基于粒子群优化RBF神经网络的煤矿通风机故障诊断

为了提高煤矿通风机故障诊断的准确性,采用了一种粒子群优化RBF神经网络的方法。利用粒子群容易实现等特点,对RBF网络的中心、宽度以及连接权重进行优化,并用优化好的神经网络对通风机进行故障诊断。仿真结果表明,该方法具有较好的分类效果,适用于通风机的故障诊断,是一种实用的故障诊断方法。     

基于粒子群优化算法的LS-SVM电动机断条故障诊断

支持向量机(Support Vector Machine,SVM)算法是基于统计学习理论的一种新的学习方法,应用于故障诊断技术中,具有训练所需样本少、诊断率高等优点。最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)算法是标准支持向量机的一种扩展,能在保证精度的同时大大降低计算机的复杂性,加快求解速度。该算法的超参数对支持向量机的性能有着重要的作用。因此,采用粒子群优化(Particle Swarm Optimization,PSO)算法对LS-SVM算法寻找最优超参数,进一步提高LS-SVM对电动机断条故障诊断的效率和准确率有着重要作用。实验结果表明,综合PSO与LS-SVM两种算法的优点,可有效减少故障诊断中误判、漏判的发生。     

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。     

基于小波-支持向量机的矿用通风机故障诊断

运用小波包频道能量分解技术提取了不同频带反映矿用通风机不同工作状态的特征向量,以此作为支持向量机多故障分类器的故障样本,经训练的分类器作为故障智能分类器可对通风机的工作状态进行自动识别和诊断.并以不对中故障为例,进行了实用验证.研究结果表明,支持向量机在小样本情况下仍能准确、有效地对通风机的工作状态和故障类型进行分类.     

基于支持向量机的矿用通风机故障诊断

以小波包技术和支持向量机为工具,对定子电流信号进行分析,建立通风机多故障分类器,实现故障智能识别。运用小波包技术将定子电流的时频信号分解为几个包含通风机不同工作状态信息的频段,并提取出各个频段的特征向量,以此作为分类器的训练样本,采用有向无环图解决多分类问题。以转子断条为例,对已训练完成的多故障分类器进行验证。研究结果表明,该方法具有良好的多故障分类智能诊断性能。     

基于粒子群优化RBF神经网络的液压钻机故障诊断

提出了一种基于粒子群优化径向基神经网络的液压钻机故障诊断方法。该方法使用虚拟仪器及LabVIEW软件对液压钻机的特征信号进行采集,利用粒子群优化算法对径向基神经网络的径向基中心值、宽度以及权值进行优化,实现了液压钻机的故障诊断。结果表明,基于粒子群优化径向基神经网络的液压钻机故障诊断方法在小样本情况下,诊断准确率高,实用性强。     

基于粒子群优化相关向量机的岩层可钻性预测

本文提出了一种基于粒子群优化相关向量机(PSO-RVM)的岩层可钻性预测方法。该方法选取岩层埋深H、声波时差AC、电阻率ρd、岩层密度ρ和泥质含量Vsh等5个参数作为评价岩层可钻性的基本参数。以某油田Du4钻井为例,采用PSO-RVM方法、多元回归方法和RVM方法对岩层可钻性进行评价。计算结果表明,PSO-RVM模型的预测结果与实测数据非常接近,其预测精度明显高于多元回归方法和RVM方法,说明本文提出的方法具有一定的优越性和较高的精度,可以较好地应用于钻井工程中岩层可钻性预测。     

基于PSO-SVM的采煤机摇臂齿轮箱故障诊断研究

针对采煤机摇臂齿轮箱故障诊断的难题,提出了一种基于时频特征和PSO-SVM的故障诊断方法。考虑到SVM模型参数和故障特征对诊断结果有着重要的影响,提出了利用PSO对SVM参数进行优化,并同时选择最佳的特征子集,以获得性能最优的SVM分类器,最后将故障特征向量输入到优化的SVM分类器中进行故障诊断。轴承和齿轮的故障诊断实验结果表明,PSOSVM获得了比常规SVM更好的故障诊断性能。     

基于粒子群与支持向量机的煤矿材料成本预测数学模型研究

针对煤矿材料成本预测缺少定量分析和预测误差大等问题,提出了基于粒子群优化支持向量机的煤矿材料成本预测数学模型。并将传统的线性回归模型、支持向量机模型与提出的新数学模型对比,发现粒子群优化支持向量机模型预测精度高、误差小、结果可靠,能够为成本管理决策提供定量数据。     

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VMD与GWO优化SVM的轴承故障诊断

针对传统振动信号特征提取方法与支持向量机(SVM)分类方法的缺陷,提出一种基于变分模态分解(VMD)故障特征提取方法与灰狼优化器(GWO)优化SVM的诊断模型。首先,将滚动轴承的原始振动信号采用VMD得到若干本征模态分量(IMF);其次,将IMF的多尺度加权排列熵作为特征向量并使用t-sne方法做降维处理;最后,使用GWO对SVM进行优化并对样本数据进行分类判别。实验结果表明,该方法相比于其他传统算法能够有效提高故障分类精度。     

基于细化分析的风机故障诊断研究

介绍了细化分析技术,利用细化分析的高频率分辨率特性对一风机的运行状态进行监测和诊断,分析出风机叶片、不对中及轴承几种的故障以及产生故障的原因。     

基于GWO优化的CS-SVM轴承故障诊断

灰狼算法(GWO)作为新型寻优算法,可用于轴承故障诊断。提出了采用GWO优化代价敏感支持向量机(CS-SVM)的诊断模型。通过经验模态分解(EMD)及主成分分析(PCA)进行特征提取并实现特征的降维,GWO优化CS-SVM参数来提升故障分类的准确率。以西储大学轴承数据为例,将比例为4∶1的训练样本和测试样本带入GWO优化的CS-SVM模型,诊断测试的准确率为96.67%,相比于传统PSO算法的准确率有所提升,收敛速度更快,表明了GWO优化的CS-SVM具有优越性。由此可以得出,GWO可用于轴承故障诊断的研究,验证了该算法模型的有效性。     

基于模糊神经网络的通风机故障诊断系统

针对矿用通风机故障具有不确定性和复杂性的问题,利用风机的振动参数进行推理,提取常见故障振动信号的特征频谱值来组建及训练神经网络,以此建立诊断系统进行故障类型的识别。诊断结果与实际故障相符,表明基于模糊神经网络故障诊断方法能够快速准确地得到风机故障的特征和状态,增加了风机故障诊断的可靠性和实用性。     

基于谐波小波分析的矿井通风机故障诊断

针对矿井通风机故障信号的动态非平稳、能量微弱等特点,提出基于谐波小波变换的故障诊断方法,克服了传统诊断方法中存在的信号遗漏与频泄现象。以BDK-6-NO18轴流式通风机为研究对象,利用谐波小波变换的优势,成功从振动信号中提取出设备故障特征信号。     

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CEEMDAN和ELM的风机故障诊断研究

针对通风机轴承信号非平稳和故障样本稀少的问题,提出基于完备集合经验模态分解(CEEMDAN)和极限学习机(ELM)的轴承故障诊断方法。首先,利用CEEMDAN分解故障信号得到本征模态分量(IMF);然后,使用极限学习机学习IMF能量特征;最后,将极限学习机用于故障诊断。