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。     

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。     

基于支持向量机的煤岩图像特征抽取与分类识别

为了尽可能减少作业人员数目,研究了煤岩图像的自动识别技术,介绍了煤岩图像的识别基础、小波变换和支持向量机原理,分析了煤岩图像纹理在多尺度分解情况下的特点以及支持向量机的参数设置,利用煤岩图像基于灰度共生矩阵的纹理统计量角二阶矩、对比度、相关性、均值、方差构造纹理特征子向量P1,利用煤岩图像不同尺度分解下的角二阶矩、对比度、相关、均值、方差构造纹理特征子向量P2,利用不同尺度分解系数构造纹理特征子向量P3,结合3个特征子向量构造纹理特征向量,最后结合支持向量机对煤岩图像进行分类识别。对不同的特征抽取方式以及煤岩的不同分类进行了比较分析。结果表明：该特征抽取以及分类方法能有效的表达纹理信息,对煤岩的识别准确率达到了97.959 2%,与不使用小波的方法相比提高了7.01%。研究结果可为煤岩界面的自动识别提供依据。     

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SWT和NMF的管道泄漏声发射信号特征提取与判别

针对管道泄漏声发射信号存在的非平稳性以及易受噪声干扰、特征不易提取的问题,提出基于SWT和NMF的管道泄漏声发射信号特征提取与判别方法,该方法首先利用同步压缩小波变换的方法提取管道流体泄漏声发射信号特征空间;其次,采用非负矩阵分解(NMF)对信号特征空间进行精简和优化,提炼出用于管道泄漏诊断和模式识别的特征向量;最后,采用支持向量机(SVM)对提取的特征向量进行模式识别和分类。实测结果表明,所提出的方法具有较高的分类准确率。     

基于SVM的配电网电压暂降自动识别研究

电压暂降对煤矿配电网的安全运行具有严重影响,为了快速准确辨识不同电压暂降源,提出小波熵结合支持向量机的电压暂降源辨识方法,通过小波熵来表征不同电压暂降信号,采用支持向量机对不同电压暂降信号的特征向量进行自动分类辨识。结果表明:小波熵特征能够有效地表征3类不同电压暂降源信号,实现对电压暂降信号快速辨识。     

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。     

基于粗集-支持向量机的采空区自然发火预测

将粗集和支持向量机两种算法有机结合起来,建立了基于粗集与支持向量机的采空区自然发火预测模型。通过粗集对采空区自然发火影响因子进行预处理,将约简属性作为输入向量,利用支持向量机进行分类处理,选择了支持向量机核函数,利用变步长搜索法对支持向量机参数进行了优化。在对粗集-支持向量机方法的实验中,通过与支持向量机方法和神经网络方法的比较,发现在样本有限的情况下,基于粗集-支持向量机的采空区自然发火预测方法预测精度更高,训练速度更快,为采空区自然发火预测提供了一种新的方法。     

基于虚拟仪器技术实现震源信号特征提取和自动识别

为了提高矿山微震监测系统中爆破震动信号和岩体破裂信号的辨识度,减少人工识别的工作量,以某金属矿山微震监测系统定时爆破和人工识别方法建立的爆破震动信号和岩体破裂信号数据为分析对象,基于虚拟仪器LaBVIEW平台提供的高级信号处理工具包和支持向量机工具包,对两类信号进行三层小波包分解,提取小波包分解得到的最后一层各节点熵作为特征值组成特征向量,输入支持向量机分类区,对岩体破裂信号和爆破信号进行分类。实验结果表明,基于小波包节点熵的特征向量,结合支持向量机,能够很好的识别区分岩体破裂信号和爆破信号。     

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。     

基于小波包变换和支持向量机的提升机故障诊断

在介绍小波包变换和支持向量机原理的基础上,阐述了如何利用小波包变换和支持向量机对提升机进行故障诊断的方法,该方法将故障信号经小波包变换后的频带能量作为特征向量,利用训练样本训练过的多故障分类器对特征向量进行故障识别与分类,并以提升机轴承故障为例进行了论证,试验证明.该方法对故障具有很好的诊断效果及实际运用价值.     

基于主成分分析和支持向量机的结构损伤识别研究

提出了一种利用振动响应加速度信号结合主成分分析和支持向量机算法进行结构损伤识别的方法。首先,提取结构加速度振动响应信号;然后,采用主成分分析方法对上述提取到的结构加速度振动响应信号进行分析,提取前n阶主成分并将其按照某种规则组合成一维向量,作为结构损伤特征向量;最后,利用支持向量机的分类和回归算法分别进行损伤位置和损伤程度识别研究。该方法可以在样本较少的条件下取得较好的损伤识别结果,且具有一定的抗噪声能力。白噪声激励下的五层框架结构的数值模拟结果证明了该方法的有效性。     

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。     

基于波形特征和决策树分类算法的岩体破裂信号识别

微震监测技术能够捕捉开采扰动下岩体响应信息,已被广泛应用于岩体稳定性分析与矿山安全生产管理。受矿山现场频繁生产活动的影响,微震监测系统能够捕捉到不同类型信号,导致噪音信号较多,无法及时有效地揭示开采扰动下岩体响应规律。本文依托阿舍勒铜矿微震监测,分析了微震系统采集典型信号波形参数特征的差异,提出了基于决策树分类算法的岩体破裂信号识别方法,并对其识别精度进行了对比分析。研究结果表明,电气噪音信号、爆破信号、机械振动信号、岩石破裂信号的持续时间、上升时间、振铃数、上升振铃数、最大振幅、主频等参数分布范围存在不同程度的重合,无法采用单一参数有效识别岩体破裂信号,消除噪音信号的影响。采用决策树分类算法构建岩体破裂信号识别模型,能够有效消除噪音信号的影响,识别准确率达97.8%,显著高于支持向量机(SVM)模型73.9%的准确率。研究成果对于快速圈定、预警岩体破坏高风险区域具有重要意义。     

轴承振动信号特征提取及故障诊断研究

为了快速准确地识别轴承故障,研究了轴承振动信号时域特征和小波包能量特征提取方法,通过实验分析最终选择的轴承故障特征为无量纲时域特征和小波包能量特征,并采用"一对多"支持向量机分类算法对轴承的正常、外圈故障、内圈故障和滚动体故障四类数据进行了故障诊断实验,诊断准确率为96%。     

基于SVM算法的地震小断层自动识别

为了提高小断层解释的准确率,构建基于支持向量机(SVM)算法的断层自动识别方法。通过分析构造部位和非构造部位地震属性特征,建立SVM两分类的断层识别模型。首先,研究支持向量机两分类算法的基本原理和结构,表明支持向量机在两分类问题上具有准确率高的优点;然后建立断层正演模型,分析不同地震属性的断层响应特征,表明断层分布与属性值变化趋势相关;通过对支持向量机算法和正演模型的分析,表明利用地震属性作为支持向量机的输入,预测小断层具有可行性。从叠后地震数据中提取方差、曲率等与断层相关的属性集合;通过相关性分析和聚类分析评估属性,确定4种互相关性低的地震属性。利用14口钻井、3条巷道的地震属性和断层信息共606个数据,选取400个作为训练样本,构造SVM断层识别模型;206个数据作为测试样本,进行断层识别,识别正确率达到98%。利用地震属性建立的SVM断层自动识别模型,能够有效识别小断层,降低人为主观因素的影响,缩短了解释周期;钻孔分布越均匀、数目越多,解释精度就越高。     

基于经验小波变换的矿山微震信号识别研究

针对微震信号与爆破震动信号自动识别难的问题,提出了基于经验小波变换(EWT)的矿山微震信号识别方法。运用仿真信号对EWT和经验模态分解(EMD)进行对比检验,表明EWT分解效果要优于EMD,而且可以减少模态混叠问题;对矿山实测的400组爆破震动和微震信号进行EWT分解,得到紧支集频谱的内禀模态分量,借助互信息量筛选得到f1~f7共7个分量,进而分别利用分量f1~f7构建Hankel矩阵,计算每个Hankel矩阵的奇异值平均值、方均根值、标准差,并作为特征量;利用支持向量机(SVM)对微震和爆破震动信号进行分类。结果表明：爆破震动信号分量f1~f7的奇异值方均根值和标准差都要大于微震信号,分量f1~f5的奇异值平均值要大于微震信号;EWT_Hankel_SVD特征提取法识别效果要优于应用较为广泛的EWT_SVD,且基于EWT_Hankel_SVD分类准确率达到92.5%。     

基于关联维数与支持向量机的内燃机故障诊断研究

为解决内燃机故障诊断这一复杂问题,在ANSYS环境下,对6110型内燃机曲轴在正常工作状态和几种故障状态下进行瞬态动力学分析,得到曲轴的振动信号,对各信号进行相空间重构,并计算其关联维数,采用支持向量机(SVM)直接对关联维数进行分类,从而将配气机构的故障诊断转换为对曲轴振动信号关联维数的分类。研究结果表明:内燃机曲轴在不同工作状态下,振动信号的关联维数各不相同,将关联维数作为特征参数能够去除内燃机曲轴振动信号时域图中的冗余信息,突出故障类型,将关联维数与支持向量机相结合能够较好地解决内燃机故障诊断中的样本少、维数高等问题。     

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。     

核函数在液压泵故障诊断中的应用研究

支持向量机是基于统计学习理论上发展起来的一种新型机器学习方法。在用支持向量机对液压泵故障诊断中,采用了不同的核函数及核函数参数进行分类,取得了较好的效果,讨论了选取不同核函数对分类性能的影响。