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。     

基于小波-神经网络的矿用通风机故障诊断研究

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BP神经网络的故障样本，经训练的网络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．研究结果表明，小波包与神经网络相融合的故障诊断与识别技术发挥了两者的优点，是提取机械故障特征进行设备状态自动识别的有效方法．     

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。     

基于小波神经网络的矿用主通风机故障诊断研究

通过小波包分析对通风机转子的振动信号降噪分解,提取各频带重构信号的能量作为故障特征向量,并以此当做BP神经网络的训练样本和测试样本,进行网络训练和故障模式识别。以MATLAB为平台,测试了网络对通风机常见故障类型的识别验证率,结果表明方法可行有效,有较高精度,为旋转设备故障诊断提供了新的思路。     

基于小波变换和支持向量机的电力电子故障诊断

采用小波分析与支持向量机(SVM)对电力电子故障进行自动识别和诊断,运用变尺度分辨小波方法对电力电子故障信号进行特征处理,SVM能够对小样本数进行模式识别并且具有良好的分类推广能力。在小波分析特征基础上,采用分布式多SVM分类器识别电力电子故障。实验证明,该方法能准确有效地对电力电子故障进行识别和诊断。     

基于支持向量机的异步电机转子故障诊断

根据异步电机发生故障时振动信号的特点,提出了一种基于小波包分解和支持向量机相结合的异步电机转子故障诊断方法。通过采用快速ICA算法对振动信号进行多通道数据融合,然后进行3层小波包分解,得到各分解节点对应频带的重构信号以及对应的能量,并将各频带的能量元素组成的特征向量作为诊断模型的特征向量,输入到LS-SVM分类器中进行故障识别和分类。诊断结果表明:采用ICA-SVM模型具有较高的分类速度和很好的故障识别率。     

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。     

基于小波包分解的煤矿通风机故障诊断

提出基于小波包分解的煤矿通风机故障诊断方法,经实际验证,能有效诊断出通风机故障,具有实用价值。     

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。     

基于小波包与EKF-RBF神经网络辨识的瓦斯传感器故障诊断

针对瓦斯传感器常见的偏置型、冲击型、漂移型和周期型4种突发型故障,以小波分析和RBF神经网络为基础,提出了由小波包分解提取特征能量谱与扩展Kalman滤波算法（EKF）优化的RBF神经网络进行模式分类辨识的瓦斯传感器故障诊断方法。对瓦斯传感器的输出信号进行小波包分解,运用基于代价函数的局域判别基(LDB)算法进行裁剪,获取最优的特征能量谱,经处理后作为特征向量训练EKF-RBF神经网络,采用参数增广和统计动力学方法,通过带有整定因子的EKF参数估计,用来辨识瓦斯传感器的故障类型。实验结果表明：该方法的辨识正确率在95%以上,误报率和漏报率都明显优于其他算法,能够有效用于瓦斯传感器的故障在线诊断。     

基于小波理论的支持向量机瓦斯涌出量的预测

将小波框架理论引入到支持向量机预测函数中,建立了基于小波理论的支持向量机预测模型。该模型通过小波变换将输入向量映射到一个高维特征空间,在这个特征空间内,利用支持向量机进行预测。经实验表明该模型预测的结果比较准确,在时间复杂度上和预测精度上要优于以往的预测模型,能够达到指导实践的要求。     

基于小波包分析的机械故障特征提取方法研究

研究了一种基于小波包分析与信号能量分解的故障特征提取方法 ,运用这种方法提取了一风机轴不对中故障特征向量 ,为神经网络故障诊断提供了新的故障样本。实验结果表明这种方法比基于Fourier变换的故障特征提取方法更有效 ,很适合于机械故障诊断     

基于小波网络的风机振动故障趋势预测

采用小波网络方法,通过对矿井通风机关键特征参数振动烈度的时间序列预测,实现了其特征参数的故障预报.由于小波网络比一般神经网络具有更多的自由度,从而使其具有更灵活有效的函数逼近能力.小波神经元的良好局部特性和多分辨率学习实现了与信号的良好匹配,使得小波网络有更强的自适应能力、更快的收敛速度和更高的预报精度.     

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。     

基于小波包预处理的神经网络故障模式识别的研究

基于小波包对信号的高分辨率分解和重构能力 ,把信号在不同频段上进行分解 ,提取各分量故障信号的特征 ,应用BP神经网络进行故障模式识别 ,并将这种方法用于齿轮故障模式识别 ,取得较满意的效果     

基于支持向量机的露天矿边坡地表变形预测

在充分考虑露天矿边坡地表变形影响因素复杂性的前提下,基于丰富的地表变形监测资料,建立了露天矿边坡地表变形预测的支持向量机（SVM）模型,并采用遗传算法对核函数和惩罚因子进行确定.将该模型应用于抚顺露天矿边坡地表变形的预测,预测结果最大误差为3.014 cm,表明该模型是定量预测露天矿边坡坡肩地表变形量的一种有效方法.     

基于支持向量机的液压泵在线故障预警

为了实现液压泵自动故障预警,提出了一种基于在线单类支持向量机的新方法.与离线单类支持向量机不同,该方法可根据输入样本的变化不断地及时调整自由参数,实现持续学习.同时提出了一种在线检测奇异值的鲁棒性算法.最后,从液压泵振动信号的时域信息中提取诊断特征参数,组成最小诊断参数组合,建立了液压泵在线故障预警系统,并进行了仿真研究.     

基于近红外光谱和支持向量机的露天采场铁矿类型识别方法探究

铁矿是支撑国民经济的主要矿产资源,露天开采是铁矿获取的主要开采方式。基于近红外光谱的露天采场磁、赤铁矿及典型围岩分类识别建模研究是实现露天采场快速精准区划的基础。文中通过光谱分析的方法,利用SVC地物光谱仪对鞍千矿露天采场的多个岩矿样本进行了光谱测试,以支持向量机算法为建模方法建立了磁、赤铁矿及典型围岩的分类识别模型。最终的分类结果用六折六次交叉验证的方法检验其分类精度,结果表明,支持向量机算法对岩矿的平均分类精度为98.3%,平均Kappa系数为0.965,对磁、赤铁矿平均分类精度为93.1%,平均Kappa系数为0.79,为基于便携式光谱仪或机载成像光谱仪进行露天采场铁矿石类型的确定提出了新方法。