針對井下瓦斯傳感器設(shè)備出現(xiàn)的軟故障如數(shù)據(jù)漂移、數(shù)據(jù)長期低于或高于正常值、數(shù)據(jù)周期性變動和數(shù)據(jù)出現(xiàn)大值等問題,提出了一種基于輪廓系數(shù)自適應(yīng)最佳聚類點的K-means算法識別瓦斯傳感器出現(xiàn)軟故障種類的方法。該方法是利用監(jiān)控系統(tǒng)采集的瓦斯傳感器軟故障信號進行小包分解處理后,結(jié)合RBF神經(jīng)網(wǎng)絡(luò)進行輪廓系數(shù)K-means自適應(yīng)算法的軟故障識別訓練。K-means自適應(yīng)算法能夠自適應(yīng)優(yōu)化聚類中心點,利用聚類中心點的迭代循環(huán)計算出最優(yōu)中心點,選擇最佳聚類點進行K-means聚類,從而識別軟故障信號的故障類型。實驗證明,自適應(yīng)輪廓系數(shù)K-means算法能夠有效地識別瓦斯傳感器軟故障類型,提高了煤礦安全監(jiān)控系統(tǒng)數(shù)據(jù)的準確性。 

【文章來源】：礦冶. 2020,29(02)

【文章頁數(shù)】：5 頁

【部分圖文】：

瓦斯傳感器設(shè)備5種狀態(tài)下的特征能量譜

從土城煤礦監(jiān)控系統(tǒng)瓦斯數(shù)據(jù)庫中取出軟故障狀態(tài)的數(shù)據(jù)各20組，分別對取出的數(shù)據(jù)進行測試。對神經(jīng)網(wǎng)絡(luò)算法訓練的結(jié)果，進行實驗驗證如圖2所示，可以從圖中看出，100組樣本通過自適應(yīng)聚點K-means算法識別的瓦斯傳感器故障分為5類。表2中看出，故障狀態(tài)傳感器識別率高達95%。因此，該自適應(yīng)聚點K-means算法可以有效地識別瓦斯傳感器軟故障的類型，同時識別率能夠達到預(yù)期的設(shè)計效果。4 結(jié)論

【參考文獻】：
期刊論文
[1]基于RBF神經(jīng)網(wǎng)絡(luò)的膝關(guān)節(jié)步態(tài)預(yù)測方法研究[J]. 羅序榮,任彬.  工業(yè)控制計算機. 2019(08)
[2]基于EMD和RBF神經(jīng)網(wǎng)絡(luò)的大壩形變預(yù)測[J]. 劉思敏,徐景田,鞠博曉.  測繪通報. 2019(08)
[3]礦井瓦斯監(jiān)測數(shù)據(jù)消噪方法[J]. 梁榮,董丁穩(wěn).  工礦自動化. 2018(02)
[4]礦井瓦斯監(jiān)測數(shù)據(jù)特征分析及預(yù)處理[J]. 董丁穩(wěn),屈世甲,王紅剛.  工礦自動化. 2015(09)
[5]基于互信息的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化設(shè)計[J]. 郭偉.  計算機科學. 2013(06)
[6]安全高效礦井監(jiān)控關(guān)鍵技術(shù)研究[J]. 孫繼平.  工礦自動化. 2012(12)
[7]感知礦山物聯(lián)網(wǎng)云計算應(yīng)用探索[J]. 張申,劉鵬,張彭.  煤炭科學技術(shù). 2012(09)
[8]模糊綜合評判在故障樹分析法中的應(yīng)用[J]. 王杰.  電子設(shè)計工程. 2012(06)
[9]一種基于臨界帶寬的新小波包變換算法[J]. 李杰,劉賀平.  計算機工程與應(yīng)用. 2012(14)
[10]基于密度的改進K均值算法及實現(xiàn)[J]. 傅德勝,周辰.  計算機應(yīng)用. 2011(02)

碩士論文
[1]西安市XX線路公交行駛工況構(gòu)建及混合動力公交動力系統(tǒng)參數(shù)匹配研究[D]. 劉鵬.長安大學 2017
[2]基于等價空間方法的采樣系統(tǒng)故障檢測[D]. 杜運成.東華大學 2008



本文編號：3625902