本文選題：風(fēng)機 + 集合經(jīng)驗?zāi)B(tài)分解�。� 參考：《煤炭技術(shù)》2017年04期

【摘要】：針對如何提高煤礦主通風(fēng)機故障診斷的準(zhǔn)確率的問題,提出了一種基于集合經(jīng)驗?zāi)B(tài)分解(EEMD)和支持向量機(SVM)的風(fēng)機故障診斷模型。該模型通過分解振動信號得到模態(tài)函數(shù),提取能量熵作為故障診斷的特征值,使用粒子群優(yōu)化算法(PSO)優(yōu)化過的支持向量機模型診斷故障,其準(zhǔn)確率已從87.5%上升到98.75%,實驗表明,該模型的故障診斷正確率比較理想。
[Abstract]:In order to improve the accuracy of fault diagnosis of coal mine main ventilator, a fault diagnosis model based on set empirical mode decomposition (EEMD) and support vector machine (SVM) is proposed. The modal function is obtained by decomposing the vibration signal, the energy entropy is extracted as the eigenvalue of fault diagnosis, and the support vector machine model optimized by particle swarm optimization (PSO) is used to diagnose the fault. The accuracy of the model has risen from 87.5% to 98.75%. The fault diagnosis accuracy of this model is satisfactory.
【作者單位】： 中國礦業(yè)大學(xué)信息與電氣工程學(xué)院;中國礦業(yè)大學(xué)江蘇省煤礦電氣與自動化工程實驗室;南京南瑞繼保電氣有限公司;
【基金】：江蘇省重點研發(fā)計劃項目(BE2016046) 江蘇省煤礦電氣與自動化工程實驗室建設(shè)項目(2014KJZX05)
【分類號】：TD441

【相似文獻】

相關(guān)期刊論文 前10條

1 蘇麗秋;楊帥;;基于風(fēng)機故障診斷的融合神經(jīng)網(wǎng)絡(luò)系統(tǒng)構(gòu)建[J];煤礦機械;2014年05期

2 婁國煥;周媛;;模糊故障樹在煤礦風(fēng)機故障診斷中的應(yīng)用[J];風(fēng)機技術(shù);2011年01期

3 李蒙;柏杏麗;;基于粗糙集的礦井風(fēng)機故障規(guī)則提取[J];煤礦安全;2009年09期

4 趙金鑫;許寶杰;吳國新;;基于神經(jīng)網(wǎng)絡(luò)的礦用風(fēng)機故障診斷方法的研究[J];電子技術(shù);2008年08期

5 李寧;王李管;賈明滔;畢林;張建國;;基于信息融合理論的風(fēng)機故障診斷[J];中南大學(xué)學(xué)報(自然科學(xué)版);2013年07期

6 舒服華;;改進支持向量機在礦井風(fēng)機故障診斷中的應(yīng)用[J];礦山機械;2006年03期

7 吳光霞;風(fēng)機故障的模式判別法[J];陜西煤炭技術(shù);1995年02期

8 李晶;劉國華;;基于人工智能的煤礦風(fēng)機故障診斷方法[J];煤礦機械;2013年12期

9 王福亮;神經(jīng)網(wǎng)絡(luò)在D350風(fēng)機故障預(yù)測中的應(yīng)用[J];礦山機械;2005年11期

10 冷軍發(fā),荊雙喜,張新紅,李臻;基于細化分析的風(fēng)機故障診斷研究[J];煤礦機電;2004年03期

相關(guān)碩士學(xué)位論文 前3條

1 劉東;基于多變量數(shù)據(jù)的礦井風(fēng)機故障預(yù)測系統(tǒng)的研究[D];河北工程大學(xué);2016年

2 徐盛龍;基于DSP與ARM相結(jié)合的風(fēng)機故障診斷及監(jiān)測系統(tǒng)設(shè)計[D];中國礦業(yè)大學(xué);2014年

3 皇淼淼;基于LabVIEW的小波支持向量機在煤礦通風(fēng)機故障預(yù)測中的應(yīng)用[D];安徽理工大學(xué);2013年

，

本文編號：2115526