基于K-means算法识别瓦斯传感器软故障研究

发布时间：2022-02-15 04:19

　　针对井下瓦斯传感器设备出现的软故障如数据漂移、数据长期低于或高于正常值、数据周期性变动和数据出现大值等问题,提出了一种基于轮廓系数自适应最佳聚类点的K-means算法识别瓦斯传感器出现软故障种类的方法。该方法是利用监控系统采集的瓦斯传感器软故障信号进行小包分解处理后,结合RBF神经网络进行轮廓系数K-means自适应算法的软故障识别训练。K-means自适应算法能够自适应优化聚类中心点,利用聚类中心点的迭代循环计算出最优中心点,选择最佳聚类点进行K-means聚类,从而识别软故障信号的故障类型。实验证明,自适应轮廓系数K-means算法能够有效地识别瓦斯传感器软故障类型,提高了煤矿安全监控系统数据的准确性。 

【文章来源】：矿冶. 2020,29(02)

【文章页数】：5 页

【部分图文】：

瓦斯传感器设备5种状态下的特征能量谱

从土城煤矿监控系统瓦斯数据库中取出软故障状态的数据各20组，分别对取出的数据进行测试。对神经网络算法训练的结果，进行实验验证如图2所示，可以从图中看出，100组样本通过自适应聚点K-means算法识别的瓦斯传感器故障分为5类。表2中看出，故障状态传感器识别率高达95%。因此，该自适应聚点K-means算法可以有效地识别瓦斯传感器软故障的类型，同时识别率能够达到预期的设计效果。4 结论

【参考文献】：
期刊论文
[1]基于RBF神经网络的膝关节步态预测方法研究[J]. 罗序荣,任彬.  工业控制计算机. 2019(08)
[2]基于EMD和RBF神经网络的大坝形变预测[J]. 刘思敏,徐景田,鞠博晓.  测绘通报. 2019(08)
[3]矿井瓦斯监测数据消噪方法[J]. 梁荣,董丁稳.  工矿自动化. 2018(02)
[4]矿井瓦斯监测数据特征分析及预处理[J]. 董丁稳,屈世甲,王红刚.  工矿自动化. 2015(09)
[5]基于互信息的RBF神经网络结构优化设计[J]. 郭伟.  计算机科学. 2013(06)
[6]安全高效矿井监控关键技术研究[J]. 孙继平.  工矿自动化. 2012(12)
[7]感知矿山物联网云计算应用探索[J]. 张申,刘鹏,张彭.  煤炭科学技术. 2012(09)
[8]模糊综合评判在故障树分析法中的应用[J]. 王杰.  电子设计工程. 2012(06)
[9]一种基于临界带宽的新小波包变换算法[J]. 李杰,刘贺平.  计算机工程与应用. 2012(14)
[10]基于密度的改进K均值算法及实现[J]. 傅德胜,周辰.  计算机应用. 2011(02)

硕士论文
[1]西安市XX线路公交行驶工况构建及混合动力公交动力系统参数匹配研究[D]. 刘鹏.长安大学 2017
[2]基于等价空间方法的采样系统故障检测[D]. 杜运成.东华大学 2008



本文编号：3625902