本文關(guān)鍵詞：基于鄰域粗糙集與支持向量極端學(xué)習(xí)機的瓦斯傳感器故障診斷　出處：《傳感技術(shù)學(xué)報》2016年09期 　論文類型：期刊論文

  更多相關(guān)文章： 瓦斯傳感器 鄰域粗糙集(NRS) 支持向量極端學(xué)習(xí)機(SVM-ELM) 故障診斷

【摘要】：針對于瓦斯傳感器故障診斷速度慢、診斷精度不高的問題,以常見的沖擊型、漂移型、偏置型和周期型傳感器輸出故障作為研究對象,提出一種基于鄰域粗糙集(NRS)和支持向量極端學(xué)習(xí)機(SVM-ELM)的故障診斷方法。首先對瓦斯傳感器的特征屬性值進行歸一化處理,然后利用NRS信息約簡理論降低屬性維度,提取出影響瓦斯傳感器的關(guān)鍵屬性構(gòu)成約簡集。將約簡集作為SVM-ELM的輸入進行訓(xùn)練,利用訓(xùn)練好的SVM-ELM對測試樣本進行模式識別。最后通過實驗對比驗證該方法具有訓(xùn)練速度快、分類精度高的特點,辨識正確率在95%以上,能夠顯著提高故障診斷的速度和準確性。
[Abstract]:Aiming at the problem of low speed and low accuracy of fault diagnosis of gas sensor, the common output faults of impulse type, drift type, offset type and periodic type are taken as the research object. A fault diagnosis method based on neighborhood rough set (NRS) and support vector extreme learning machine (SVM-ELM) is proposed. Then using the NRS information reduction theory to reduce the attribute dimension, extract the key attributes which affect the gas sensor to form the reduction set. The reduction set is trained as the input of SVM-ELM. The trained SVM-ELM is used for pattern recognition of test samples. Finally, the experimental results show that the method has the characteristics of fast training speed and high classification accuracy, and the recognition accuracy is above 95%. It can improve the speed and accuracy of fault diagnosis.
【作者單位】： 遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院;
【基金】：國家自然科學(xué)基金項目(51274118) 遼寧省科技攻關(guān)基金項目(2011229011) 遼寧省教育廳基金項目(L2012119)
【分類號】：TP212;TP18
【正文快照】： 瓦斯傳感器作為煤礦安全監(jiān)測系統(tǒng)中的關(guān)鍵部件,它肩負著檢測礦井瓦斯?jié)舛鹊闹厝?它輸出的信號正確與否直接關(guān)系到整個煤礦瓦斯安全監(jiān)測系統(tǒng)的安全水平的高低和性能好壞[1],然而煤礦井下高溫、高壓等惡劣的環(huán)境,常常導(dǎo)致瓦斯傳感器輸出失真,靈敏度下降,準確性、可靠性降低,從而

【參考文獻】

相關(guān)期刊論文 前10條

1 王新迎;韓敏;;多元混沌時間序列的多核極端學(xué)習(xí)機建模預(yù)測[J];物理學(xué)報;2015年07期

2 付華;王馨蕊;王志軍;王雨虹;屠乃威;徐耀松;;基于PCA和PSO-ELM的煤與瓦斯突出軟測量研究[J];傳感技術(shù)學(xué)報;2014年12期

3 程聲烽;程小華;楊露;;基于改進粒子群算法的小波神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J];電力系統(tǒng)保護與控制;2014年19期

4 陳立軍;侯爽;葉，

本文編號：1411954