CN109635880A - 基于强鲁棒自适应算法的采煤机故障诊断系统 - Google Patents
基于强鲁棒自适应算法的采煤机故障诊断系统 Download PDFInfo
- Publication number
- CN109635880A CN109635880A CN201910016126.0A CN201910016126A CN109635880A CN 109635880 A CN109635880 A CN 109635880A CN 201910016126 A CN201910016126 A CN 201910016126A CN 109635880 A CN109635880 A CN 109635880A
- Authority
- CN
- China
- Prior art keywords
- coal
- mining machine
- model
- malfunction diagnosis
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005065 mining Methods 0.000 title claims abstract description 83
- 238000003745 diagnosis Methods 0.000 title claims abstract description 74
- 230000007257 malfunction Effects 0.000 title claims abstract description 50
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000003245 coal Substances 0.000 claims description 42
- 239000002245 particle Substances 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000032683 aging Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 239000000498 cooling water Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21C—MINING OR QUARRYING
- E21C35/00—Details of, or accessories for, machines for slitting or completely freeing the mineral from the seam, not provided for in groups E21C25/00 - E21C33/00, E21C37/00 or E21C39/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mining & Mineral Resources (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mechanical Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了基于强鲁棒自适应算法的采煤机故障诊断系统,用于对采煤机故障进行诊断,包括数据预处理模块、采煤机故障诊断模型建模模块、自适应寻优模块、采煤机故障诊断模块以及模型失配矫正模块。本发明对采煤机的故障进行自动诊断,采用集成学习算法建立采煤机故障诊断模型,通过为建模过程添加自适应寻优过程,避免了随机性导致的模型不精确问题,并且引入模型失配矫正策略解决复杂工况下的模型失配问题,进一步提高了模型的鲁棒性。
Description
技术领域
本发明涉及信号处理领域、自适应优化领域、机器学习领域、故障诊断领域,尤其涉及基于强鲁棒自适应算法的采煤机故障诊断系统。
背景技术
煤炭作为工业动力燃料的主要原材料,是能源的主体,而且是全世界储量最大的化石燃料,使得煤炭资源的开采和使用成为全世界的关注点。由于煤矿安全问题严重,当前国家把煤矿安全作为突出任务,这种趋势下煤炭开采逐步机械化,并涌现出了很多大型复杂的机械化设备,其中,采煤机便是煤炭生产中的核心设备。其集机械、电子、电气、液压传动系统于一体,因此构成十分复杂,再加上其工作环境恶劣,在工作时会受到来自煤岩等巨大的冲击,还会受到煤尘、水雾等其它方面的污染,使得采煤机的油液经常遭受污染,导致采煤机的液压元件和机械零件过早磨损,造成采煤机过早损坏甚至故障,导致整个煤矿生产系统的瘫痪。因此对采煤机进行监测以提前预防故障的发生具有重要意义。
传统的采煤机故障诊断方法一般依赖于现场维修人员的专业知识和维修经验,具有效率低下、判断困难等弊端,而当前已经提出的采煤机故障自动诊断方案存在以下问题:①在复杂和陌生环境中的普适性问题亟待解决;②采煤机故障诊断系统数据库更新升级缓慢,难以维护;③随着系统的在线运行,模型失配严重甚至崩溃。以上问题导致传统的采煤机故障诊断方案准确度低、系统响应慢和可靠性差。
发明内容
针对采煤机工作环境恶劣,对故障准确诊断需要的迫切需求,本发明的目的在于提供一种参数自适应、寻优效果好、识别精度高、普适性好的基于强鲁棒自适应算法的采煤机故障诊断系统。
本发明解决其技术问题所采用的技术方案是:基于强鲁棒自适应算法的采煤机故障诊断系统,包括数据预处理模块、采煤机故障诊断模型建模模块、自适应寻优模块、采煤机故障诊断模块以及模型失配矫正模块。数据采集传感器、数据库、基于强鲁棒自适应算法的采煤机故障诊断系统以及结果显示模块依次相连,所述数据采集传感器对采煤机轴承温度、传动箱油温及油位、辅助系统压力、冷却水压力、液压系统进液流量及出液流量、冷却水流量、摇臂升起时间、电机电流及温度信息进行采集,并将采煤机信息储存到所述的数据库中,数据库中包含历史采煤机数据及其对应的故障类型标签,故障类型标签主要包含以下几种:轴承故障、主泵故障、补油泵故障、滤油器故障、辅助泵故障、液压马达故障、电机过载、冷却系统故障,数据库为基于强鲁棒自适应算法的采煤机故障诊断系统提供数据支持。基于强鲁棒自适应算法的采煤机故障诊断系统得到的故障诊断结果将通过结果显示模块输出显示。
进一步地,数据预处理模块用以进行采煤机数据预处理,采用如下过程完成:
(1)从数据库中采集一条采煤机数据,其特征分别为xj,j=1,2,…d,d为特征维度;
(2)对样本特征进行归一化处理,得到归一化特征值
进一步地,采煤机故障诊断模型建模模块,用以建立采煤机故障诊断模型,采用如下过程完成:
(1)从数据库中采集Ns个采煤机数据Xs及其所对应的故障类型标签Ys作为训练集,采集Nv个采煤机数据Xv及其所对应的故障类型标签Yv作为验证集;
(2)采用训练集进行监督训练,得到采煤机故障诊断模型:
Y=f(X)。 (2)
进一步地,自适应寻优模块,用以对重要参数——随机特征个数M,子样本个数即子决策树个数N进行优化。采用自适应群智能算法进行寻优,具体过程如下:
(1)随机产生初始粒子速度和位置;
(2)计算种群多样性指数D(t):
其中,Gbest(t)是整个群在第t次迭代时到达过的全局最优解,表示F(Gbest(t))对应的适应度值,m是群规模,ri(t)是第i个粒子在第t次迭代时的位置,F(ri(t))表示ri(t)对应的适应度值,适应度选择错误率的相反数。
(3)更新学习速率参数μ(t):
(4)更新粒子的速度和位置,产生新的群体;
其中,α1=0.5是个体加速度参数,α2=0.35是全局加速度参数,和是0-1之间的随机数,t为迭代次数,m为群规模,取值50-100;vik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度,vik(t)是第i个粒子的第k个分量在第t次迭代的速度,rik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置,rik(t)是第i个粒子的第k个分量在第t次迭代的位置,Lbestik是第i个粒子的第k个分量到达过的最优解,Gbestk是第k个分量的全局最优解,R是待寻优的参数个数,k=1,2分别对应于随机特征个数M,子决策树个数N;
(5)判断是否符合算法终止条件——连续五次迭代全局最优解不变,若符合,输出全局最优粒子及其代表的最优解,并结束迭代;否则返回0继续迭代;
(6)重复以上步骤,将优化好的模型在验证集上进行测试,选取训练集验证集上正确率最高的模型作为最优模型。
进一步地,采煤机故障诊断模块用以利用训练好的最优采煤机故障诊断模型对新采集的采煤机数据进行识别以判断采煤机当前是否故障以及故障类型。采用如下过程完成:
(1)对新采集到的采煤机数据Xt进行预处理:
(2)利用自适应寻优模块优化后的最优模型对采煤机故障进行诊断:
其中,fopt为优化后的最优模型,为预测的采煤机故障类型。
进一步地,模型失配矫正模块考虑到由于采煤机工作环境恶劣,负载变化大,一些核心部位在工作时很容易发生过载,导致老化或损坏甚至故障,而且采煤机自身的组成结构复杂,产生故障的原因也非常复杂而导致的固定采煤机故障数据库得到的模型对新故障的诊断能力有限,即对未知故障会导致模型失配,从而引起诊断效果变差甚至崩溃的弊端,更进一步提出模型失配矫正策略,以期突破在复杂和陌生环境下新故障所导致的模型失配问题,进一步提升采煤机故障诊断模型的鲁棒性(即普适效果)和置信度,并大幅度提高不同采煤机工作环境下的模型适应性,从而得到基于强鲁棒自适应算法的采煤机故障最优诊断模型。采用如下过程完成:
(1)时刻t采集得到的采煤机数据的标签可能在未来的t+n时刻得到,由此可以判断模型诊断值的准确性。将判断错误的采煤机数据作为“难”样本点加入训练集;
(2)自适应寻优模块重新在线优化参数得到新的采煤机故障最优诊断模型,以解决采煤机在复杂和陌生工作环境下的模型失配问题,提高模型的适应性和鲁棒性。
进一步地,采煤机故障诊断模块得到的故障诊断结果将通过结果显示模块输出显示。
本发明的技术构思为:本发明对采煤机数据进行预处理,并对预处理后的数据进行非线性拟合,引入参数自适应方法,并于在线运行过程中不断矫正模型失配问题,从而建立基于强鲁棒自适应算法的采煤机故障诊断系统。
本发明的有益效果主要表现在:1、建立了采煤机故障诊断模型,可以在线诊断采煤机故障;2、引入参数自适应算法,寻优效果好,从而避免了人为参数设定的随机性导致的置信度和准确度的下降;3、通过不断地模型在线矫正,解决复杂和陌生环境下的模型失配问题,进一步提高了模型的鲁棒性。
附图说明
图1基于强鲁棒自适应算法的采煤机故障诊断系统的基本硬件结构图;
图2基于强鲁棒自适应算法的采煤机故障诊断系统的功能模块图;
图3自适应群智能算法流程图;
图4模型失配校正策略流程图。
具体实施方式
下面根据附图具体说明本发明。
实施例1
参考图1、图2、图3、图4,基于强鲁棒自适应算法的采煤机故障诊断系统,包括数据预处理模块5、采煤机故障诊断模型建模模块6、自适应寻优模块7、采煤机故障诊断模块8以及模型失配矫正模块9。数据采集传感器1、数据库2、基于强鲁棒自适应算法的采煤机故障诊断系统3以及结果显示模块4依次相连,所述数据采集传感器1对采煤机轴承温度、传动箱油温及油位、辅助系统压力、冷却水压力、液压系统进液流量及出液流量、冷却水流量、摇臂升起时间、电机电流及温度信息进行采集,并将采煤机信息储存到所述的数据库2中,数据库2中包含历史采煤机数据及其对应的故障类型标签,故障类型标签主要包含以下几种:轴承故障、主泵故障、补油泵故障、滤油器故障、辅助泵故障、液压马达故障、电机过载、冷却系统故障,数据库2为基于强鲁棒自适应算法的采煤机故障诊断系统3提供数据支持。基于强鲁棒自适应算法的采煤机故障诊断系统3得到的故障诊断结果将通过结果显示模块4输出显示。
进一步地,数据预处理模块5用以进行采煤机数据预处理,采用如下过程完成:
(1)从数据库中采集一条采煤机数据,其特征分别为xj,j=1,2,…d,d为特征维度;
(2)对样本特征进行归一化处理,得到归一化特征值
进一步地,采煤机故障诊断模型建模模块6,用以建立采煤机故障诊断模型,采用如下过程完成:
(1)从数据库2中采集Ns个采煤机数据Xs及其所对应的故障类型标签Ys作为训练集,采集Nv个采煤机数据Xv及其所对应的故障类型标签Yv作为验证集;
(2)采用训练集进行监督训练,得到采煤机故障诊断模型:
Y=f(X)。 (2)
进一步地,参考图3,自适应寻优模块7用以对重要参数——随机特征个数M,子样本个数即子决策树个数N进行优化。采用自适应群智能算法进行寻优,具体过程如下:
(1)随机产生初始粒子速度和位置;
(2)计算种群多样性指数D(t):
其中,Gbest(t)是整个群在第t次迭代时到达过的全局最优解,表示F(Gbest(t))对应的适应度值,m是群规模,ri(t)是第i个粒子在第t次迭代时的位置,F(ri(t))表示ri(t)对应的适应度值,适应度选择错误率的相反数。
(3)更新学习速率参数μ(t):
(4)更新粒子的速度和位置,产生新的群体;
其中,α1=0.5是个体加速度参数,α2=0.35是全局加速度参数,和是0-1之间的随机数,t为迭代次数,m为群规模,取值50-100;vik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度,vik(t)是第i个粒子的第k个分量在第t次迭代的速度,rik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置,rik(t)是第i个粒子的第k个分量在第t次迭代的位置,Lbestik是第i个粒子的第k个分量到达过的最优解,Gbestk是第k个分量的全局最优解,R是待寻优的参数个数,k=1,2分别对应于随机特征个数M,子决策树个数N;
(5)判断是否符合算法终止条件——连续五次迭代全局最优解不变,若符合,输出全局最优粒子及其代表的最优解,并结束迭代;否则返回0继续迭代;
(6)重复以上步骤,将优化好的模型在验证集上进行测试,选取训练集验证集上正确率最高的模型作为最优模型。
进一步地,采煤机故障诊断模块8用以利用训练好的最优采煤机故障诊断模型对新采集的采煤机数据进行识别以判断采煤机当前是否故障以及故障类型。采用如下过程完成:
(1)对新采集到的采煤机数据Xt进行预处理:
(2)利用自适应寻优模块7优化后的最优模型对采煤机故障进行诊断:
其中,fopt为优化后的最优模型,为预测的采煤机故障类型。
进一步地,参考图4,模型失配矫正模块9考虑到由于采煤机工作环境恶劣,负载变化大,一些核心部位在工作时很容易发生过载,导致老化或损坏甚至故障,而且采煤机自身的组成结构复杂,产生故障的原因也非常复杂而导致的固定采煤机故障数据库得到的模型对新故障的诊断能力有限,即对未知故障会导致模型失配,从而引起诊断效果变差甚至崩溃的弊端,更进一步提出模型失配矫正策略,以期突破在复杂和陌生环境下新故障所导致的模型失配问题,进一步提升采煤机故障诊断模型的鲁棒性(即普适效果)和置信度,并大幅度提高不同采煤机工作环境下的模型适应性,从而得到基于强鲁棒自适应算法的采煤机故障最优诊断模型。采用如下过程完成:
(1)时刻t采集得到的采煤机数据的标签可能在未来的t+n时刻得到,由此可以判断模型诊断值的准确性。将判断错误的采煤机数据作为“难”样本点加入训练集;
(2)自适应寻优模块7重新在线优化参数得到新的采煤机故障最优诊断模型,以解决采煤机在复杂和陌生工作环境下的模型失配问题,提高模型的适应性和鲁棒性。
进一步地,采煤机故障诊断模块8得到的故障诊断结果将通过结果显示模块4输出显示。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (6)
1.基于强鲁棒自适应算法的采煤机故障诊断系统,其特征在于:包括数据预处理模块、采煤机故障诊断模型建模模块、自适应寻优模块、采煤机故障诊断模块以及模型失配矫正模块。
2.根据权利要求1所述基于强鲁棒自适应算法的采煤机故障诊断系统,其特征在于:所述数据预处理模块用以进行采煤机数据预处理,采用如下过程完成:
(1)从数据库中采集一条采煤机数据,其特征分别为xj,j=1,2,...d,d为特征维度;
(2)对样本特征进行归一化处理,得到归一化特征值
3.根据权利要求1所述基于强鲁棒自适应算法的采煤机故障诊断系统,其特征在于:所述采煤机故障诊断模型建模模块,用以建立采煤机故障诊断模型,采用如下过程完成:
(1)从数据库中采集Ns个采煤机数据Xs及其所对应的故障类型标签Ys作为训练集,采集Nv个采煤机数据Xv及其所对应的故障类型标签Yv作为验证集;
(2)采用训练集进行监督训练,得到采煤机故障诊断模型:
Y=f(X)。 (2)
4.根据权利要求1所述基于强鲁棒自适应算法的采煤机故障诊断系统,其特征在于:所述自适应寻优模块,用以对重要参数——随机特征个数M,子样本个数即子决策树个数N进行优化。采用自适应群智能算法进行寻优,具体过程如下:
(1)随机产生初始粒子速度和位置;
(2)计算种群多样性指数D(t):
其中,Gbest(t)是整个群在第t次迭代时到达过的全局最优解,F(Gbest(t))表示对应的适应度值,m是群规模,ri(t)是第i个粒子在第t次迭代时的位置,F(ri(t))表示ri(t)对应的适应度值,适应度选择错误率的相反数。
(3)更新学习速率参数μ(t):
(4)更新粒子的速度和位置,产生新的群体;
其中,α1=0.5是个体加速度参数,α2=0.35是全局加速度参数,和是0-1之间的随机数,t为迭代次数,m为群规模,取值50-100;vik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度,vik(t)是第i个粒子的第k个分量在第t次迭代的速度,rik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置,rik(t)是第i个粒子的第k个分量在第t次迭代的位置,Lbestik是第i个粒子的第k个分量到达过的最优解,Gbestk是第k个分量的全局最优解,R是待寻优的参数个数,k=1,2分别对应于随机特征个数M,子决策树个数N;
(5)判断是否符合算法终止条件——连续五次迭代全局最优解不变,若符合,输出全局最优粒子及其代表的最优解,并结束迭代;否则返回0继续迭代;
(6)重复以上步骤,将优化好的模型在验证集上进行测试,选取训练集验证集上正确率最高的模型作为最优模型。
5.根据权利要求1所述基于强鲁棒自适应算法的采煤机故障诊断系统,其特征在于:所述采煤机故障诊断模块用以利用训练好的最优采煤机故障诊断模型对新采集的采煤机数据进行识别以判断采煤机当前是否故障以及故障类型。采用如下过程完成:
(1)对新采集到的采煤机数据Xt进行预处理:
(2)利用自适应寻优模块优化后的最优模型对采煤机故障进行诊断:
其中,fopt为优化后的最优模型,为预测的采煤机故障类型。
6.根据权利要求1所述基于强鲁棒自适应算法的采煤机故障诊断系统,其特征在于:所述模型失配矫正模块考虑到由于采煤机工作环境恶劣,负载变化大,一些核心部位在工作时很容易发生过载,导致老化或损坏甚至故障,而且采煤机自身的组成结构复杂,产生故障的原因也非常复杂而导致的固定采煤机故障数据库得到的模型对新故障的诊断能力有限,即对未知故障会导致模型失配,从而引起诊断效果变差甚至崩溃的弊端,更进一步提出模型失配矫正策略,以期突破在复杂和陌生环境下新故障所导致的模型失配问题,进一步提升采煤机故障诊断模型的鲁棒性(即普适效果)和置信度,并大幅度提高不同采煤机工作环境下的模型适应性,从而得到基于强鲁棒自适应算法的采煤机故障最优诊断模型。采用如下过程完成:
(1)时刻t采集得到的采煤机数据的标签可能在未来的t+n时刻得到,由此可以判断模型诊断值的准确性。将判断错误的采煤机数据作为“难”样本点加入训练集;
(2)自适应寻优模块重新在线优化参数得到新的采煤机故障最优诊断模型,以解决采煤机在复杂和陌生工作环境下的模型失配问题,提高模型的适应性和鲁棒性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910016126.0A CN109635880B (zh) | 2019-01-08 | 2019-01-08 | 基于强鲁棒自适应算法的采煤机故障诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910016126.0A CN109635880B (zh) | 2019-01-08 | 2019-01-08 | 基于强鲁棒自适应算法的采煤机故障诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109635880A true CN109635880A (zh) | 2019-04-16 |
CN109635880B CN109635880B (zh) | 2023-06-27 |
Family
ID=66060169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910016126.0A Active CN109635880B (zh) | 2019-01-08 | 2019-01-08 | 基于强鲁棒自适应算法的采煤机故障诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635880B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110764474A (zh) * | 2019-10-16 | 2020-02-07 | 上海电气集团股份有限公司 | 监测设备运行状态的方法和系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106198000A (zh) * | 2016-07-11 | 2016-12-07 | 太原理工大学 | 一种采煤机摇臂齿轮故障诊断方法 |
CN106295153A (zh) * | 2016-08-03 | 2017-01-04 | 南京航空航天大学 | 一种基于孪生支持向量机的航空发动机气路故障诊断方法 |
CN106650815A (zh) * | 2016-12-28 | 2017-05-10 | 北京航天测控技术有限公司 | 动态粒子群算法优化的多核支持向量机吊舱故障诊断方法及装置 |
WO2017128455A1 (zh) * | 2016-01-25 | 2017-08-03 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
CN107121977A (zh) * | 2017-06-02 | 2017-09-01 | 南京邮电大学 | 基于双层结构的机械臂执行器故障容错控制系统及其方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108376286A (zh) * | 2018-02-26 | 2018-08-07 | 上海理工大学 | 一种设备故障诊断装置及系统 |
CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
US20180238951A1 (en) * | 2016-09-07 | 2018-08-23 | Jiangnan University | Decision Tree SVM Fault Diagnosis Method of Photovoltaic Diode-Clamped Three-Level Inverter |
CN108536129A (zh) * | 2018-05-14 | 2018-09-14 | 浙江大学 | 一种群智能搜索的相关向量机故障诊断系统 |
CN108536128A (zh) * | 2018-05-14 | 2018-09-14 | 浙江大学 | 一种参数优化的机器学习故障诊断系统 |
CN108536107A (zh) * | 2018-05-14 | 2018-09-14 | 浙江大学 | 基于混合型优化参数的群智能寻优故障诊断系统 |
CN108764305A (zh) * | 2018-05-14 | 2018-11-06 | 浙江大学 | 一种改进的群智能机器学习故障诊断系统 |
-
2019
- 2019-01-08 CN CN201910016126.0A patent/CN109635880B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017128455A1 (zh) * | 2016-01-25 | 2017-08-03 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
CN106198000A (zh) * | 2016-07-11 | 2016-12-07 | 太原理工大学 | 一种采煤机摇臂齿轮故障诊断方法 |
CN106295153A (zh) * | 2016-08-03 | 2017-01-04 | 南京航空航天大学 | 一种基于孪生支持向量机的航空发动机气路故障诊断方法 |
US20180238951A1 (en) * | 2016-09-07 | 2018-08-23 | Jiangnan University | Decision Tree SVM Fault Diagnosis Method of Photovoltaic Diode-Clamped Three-Level Inverter |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN106650815A (zh) * | 2016-12-28 | 2017-05-10 | 北京航天测控技术有限公司 | 动态粒子群算法优化的多核支持向量机吊舱故障诊断方法及装置 |
CN107121977A (zh) * | 2017-06-02 | 2017-09-01 | 南京邮电大学 | 基于双层结构的机械臂执行器故障容错控制系统及其方法 |
CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
CN108376286A (zh) * | 2018-02-26 | 2018-08-07 | 上海理工大学 | 一种设备故障诊断装置及系统 |
CN108536129A (zh) * | 2018-05-14 | 2018-09-14 | 浙江大学 | 一种群智能搜索的相关向量机故障诊断系统 |
CN108536128A (zh) * | 2018-05-14 | 2018-09-14 | 浙江大学 | 一种参数优化的机器学习故障诊断系统 |
CN108536107A (zh) * | 2018-05-14 | 2018-09-14 | 浙江大学 | 基于混合型优化参数的群智能寻优故障诊断系统 |
CN108764305A (zh) * | 2018-05-14 | 2018-11-06 | 浙江大学 | 一种改进的群智能机器学习故障诊断系统 |
Non-Patent Citations (11)
Title |
---|
XINGGAO LIU, YUNQING HU, JIANGHUA FENG, AND KEAN LIU: "A Novel Penalty Approach for Nonlinear Dynamic Optimization ProblemsWith Inequality Path Constraints", IEEE TRANSACTIONS ON AUTOMATIC CONTROL, VOL. 59, NO. 10, OCTOBER 2014 * |
YU ZHU,XINGGAO LIU ZHIYONG ZHOU: "Optimization of Cryogenic Air Separation Distillation Columns", PROCEEDINGS OF THE 6TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION, JUNE 21 - 23, 2006, DALIAN, CHINA * |
刘冲: "基于优化支持向量机的采煤机故障诊断技术", 《山东农业大学学报(自然科学版)》, no. 01 * |
张斯涵等: "模型预测控制模型在采煤机调高系统中的应用研究", 《工矿自动化》 * |
张斯涵等: "模型预测控制模型在采煤机调高系统中的应用研究", 《工矿自动化》, no. 05, 19 April 2018 (2018-04-19) * |
李丹: "粒子群优化算法及其应用", 中国博士论文 * |
王灵;王秀亭;俞金寿;: "基于自适应量子蚁群算法的石脑油裂解炉故障诊断", 化工学报, no. 02 * |
赵成业;刘兴高;: "基于粒子群优化算法的熔融指数预报", 控制工程, no. 2 * |
陈如清;杨妍;: "改进的协同粒子群优化算法的研究与应用", 振动.测试与诊断, no. 03 * |
陈渊等: "基于PSO-SVM的采煤机摇臂齿轮箱故障诊断研究", 《煤矿机械》 * |
陈渊等: "基于PSO-SVM的采煤机摇臂齿轮箱故障诊断研究", 《煤矿机械》, no. 10, 15 October 2015 (2015-10-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110764474A (zh) * | 2019-10-16 | 2020-02-07 | 上海电气集团股份有限公司 | 监测设备运行状态的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109635880B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100470416C (zh) | 一种电厂热工设备智能状态诊断分析系统 | |
CN112462736B (zh) | 一种基于数据分析的风电机组故障诊断方法 | |
CN111669123B (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN1008210B (zh) | 化学过程的智能监控系统 | |
CN113280909A (zh) | 一种基于振动信号分析的选煤厂振动筛智能检测系统及方法 | |
CN112417700B (zh) | Eh油站基于状态评价的故障诊断系统 | |
CN113780375A (zh) | 一种基于数字孪生的虚实交互风电场风力监测系统及应用 | |
CN109635879A (zh) | 一种参数最优的采煤机故障诊断系统 | |
CN109635880A (zh) | 基于强鲁棒自适应算法的采煤机故障诊断系统 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
CN116859838B (zh) | 一种设备运行情况监测的预警系统 | |
CN112257224B (zh) | 汽轮发电机状态检修方法、系统以及终端 | |
CN117668730A (zh) | 基于深度学习算法的煤矿井下刮板机负载异常检测方法 | |
CN109800888A (zh) | 一种基于群智能机器学习的采煤机在线故障诊断系统 | |
CN117775226A (zh) | 一种无人艇动力装置健康状态评估系统及方法 | |
CN109409758B (zh) | 水电站设备健康状态评价方法及系统 | |
CN115726935A (zh) | 一种基于人工智能的风力机组异常状态检测系统及方法 | |
CN112884170A (zh) | 一种综合管廊预测性智能运维系统及方法 | |
CN109657404B (zh) | 基于混沌修正群智能寻优的采煤机故障自动诊断系统 | |
CN112699598A (zh) | 齿轮箱油温异常智能诊断方法及装置 | |
CN108071562B (zh) | 一种基于能量流的风电机组能效状态诊断方法 | |
CN117706961B (zh) | 一种深海潜器机械臂控制系统故障仿真平台 | |
CN115750304B (zh) | 绿能抽油机智慧管控系统 | |
CN114781762B (zh) | 一种基于寿命消耗的装备故障预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |