隨著現(xiàn)代科技的飛速發(fā)展,皮帶運(yùn)輸設(shè)備不斷朝著高速、大型、智能化的方向發(fā)展,以此來(lái)滿(mǎn)足高效運(yùn)輸?shù)囊�。然而隨著設(shè)備的改良和革新,機(jī)械設(shè)備結(jié)構(gòu)更加精密復(fù)雜,各部件聯(lián)系也愈發(fā)緊密,單個(gè)零部件的細(xì)微故障都可能導(dǎo)致整個(gè)運(yùn)輸線(xiàn)的癱瘓,給企業(yè)帶來(lái)極大的損失。因此,利用智能技術(shù)對(duì)皮帶機(jī)設(shè)備進(jìn)行及時(shí)的故障診斷和運(yùn)行狀態(tài)預(yù)測(cè)就成了確保其能夠安全運(yùn)輸?shù)闹匾e措。本文將支持向量機(jī)方法應(yīng)用到皮帶機(jī)故障問(wèn)題的研究上,分別采用支持向量機(jī)分類(lèi)算法和支持向量機(jī)回歸算法構(gòu)建故障診斷模型和故障趨勢(shì)預(yù)測(cè)模型。本文的主要工作如下:(1)針對(duì)皮帶機(jī)故障診斷模型識(shí)別精度不高的問(wèn)題,本文采用了主成分分析方法和改進(jìn)的灰狼算法對(duì)其進(jìn)行了優(yōu)化。首先利用主成分分析進(jìn)行故障特征的提取,將19個(gè)參數(shù)指標(biāo)轉(zhuǎn)化成5個(gè)互不相關(guān)的主成分指標(biāo),以此方式剔除相關(guān)性不高的特征指標(biāo),有效地避免了模糊因素對(duì)故障分類(lèi)的誤導(dǎo)。緊接著為消除SVM超參數(shù)的選擇對(duì)故障診斷模型精度的影響,本文初步選擇群搜索效果較優(yōu)的灰狼算法進(jìn)行核參數(shù)和懲罰因子的尋優(yōu),為了更加適應(yīng)本模型、強(qiáng)化模型的精度,本文最終采用一種利用差分進(jìn)化改進(jìn)的灰狼算法進(jìn)行模型的優(yōu)化。最后將本模型應(yīng)用于山東X煤礦公司...

【文章頁(yè)數(shù)】：90 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1技術(shù)路線(xiàn)圖

1緒論早熟和易收斂等不足，最終采用一種利用差分進(jìn)化思想優(yōu)化的灰狼算法進(jìn)行超參數(shù)的尋優(yōu)。結(jié)合應(yīng)用實(shí)例，該組合故障診斷模型的精度很高，達(dá)到了企業(yè)皮帶機(jī)組故障診斷的實(shí)際需要。（4）建立故障趨勢(shì)預(yù)測(cè)模型，采用支持向量機(jī)回歸算法對(duì)皮帶機(jī)幾個(gè)重要參數(shù)指標(biāo)進(jìn)行回歸預(yù)測(cè)。針對(duì)指標(biāo)容易受到多重因....

圖3-1主成分分析圖

3支持向量機(jī)在皮帶機(jī)故障診斷領(lǐng)域的應(yīng)用的表達(dá)量是不同的，第一主成分向量反映原數(shù)據(jù)樣本的最大差異，其余向量反映的差異信息依次遞減，并且處理后的低維度主成分向量?jī)蓛烧弧Ｈ鐖D3-1所示，在顯示的幾何空間中，使用主成分向量去代替原數(shù)據(jù)樣本的特性，PC1第一主成分和PC2第二....

圖3-2最優(yōu)超平面分類(lèi)圖

可分情況機(jī)分類(lèi)的核心思想是最優(yōu)分類(lèi)超平面。利用SVM對(duì)一個(gè)給定時(shí)，首先尋找到一個(gè)符合分類(lèi)要求的超平面，盡量使樣本中的，并保證分類(lèi)超平面兩側(cè)的區(qū)域足夠大[76]。如圖3-2所示，正兩種不同圖標(biāo)表示，空心圓表示為正樣本，實(shí)心圓表示為負(fù)樣不同樣本精準(zhǔn)分離的直線(xiàn)，1P、2P分....

圖3-3低維轉(zhuǎn)高維映射圖

3支持向量機(jī)在皮帶機(jī)故障診斷領(lǐng)域的應(yīng)用性不可分情況進(jìn)行分類(lèi)的樣本，絕大多數(shù)都是線(xiàn)性不可分樣本。非線(xiàn)性樣本難尋找一個(gè)最優(yōu)超平面就可以分類(lèi)待測(cè)樣本。支持向量機(jī)在解題上，采取一種將低維度樣本映射到高維度的方法，讓樣本在可分。但是將樣本數(shù)據(jù)直接進(jìn)行非線(xiàn)性變換，此過(guò)程不僅復(fù)雜我們引入核函....

本文編號(hào)：4046710