基于支持向量机的瓦斯传感器故障诊断方法研究

论文摘要

瓦斯传感器是煤矿安全检测系统的关键部件,瓦斯传感器一旦误报,会导致极其严重的后果。本文以解决上述问题为目的,研究基于支持向量机(SVM)的瓦斯传感器故障诊断方法。在支持向量机理论方面,首先介绍了SVM的理论背景,将SVM算法与神经网络进行了比较,突显出了SVM算法的优越性。然后介绍了支持向量机的理论基础——统计学习理论,提出了结构风险最小化原则。对SVM理论中的三个重要问题进行了阐述:最优超平面构造、支持向量机分类和核函数选取。最后分类介绍了SVM的训练方法。在传感器故障诊断技术方面,对传感器易发生的故障进行了分析,针对故障问题,介绍了基于模型和不基于模型的两大类故障诊断方法。本文研究的内容是将回归行支持向量机(SVR)算法用于传感器的故障诊断和信号恢复,首先对用SVR进行模型辨识进行了研究,然后对瓦斯检测系统中的瓦斯传感器输出值所受的影响因素进行分析,建立SVR预测器模型,通过反复试验和经验判断选择径向基函数(RBF)为SVR的核函数。最后在实验验证阶段,用24组正确的数据对SVR预测器进行训练,再用训练好的SVR进行仿真检验和数据验证。通过仿真实验,模拟了瓦斯传感器常见的四种故障情况,仿真结果表明SVR算法能对瓦斯传感器进行有效的故障诊断。再通过实验模拟传感器的非线性故障,实验表明SVR预测模型输出能准确跟踪瓦斯的真实浓度值,实现了瓦斯传感器的故障诊断和信号恢复。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 选题背景及意义
• 1.2 煤矿瓦斯传感器可靠性分析
• 1.2.1 煤矿安全检测系统可靠性调查
• 1.2.2 煤矿瓦斯传感器可靠性分析
• 1.3 瓦斯传感器故障诊断技术的发展
• 1.4 支持向量机方法概述
• 1.4.1 国内外研究现状
• 1.4.2 SVM 算法的研究内容
• 1.4.3 SVM 算法的优点
• 1.4.4 SVM 与神经网路方法的比较
• 2 支持向量机原理及其实现算法
• 2.1 引言
• 2.2 统计学习理论
• 2.2.1 VC 维
• 2.2.2 推广性的界
• 2.2.3 结构风险最小化原则
• 2.3 SVM 原理及算法
• 2.3.1 SVM 基本原理
• 2.3.2 最优超平面的构造
• 2.3.3 支持向量机分类问题
• 2.3.4 核函数
• 2.4 SVM 的训练算法
• 2.4.1 选块算法
• 2.4.2 固定工作样本集算法
• 2.5 小结
• 3 传感器故障诊断技术
• 3.1 引言
• 3.2 传感器故障诊断技术的内容
• 3.2.1 传感器故障诊断的任务
• 3.2.2 传感器故障类型
• 3.3 传感器故障诊断技术的主要方法
• 3.3.1 依赖于模型的故障诊断方法
• 3.3.2 不依赖于模型的故障诊断方法
• 3.4 数据的预处理
• 3.4.1 小波变换消除白噪声
• 3.4.2 数据的归一化处理
• 3.5 小结
• 4 回归型支持向量机用于故障诊断
• 4.1 引言
• 4.2 基于模型的故障诊断
• 4.2.1 基于模型诊断的基本思想
• 4.2.2 基于模型的故障诊断方法
• 4.3 回归型支持向量机（SVR）理论
• 4.3.1 线性回归情况
• 4.3.2 非线性回归情况
• 4.4 回归型支持向量机用于模型辨识
• 4.4.1 SVR 用于模型辨识的现实背景
• 4.4.2 SVR 实现模型辨识
• 4.5 小结
• 5 瓦斯传感器故障诊断与信号恢复实现
• 5.1 引言
• 5.2 瓦斯传感器故障诊断系统
• 5.2.1 影响瓦斯检测值的各种环境因素分析
• 5.2.2 瓦斯传感器故障模式及其影响
• 5.3 基于回归型支持向量机的传感器故障诊断
• 5.3.1 SVR 预测器建模
• 5.3.2 核函数选则
• 5.3.3 故障诊断及信号恢复实现
• 5.4 仿真实验与结果分析
• 5.4.1 MATLAB 环境下仿真
• 5.4.2 SVR 预测器的建立
• 5.4.3 SVR 预测器性能测试
• 5.4.4 故障仿真验证
• 5.5 小结
• 结论与展望
• 参考文献
• 致谢
• 攻读学位期间已发表的学术论文