[发明专利]一种输送铁矿石的皮带的早期故障预警方法

权利要求书

1.一种基于灰色关联分析改进的PSO-SVM皮带故障预警方法，其特征在于，包括以下步骤：

步骤1，通过现场采集各测点的指标数据，通过对带式输送机的机理进行分析，得到对皮带故障趋势影响较大的几个参数指标，如电机电流、带速等；

步骤2，用灰色相关分析分析其他指标，并根据相关程度选择两者之间的相关性；将选择的特征时间序列随机划分为两部分：训练集和测试集；

步骤3，对训练集进行灰色理论的累加运算，增强序列的规律性，并导入基于改进的PSO-SVM模型进行训练，得到皮带故障预警模型和模型的理论预测值，进行理论预测序列的逆生成过程，将理论预测值与测试集的实际数据进行比较，以评估所构建模型的准确度,筛选获得皮带故障预警模型；

步骤4，基于步骤3得到的模型的理论预测值对皮带的趋势进行预测分析，从而实现对皮带撕裂、皮带打滑等故障的早期预防。

2.根据权利要求1所述的基于灰色关联分析改进的PSO-SVM皮带故障预警方法，其特征在于：

步骤1中，通过对传送带运行机理分析，选取电机电流、带速等作为对皮带故障早期预警的参数指标。

3.根据权利要求2所述的基于灰色关联分析改进的PSO-SVM皮带故障预警方法，其特征在于：

步骤2中，通过灰色相关性分析对其他指标进行分析，根据相关程度选择两者之间的相关性，根据相关度值对其他参数指标进行排序，筛选出合适的特征因子，并把筛选出的特征序列划分为训练集和测试集。

4.根据权利要求3所述的基于灰色关联分析改进的PSO-SVM皮带故障预警方法，其特征在于：

步骤3中，对训练集进行灰色理论的累加运算，增强序列的规律性，然后对改进的PSO-SVM模型进行训练，通过训练得到最佳灰色相关联PSO-SVM预测模型，并获得累积生成序列的预测序列。

5.根据权利要求4所述的基于灰色关联分析改进的PSO-SVM皮带故障预警方法，其特征在于：

步骤3中，对获得的预测序列进行累积减法和逆归一化处理，得到理论预测值，并与真实值进行比较，利用平均绝对误差和均方根误差来评价模型的优劣，筛选获得性能优越的皮带故障预警模型。

6.根据权利要求5所述的基于灰色关联分析改进的PSO-SVM皮带故障预警方法，其特征在于：

步骤4中，通过基于灰色相关联PSO-SVM故障预警方法，对电机电流、皮带速度进行预测。

7.根据权利要求6所述的基于灰色关联分析改进的PSO-SVM皮带故障预警方法，其特征在于：

步骤4中，通过预测电机电流和皮带速度的未来趋势来实现对皮带撕裂的早期故障预警，当电机电流无明显变化，皮带速度明显下降式并且时，判断会发生皮带撕裂，进行皮带撕裂故障报警。

8.根据权利要求7所述的基于灰色关联分析改进的PSO-SVM皮带故障预警方法，其特征在于：

步骤4中，通过预测电机电流和皮带速度的未来趋势进行分析，若电机电流突然增大，皮带转速降低，可判断发生皮带过载，设备报警，若随着时间推移，电机电流逐渐减小，皮带有打滑的风险，进行皮带打滑故障报警。

9.根据权利要求8所述的基于灰色关联分析改进的PSO-SVM皮带故障预警方法，其特征在于：

步骤4中提出的基于灰色关联分析改进的PSO-SVM的故障预警模型具有足够的理论支持，克服了传统支持向量机方法预测速度慢、准确率低的缺点，能够将原始实际数据与预测结果进行线性关联。