一种改进CS-BP神经网络算法的矿用变压器故障诊断方法

针对BP神经网络在矿用变压器故障诊断中的缺陷,提出了一种基于改进CS-BP神经网络算法的矿用变压器故障诊断方法.提出的故障诊断方法充分利用了自适应布谷鸟搜索算法的全局搜索能力.首先对布谷鸟算法进行介绍,并根据其缺陷引入了优化公式,提出了一种自适应布谷鸟算法,该算法能更好的平衡搜索速度和精度之间的关系;其次基于自适应布谷...     

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。     

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。     

基于布谷鸟算法的铝热连轧轧制规程优化

根据轧制原理, 提出了支持向量机建立轧制力预报模型, 并通过布谷鸟算法优化支持向量机参数, 达到提高预报精度的目的。提出了支持向量机网络与数学模型结合的方法, 对某“1+4”铝热连轧厂现场采集的5052铝合金轧制数据进行离线仿真, 进一步提高了轧制力预报精度。在轧制规程设定中, 建立了以预防打滑为主的电机功率剩余程度相近目标函数, 并用布谷鸟算法对压下率进行优化, 结果表明, 该规程有很好的预防打滑效果, 并能保证各机架电机的功率剩余程度相近。     

基于CSSA-F-SVM模型的矿用卡车发动机智能故障诊断

针对矿用卡车发动机小样本故障数据导致诊断精度不足的问题,提出了一种基于改进的麻雀搜索算法优化基于凸半径边缘的SVM模型(F-SVM)的矿用卡车发动机智能故障诊断方法。首先,针对麻雀搜索算法中全局搜索能力不足的问题引入链式搜索策略。其次,遵循位置最优原则,对加入者位置更新进行改进,以提高其收敛性能。最后,使用改进后的麻雀算法对F-SVM的核参数g和惩罚因子C进行寻优,进而构建矿用卡车发动机故障诊断模型。实验结果表明,本文CSSA-F-SVM模型方法的预测准确度更高,分别较传统SVM和F-SVM模型提高了21.5%和4.1%。该模型能够较好地实现矿用卡车发动机常见故障的诊断,适用于小样本数据的故障预测,可为矿山机械设备的智能故障诊断提供参考。     

基于KICA-SVM的矿用主要通风机故障诊断

利用核独立成分分析(KICA)处理矿用主要通风机的振动信号,分离出具有特征信息的独立分量。提取特征向量再利用支持向量机(SVM)对矿用主要通风机的故障状态进行模式识别。通过实验比较表明,该方法明显提高了故障状态的识别率。     

基于FTA和SVM优化算法的矿井提升机故障诊断方法研究

通过对矿井提升机故障机理的研究,提出矿山设备信息的优势特征频率提取的方法,构造基于FTA-SVM优化算法的智能故障诊断模型,将其应用于矿井提升机工程实例中,并与人工诊断结果进行对比,同诊断结果基本一致,验证了该方法的可行性,从而解决了智能诊断方法中先验知识库匮乏的问题,也充分体现了基于FTA-SVM智能故障诊断方法的训练速度快、诊断精度高和自适应能力强等特点。     

基于人工鱼群算法的变压器故障诊断研究

针对变压器在故障诊断时复杂难辨的问题,提出了一种基于人工鱼群算法优化BP神经网络的故障诊断方法。该方法首先将所得的样本进行预处理,然后通过归一化后的故障特征量样本和目标期望输出,对建立的模型进行样本训练,最后将验证数据进行诊断测试。诊断结果表明,采用该方法可以满足变压器故障诊断的需要,具有很强的实用价值。     

矿用变压器故障灰色预测与诊断

为了解决电力变压器中故障预测存在的大量随机性和模糊性问题,针对矿用变压器故障数据少的情况,采用了灰色系统理论对其进行灰建模和灰预测。通过灰建模的可行性,阐述了灰建模基本步骤,通过实例验证了该方法的有效性和适用性,为矿山超前采取防范措施,提供了依据,将故障损失减小到最低,具有实际推广价值。     

基于隔离算法的矿区智能变电站故障诊断

煤矿电网中的电力设备长期在恶劣的环境下工作,发生故障的概率很大。如果故障不能被隔离,其将向上一级穿越,威胁到煤矿电网的稳定运行。由于深井供电系统自动化水平较低,因此有必要对矿区智能变电站进行穿越性故障诊断。通过分析煤矿电网特征,编写了故障区段识别程序,并采用隔离算法进行穿越故障识别。     

矿用变压器故障灰色预测与诊断

为了解决电力变压器中故障预测存在的大量随机性和模糊性问题,针对矿用变压器故障数据少,采用了灰色系统理论对其进行灰建模,灰预测。通过实例验证了该方法的有效性和适用性,从而为矿山超前采取防范措施提供了依据。     

基于支持向量机的液压泵故障判断方法研究

液压泵是液压系统的动力源,它的失效直接影响系统的正常工作,因此液压泵的状态监测与故障诊断是迫切需要解决的问题。阐述了支持向量机(SVM)算法的原理,研究了基于支持向量机的液压泵的故障诊断,通过分析,选择了恰当的核函数,建立了优化方程。试验分析的结果表明,该方法是一种简单而有效的方法。     

基于EEMD和SVM风机故障诊断的研究

针对如何提高煤矿主通风机故障诊断的准确率的问题,提出了一种基于集合经验模态分解(EEMD)和支持向量机(SVM)的风机故障诊断模型。该模型通过分解振动信号得到模态函数,提取能量熵作为故障诊断的特征值,使用粒子群优化算法(PSO)优化过的支持向量机模型诊断故障,其准确率已从87.5%上升到98.75%,实验表明,该模型的故障诊断正确率比较理想。     

基于支持向量机的液压泵故障诊断

支持向量机在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,用ν-支持向量机构造"一对一"多分类算法,应用于ZB40液压泵的故障诊断,取得了较好效果,较神经网络方法,它不必预先提取信号的特征量,只需要少量的故障样本训练分类器,实用性好。     

基于GA-BP神经网络的变压器故障诊断

提出利用GA-BP神经网络的系统对变压器的故障诊断进行优化。利用GA遗传算法优化BP的初始权值,得到GA-BP神经网络。同时使用L-M算法训练GA-BP,使其可精确识别故障变压器内部的气体含量变化,并针对变压器故障诊断过程进行高效处理。GA-BP神经网络具备模糊算法,具有计算快速和判断准确等优点,可在很多的领域内保障电气安全,因而其具有良好的发展前景。