基于EEMD和SVM风机故障诊断的研究

发布时间：2018-07-11 14:38

  本文选题：风机 + 集合经验模态分解　； 参考：《煤炭技术》2017年04期

【摘要】：针对如何提高煤矿主通风机故障诊断的准确率的问题,提出了一种基于集合经验模态分解(EEMD)和支持向量机(SVM)的风机故障诊断模型。该模型通过分解振动信号得到模态函数,提取能量熵作为故障诊断的特征值,使用粒子群优化算法(PSO)优化过的支持向量机模型诊断故障,其准确率已从87.5%上升到98.75%,实验表明,该模型的故障诊断正确率比较理想。
[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.
【作者单位】： 中国矿业大学信息与电气工程学院;中国矿业大学江苏省煤矿电气与自动化工程实验室;南京南瑞继保电气有限公司;
【基金】：江苏省重点研发计划项目(BE2016046) 江苏省煤矿电气与自动化工程实验室建设项目(2014KJZX05)
【分类号】：TD441

【相似文献】

相关期刊论文 前10条

1 苏丽秋;杨帅;;基于风机故障诊断的融合神经网络系统构建[J];煤矿机械;2014年05期

2 娄国焕;周媛;;模糊故障树在煤矿风机故障诊断中的应用[J];风机技术;2011年01期

3 李蒙;柏杏丽;;基于粗糙集的矿井风机故障规则提取[J];煤矿安全;2009年09期

4 赵金鑫;许宝杰;吴国新;;基于神经网络的矿用风机故障诊断方法的研究[J];电子技术;2008年08期

5 李宁;王李管;贾明滔;毕林;张建国;;基于信息融合理论的风机故障诊断[J];中南大学学报(自然科学版);2013年07期

6 舒服华;;改进支持向量机在矿井风机故障诊断中的应用[J];矿山机械;2006年03期

7 吴光霞;风机故障的模式判别法[J];陕西煤炭技术;1995年02期

8 李晶;刘国华;;基于人工智能的煤矿风机故障诊断方法[J];煤矿机械;2013年12期

9 王福亮;神经网络在D350风机故障预测中的应用[J];矿山机械;2005年11期

10 冷军发,荆双喜,张新红,李臻;基于细化分析的风机故障诊断研究[J];煤矿机电;2004年03期

相关硕士学位论文 前3条

1 刘东;基于多变量数据的矿井风机故障预测系统的研究[D];河北工程大学;2016年

2 徐盛龙;基于DSP与ARM相结合的风机故障诊断及监测系统设计[D];中国矿业大学;2014年

3 皇淼淼;基于LabVIEW的小波支持向量机在煤矿通风机故障预测中的应用[D];安徽理工大学;2013年

，

本文编号：2115526