基于邻域粗糙集与支持向量极端学习机的瓦斯传感器故障诊断

发布时间：2018-01-12 00:35

本文关键词：基于邻域粗糙集与支持向量极端学习机的瓦斯传感器故障诊断　出处：《传感技术学报》2016年09期 　论文类型：期刊论文

【摘要】：针对于瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期型传感器输出故障作为研究对象,提出一种基于邻域粗糙集(NRS)和支持向量极端学习机(SVM-ELM)的故障诊断方法。首先对瓦斯传感器的特征属性值进行归一化处理,然后利用NRS信息约简理论降低属性维度,提取出影响瓦斯传感器的关键属性构成约简集。将约简集作为SVM-ELM的输入进行训练,利用训练好的SVM-ELM对测试样本进行模式识别。最后通过实验对比验证该方法具有训练速度快、分类精度高的特点,辨识正确率在95%以上,能够显著提高故障诊断的速度和准确性。
[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.
【作者单位】：辽宁工程技术大学电气与控制工程学院;
【基金】：国家自然科学基金项目(51274118) 辽宁省科技攻关基金项目(2011229011) 辽宁省教育厅基金项目(L2012119)
【分类号】：TP212;TP18
【正文快照】： 瓦斯传感器作为煤矿安全监测系统中的关键部件,它肩负着检测矿井瓦斯浓度的重任,它输出的信号正确与否直接关系到整个煤矿瓦斯安全监测系统的安全水平的高低和性能好坏[1],然而煤矿井下高温、高压等恶劣的环境,常常导致瓦斯传感器输出失真,灵敏度下降,准确性、可靠性降低,从而

【参考文献】