基于支持向量机的提升机制动系统故障诊断
来源期刊：中国矿业大学学报2006年第6期
论文作者：郭小荟 马小平
关键词：小波包; 支持向量机; 提升机; 制动系统; 故障诊断;
摘 要：针对提升机制动系统中常见的卡缸故障,利用支持向量机(SVM)这一新的机器学习方法进行智能诊断.在某一闸系统正常时获得2组信号,卡缸时获得6组信号,采用3层小波包对闸瓦间隙-时间信号进行分解,以各频带的能量为元素构造特征向量,形成故障诊断样本,在Mat-lab6.5环境下用SVM工具葙进行编程,建立SVM故障分类器并对测试样本进行测试,从而实现提升机制动系统卡缸故障诊断.实验结果表明,在不到0.1 s时间内,就建立了SVM故障分类器,该分类器对测试样本的诊断正确率达到了100%;当训练样本由6组减少至4组时,SVM故障分类器仍可以有效地实现对卡缸故障的诊断.因此,SVM方法对于少样本的故障诊断有较强的适应性,非常适合于矿井提升机这种安全运行要求很高,但又不具备大量故障样本的系统.
郭小荟1，马小平1
(1.中国矿业大学,信息与电气工程学院,江苏,徐州,221116;
2.徐州师范大学,计算机科学与技术学院,江苏,徐州,221116)
摘要:针对提升机制动系统中常见的卡缸故障,利用支持向量机(SVM)这一新的机器学习方法进行智能诊断.在某一闸系统正常时获得2组信号,卡缸时获得6组信号,采用3层小波包对闸瓦间隙-时间信号进行分解,以各频带的能量为元素构造特征向量,形成故障诊断样本,在Mat-lab6.5环境下用SVM工具葙进行编程,建立SVM故障分类器并对测试样本进行测试,从而实现提升机制动系统卡缸故障诊断.实验结果表明,在不到0.1 s时间内,就建立了SVM故障分类器,该分类器对测试样本的诊断正确率达到了100%;当训练样本由6组减少至4组时,SVM故障分类器仍可以有效地实现对卡缸故障的诊断.因此,SVM方法对于少样本的故障诊断有较强的适应性,非常适合于矿井提升机这种安全运行要求很高,但又不具备大量故障样本的系统.
关键词:小波包; 支持向量机; 提升机; 制动系统; 故障诊断;
【全文内容正在添加中】
