了仿真。     

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。     

小波神经网络在煤矿自卸车监控与故障诊断的应用

建立了小波神经网络的理论模型。针对传统小波神经网络的缺陷,提出了带动量项和变学习率的小波神经网络。确定了自卸车的输入向量和输出向量,并且对小波神经网络进行了训练。分别利用传统的小波神经网络和改进的小波神经网络对自卸车进行故障诊断,诊断结果表明,改进小波神经网络能够准确地对自卸车进行故障诊断。最后,分别从软件系统和硬件系统设计了自卸车故障监控系统。     

基于改进布谷鸟算法与SVM的矿用变压器故障诊断

矿用变压器主要用于含有易燃气体和煤尘的矿井中,为采煤机、运输车及照明系统提供电源。针对目前矿用变压器故障诊断准确率不高的情况,提出了一种基于改进布谷鸟算法和支持向量机(SVM)的矿用变压器故障诊断方法。首先引入改进的布谷鸟算法对支持向量机参数进行寻优,获得具有最佳参数的支持向量机模型,然后利用支持向量机对变压器故障进行分类来实现变压器故障的诊断,最后,通过算例仿真对所提算法和检测方法进行了验证,Matlab仿真结果表明：利用改进布谷鸟算法和诊断模型得到的矿用变压器故障诊断准确率要高于传统的矿用变压器故障诊断方法。     

基于小波包分析和最小二乘支持向量机的电机转子故障诊断研究

采用小波包分析和支持向量机来诊断电机故障。针对电机中常见的故障,如电机振动故障,电机转子断条故障,电机转子偏心故障等,进行频谱分析,提取故障信号在动态条件下各频带能量作为故障特征向量。构建多个最小二乘支持向量机组成的多值故障分类器,将故障特征向量作为学习样本,并且输入支持向量机进行训练,分类器可以建立故障特征向量和故障类型的映射关系,从而达到电机故障诊断的目的。     

变工况条件下滚动轴承故障诊断研究

针对变工况运行条件下滚动轴承的故障识别率低的问题，提出了自适应白噪声完备集合经验模态分解（CEEMDAN）和排列熵结合的故障诊断方法。首先将轴承原始信号通过CEEMDAN分解成一系列的固有模态函数（IMF）并计算他们的排列熵,将各IMF的排列熵按从大到小排列并选取其中的9个IMF进行重构，最后用粒子群优化-支持向量机（PSO-SVM）模型进行故障分类。该诊断方法在轴承故障数据集上有较好的诊断效果。     

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。     

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。     

基于安全聚类算法的挖掘机故障诊断研究

对挖掘机迅速、准确进行监测,有效进行挖掘机故障实时诊断在大型工程中成为一种迫切要求。文章提出一种安全性和相关性相结合的安全聚类算法,并在聚类过程中生成一棵安全二叉树,利用支持向量机和二叉树对挖掘机故障实时监测。实践证明这种方法不仅保证了故障诊断的正确率,而且可以让引起严重后果的故障得到优先诊断。     

基于节点优化的决策树支持向量机及在故障诊断中的应用

针对目前故障诊断中,难以获得大量的故障数据样本以及诊断知识获取困难等不足,提出了专门针对有限样本的新一代机器学习的算法—支持向量机(SVM),它在样本很少的情况下具有较好的泛化能力,比较适合解决故障诊断小样本情况的实际问题。在多故障诊断时,必须先进行多分类扩展.决策树是一种性能优秀的多分类扩展策略,但该方法的决策结果与结点的排部密切相关,结点的排部影响了诊断的正确率.提出一种根据故障数据的空间分布来优化结点排部的方法,它能够提高支持向量机诊断的正确率.采用该方法扩展的多分类支持向量机在故障诊断中获得良好效果.     

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。     

基于故障树的掘进机截割部液压系统故障分析

针对掘进机液压系统故障难以定位的问题,以掘进机截割部液压系统为例,提出一种基于故障树的掘进机液压系统故障定位方法。首先采用故障树分析法对掘进机截割部升降失效的原因进行逻辑分析并建立故障树;其次结合故障树和部件失效率求出顶事件的故障概率,并结合底事件和顶事件的故障率求出底事件的概率重要度和关键重要度;最后对部件的关键重要度进行排序。工程计算结果表明,维修人员可以根据排序结果进行顺序排查,可准确地定位故障并提出解决方案,避免盲目操作,提高了维修效率。     

基于模糊神经网络的风机故障诊断

风机是企业安全生产的关键设备,探讨有效的故障诊断方法有着实际意义。将故障树和模糊神经网络相结合,利用故障树信息和专家经验知识提取神经网络的训练数据,并应用在风机故障诊断中,实例证明此方法较其他分析方法更简明、有效。     

基于扩展故障树的采煤机故障诊断专家系统研究

针对采煤机故障诊断专家系统知识获取困难的问题, 将扩展故障树分析法和专家系统相结合, 提出了基于扩展故障树的采煤机故障诊断专家系统知识获取方法。在传统故障树节点上增加节点类型、重要度等信息, 建立扩展故障树, 并将扩展故障树中的节点信息转换成规范化表示的专家系统知识。采用广度搜索优先、深度搜索与广度搜索结合的推理机制, 提高故障查找的准确率及效率。利用专家系统开发工具CLIPS, 建立了采煤机故障诊断专家系统。研究表明, 该系统可准确判别采煤机故障类型并提供解决方案, 提高采煤机故障诊断效率。     

基于FTA和模糊逻辑的矿井提升机制动系统故障诊断

将故障树分析和模糊逻辑有机地结合起来,提出了一种基于故障树分析和模糊逻辑的矿井提升机制动系统故障诊断方法。在建立提升机制动系统失效故障树的基础上,运用模糊故障诊断理论进行计算分析,根据最大从属度原则进行故障诊断。实例表明,这种方法简单易行,方便可靠,为提升机制动系统故障诊断提供了一种新途径。     

基于K-L变换和支持向量机的滚动轴承故障诊断

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量,而支持向量机可以完成模式识别和非线性回归。试验结果表明,利用主矢量分解后的主特征向量与支持向量机相结合可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新途径。     

基于FTA的矿井提升机钢丝绳断绳故障分析

介绍了故障树分析法的基本原理以及定性分析和定量分析方法。结合矿井提升机钢丝绳失效的特点,建立了提升钢丝绳断绳故障树模型。利用故障树分析法对系统进行定性分析和定量计算,求出系统的最小割集和重要度。找出影响钢丝绳断绳的主要因素,并给出相应的处理措施。     

机电设备的故障树分析

介绍了机电设备的故障树分析法 ,对故障树的构成及其作用作了定性及定量的分析 ,指出了元器件的故障与系统故障的逻辑关系 ,并给出了系统故障概率计算公式及实例