本文關鍵詞： 煤層底板突水 輸送帶故障 支持向量機 魯棒性檢測 特征選擇 增量學習　出處：《太原理工大學》2016年博士論文　論文類型：學位論文

【摘要】：近年來,隨著傳感、通信及信息處理技術的不斷發(fā)展,使得監(jiān)控工業(yè)生產(chǎn)過程和設備狀態(tài)成為可能,如何充分利用這些監(jiān)控數(shù)據(jù)及時發(fā)現(xiàn)異常模式,避免事故發(fā)生,減少不必要的人員傷亡和經(jīng)濟損失顯得尤為重要,因此,研究基于數(shù)據(jù)驅(qū)動的高效異常檢測方法具有重要的理論意義和實用價值。本文結合煤層底板突水預測和輸送帶撕裂檢測這2個異常檢測應用的需求,從支持向量機的基本理論、算法構造和性能優(yōu)化等方面進行了系統(tǒng)的分析和研究。首先,在異常檢測中常常由于異常樣本缺乏導致類別不平衡,本文選用支持向量數(shù)據(jù)描述(SVDD)一類分類方法和支持向量機(SVM)相結合進行異常檢測和識別;然后,針對檢測模型抗噪性和泛化性的改善、檢測效率的提高以及模型的可在線更新等問題進行了重點研究。論文的主要創(chuàng)新工作包括以下內(nèi)容:(1)構建了煤層底板突水預測和礦用輸送帶撕裂檢測2個檢測應用特征數(shù)據(jù)集。在煤層底板突水預測方面,首先,基于當前國內(nèi)外對底板突水機理的研究,分析了影響底板突水發(fā)生的主要因素,參考當前已發(fā)表研究成果,構建了一個底板突水預測參考數(shù)據(jù)集;然后,針對山西西山晉興能源某礦底板承壓水突出預測問題,通過分析其水文地質(zhì)資料及勘探數(shù)據(jù),并經(jīng)地質(zhì)專家分析標注,構建了該礦的底板突水預測數(shù)據(jù)集。在輸送帶撕裂檢測方面,首先,采用機器視覺方法獲得輸送帶監(jiān)測圖像,然后進行中值濾波降噪,并根據(jù)輸送帶撕裂圖像的特性,提取了灰度直方圖和灰度共生矩陣2項特征,構建了輸送帶撕裂檢測數(shù)據(jù)集。(2)針對svdd算法易受噪聲干擾導致檢測精度和泛化性能下降,通過引入基于切斷距離局部密度懲罰權重來表征樣本、特別是邊界樣本的分布特性,然后在帶負類的svdd算法基礎上,通過使用ε不敏感損失函數(shù)構造兩類樣本的間隔,提出了兩種新的魯棒性svdd方法,分別為r-svdd和εnr-svdd,并給出了其對應的理論分析,最后通過uci公共數(shù)據(jù)集、煤層底板突水預測數(shù)據(jù)集和輸送帶撕裂視覺特征數(shù)據(jù)集驗證了提出方法具有較高的檢測正確率,并提高了抗噪性和泛化性。(3)針對特征選擇對異常檢測模型構建的重要影響,提出了增強人工蜂群-支持向量機(eabc-svm)算法來實現(xiàn)有效的特征選擇。在增強人工蜂群算法中,運用cat混沌映射進行種群初始化來提高種群多樣性,運用提出的基于當前最優(yōu)解的定向搜索方程來改善原始人工蜂群(abc)算法的全局優(yōu)化能力和收斂速度。通過uci數(shù)據(jù)集、底板突水預測數(shù)據(jù)集和輸送帶撕裂視覺特征數(shù)據(jù)集上進行實驗測試,并與原始abc及其他abc改進方法結合svm進行特征選擇相比,eabc-svm方法用于異常檢測特征選擇中能夠得到更高的分類正確率,同時可以消除特征數(shù)據(jù)中的冗余變量,從而提高異常檢測的整體性能。(4)針對異常檢測應用中,監(jiān)測數(shù)據(jù)流往往動態(tài)變化,隨著新樣本增加,傳統(tǒng)基于批數(shù)據(jù)處理的SVM分類模型不能有效更新,導致檢測正確率下降。為了有效解決該問題,提出了基于廣義KKT條件選擇最優(yōu)更新集的GKKT-ISVM增量學習算法,通過UCI數(shù)據(jù)集、底板突水預測數(shù)據(jù)集和輸送帶撕裂視覺特征數(shù)據(jù)集上的實驗結果表明,所提算法可以有效利用先前訓練結果,結合新增樣本來快速更新檢測模型,進而提高檢測性能,滿足動態(tài)數(shù)據(jù)流異常檢測應用的要求。
[Abstract]:......
【學位授予單位】：太原理工大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TD76

【相似文獻】

相關期刊論文 前10條

1 張鴻雁;;基于樹狀結構的支持向量機多分類方法[J];煤礦機械;2008年06期

2 袁曉鷹;邵元海;王震;;基于支持向量機煤炭產(chǎn)地的鑒別研究[J];潔凈煤技術;2011年04期

3 陳文杰,王晶;支持向量機在工業(yè)過程中的應用[J];計算機與應用化學;2005年03期

4 胡哲;鄭誠;閔鵬鵬;;支持向量機及其應用研究[J];重慶科技學院學報(自然科學版);2008年02期

5 楊靜;殷志祥;崔健中;;支持向量機的蛋白質(zhì)遠程同源檢測方法分析[J];安徽理工大學學報(自然科學版);2009年03期

6 王永;程燦;戴明軍;孫永;;一種半監(jiān)督支持向量機優(yōu)化方法[J];工礦自動化;2010年12期

7 丁勝鋒;;一種改進的雙支持向量機[J];遼寧石油化工大學學報;2012年04期

8 鄭小霞;錢鋒;;基于小波和支持向量機的故障趨勢預報[J];計算機與應用化學;2008年01期

9 王平;;基于支持向量機的空氣降塵預測[J];科技情報開發(fā)與經(jīng)濟;2009年02期

10 劉培勝;賈銀山;韓云萍;;一種改進的簡化支持向量機[J];遼寧石油化工大學學報;2009年01期

相關會議論文 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風險評估模型[A];第六屆（2011）中國管理學年會——商務智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學會2005年信息技術與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機學習方法[A];全國第19屆計算機技術與應用（CACIS）學術會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統(tǒng)辨識方法研究及應用[A];中國力學大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機方法預測膜蛋白類型[A];第十一次中國生物物理學術大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學與技術應用學術會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學術年會論文集[C];2006年

10 侯澍e，

本文編號：1539016