基于OCISVM的矿井通风系统在线故障诊断

为解决矿井通风系统故障样本获取困难以及在线故障诊断研究相对匮乏的问题,填补应用传感器实时监测数据进行故障分支诊断的空白,构造一分类支持向量机(OC-SVM)与增量学习(IL)相结合的OCISVM模型。首先,在离线阶段,运用传感器监测到的正常样本数据构造分类超平面;然后,在线检测阶段,依据IL的思想,通过引入德尔塔函数更新分类超平面;最后,利用东山矿通风系统数据库验证并分析OCISVM模型。结果表明:该模型的故障分支诊断准确率可达96.5%,诊断时间开销在毫秒级,在处理不平衡数据时稳定性更高。