基于LE与ICROA-RVM的瓦斯传感器故障诊断

针对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,提出一种基于拉普拉斯特征映射(LE)和改进化学反应优化算法(ICROA)优化的相关向量机(RVM)进行模式分类与辨识,实现瓦斯传感器故障诊断。首先采用流形学习方法 LE对高维原始数据空间进行非线性降维特征提取,提取故障特征,该方法极大地保留了原始数据中的整体几何信息;然后将故障特征作为RVM模型训练输入,利用ICROA算法对RVM模型的核参数进行全局寻优,将训练好的ICROA-RVM模型对测试样本进行故障诊断。实验结果表明:该诊断方法具有训练速度快,故障辨识精度高的特点,故障诊断正确率在96%以上,能够有效地提高瓦斯传感器故障诊断的速度和准确性。

基于小波包分形的瓦斯传感器故障诊断方法

针对瓦斯传感器的故障诊断问题,提出一种基于小波包分形的瓦斯传感器故障诊断方法。使用3层小波包对故障信号进行分解和重构,获得不同频带的重构信号,计算各个重构信号的分形维度,并构成对应的故障特征向量。以此作为输入向量来训练支持向量机(SVM),完成故障的诊断。实验结果表明:该方法能有效地提取传感器的故障特征,提高了传感器故障诊断的准确率,可有效地应用于瓦斯传感器的故障诊断。

瓦斯浓度伪异常诊断准则研究

煤矿井下瓦斯传感器数据有时会因瓦斯校验,瓦斯传感器位移、故障等因素导致瓦斯数据异常从而引发不必要的报警,为解决这一问题,以李雅庄煤矿和平顶山一矿的瓦斯监测数据为基础,从大量的瓦斯监测数据中分析瓦斯伪异常的形态特征、数据特征,最终采用最值、极差、上升速率及时间等特征指标实现对瓦斯监测数据伪异常的识别,实现对井下瓦斯灾害的精准预警。