基于CPOS-SVM的矿井通风机故障诊断

详细信息    查看全文 | 推荐本文 |

	作者：杨科科 ; 王毅 关键词：矿井通风机 ; 故障诊断 ; 云自适应粒子群算法 ; 支持向量机 中文刊名：SDGJ 英文刊名：Shandong Industrial Technology 机构：华北电力大学;河南工业职业技术学院; 出版日期：2019-05-28 出版单位：山东工业技术 年：2019 期：No.294 基金：省青年骨干教师资助项目(2015GGJS-202);; 省教育厅重点项目(13B460962);; 科技厅项目(142102310226) 语种：中文; 页：SDGJ201916070 页数：2 CN：16 ISSN：37-1222/T 分类号：80-81

摘要

针对矿井通风机故障样本少、诊断精度低,提出基于云自适应粒子群算法优化支持向量机的矿井通风机故障诊断模型。采用粒子群优化算法快速搜索能力优化支持向量机的参数,提高了支持向量机的泛化能力和矿井通风机故障诊断结果准确性。结果表明,相比较SVM网络,CPOS优化的SVM网络收敛速度更快,预测精度高,能够有效识别风机故障类型。
        

引文

[1]钟文峰,周书民.基于QPSO算法的瓦斯预测研究[J].煤矿机械,2016,39(05):61-65.
    [2]余发山,高勇.基于AGA优化RBF神经网络的矿井通风机故障诊断[J].电子测量技术,2017,40(09):241-246.
    [3]苗君明,于金苓.基于小波包-人工神经网络在矿井通风机故障诊断中的应用[J].煤矿机械,2013,34(05):292-294.
    [4]李文华,杨子凝,王来贵.PCA-MGA-GRNN矿井通风机故障识别方法[J].辽宁工程技术大学学报(自然科学版),2018,37(02):401-407.
    [5]冯伟,郑晟.基于谐波小波分析的矿井通风机故障诊断[J].煤矿机械,2014,35(05):253-255.