【摘要】：鉆機作為一種重要的基建工程機械設備,被廣泛運用于油氣開采、礦山挖掘和公路等眾多領域,但是其在實際工作過程中因鉆桿的破壞、鉆桿連接的松動而導致的“掉鉆”現(xiàn)象時有發(fā)生,因此對鉆機鉆桿進行故障診斷具有重要意義。本文以鉆桿振動信號為研究對象,以鉆桿的故障診斷為研究主題,通過經驗小波分解、融合特征、BP神經網絡以及SVM等方法對其進行故障診斷研究,論文的主要研究內容與工作總結如下:(1)依據鉆機工作原理以及實際故障問題,設計并搭建了鉆機實驗平臺,根據鉆桿正常、不同程度松動與不同程度破壞工況、轉速以及影響振動信號采集的采樣頻率等因素,設計了鉆機鉆桿故障診斷正交實驗方案,依此方案對鉆桿故障進行模擬和信號采集;(2)研究了經驗小波變換(EWT)與經驗模態(tài)(EMD)的算法原理,對比這兩種方法對仿真信號的處理結果,驗證了EWT方法的優(yōu)越性,對采集到的信號用小波閾值法進行去噪,將去噪后的信號用EWT方法進行分解,對分解后各模態(tài)分量進行了時頻譜與Fourier譜分析;(3)針對鉆桿振動信號特征提取提出了 EWT-排列熵法、EWT-能量法,通過這兩種方法提取不同轉速、工況下振動信號的特征并進行分析討論,結果顯示利用這兩種方法能夠有效獲取鉆桿的故障特征,將信號各模態(tài)分量的排列熵特征與能量特征進行融合并將其作為故障識別的分類特征;(4)研究了 BP神經網絡與支持向量機(SVM)的算法原理,提出了基于粒子群算法的SVM核函數(shù)的參數(shù)優(yōu)化,利用這兩種模式識別方法對鉆桿的工況進行分類,結果表明SVM對本文所構建的融合特征向量具有更高的識別率,同時表明了本文所構建的融合特征向量可用于鉆桿的故障診斷。
【圖文】：

構、升降機構、信號采集與處理系統(tǒng)。本文結合機械創(chuàng)新設計方法，在分析典型逡逑液壓鉆機工作原理的基礎上，建立了轉速、鉆桿本體破壞程度和螺栓松動程度可逡逑變的鉆桿故障診斷試驗臺的原理模型，具體設計過程如圖２．１所示：逡逑設計要求逡逑總體功能設計逡逑功能模塊分解逡逑子模塊并行設計逡逑子模塊合并逡逑完成實驗平臺設計｜逡逑圖２．１鉆機故障診斷實驗平臺的設計過程逡逑２．１．１鉆機實驗平臺的設計要求逡逑為模擬鉆機鉆桿的實際工況，本文結合機械創(chuàng)新設計方法，設計并開發(fā)了一逡逑８逡逑

邐第２章鉆機故障診斷實驗平臺的研制與正交實驗逡逑的實驗平臺系統(tǒng)的功能結構與各模塊功能的關系能夠清楚表達，如圖２．２所示：逡逑轉速邋鉆桿破壞螺栓松動逡逑Ｔ邐Ｔ邐%煎義峽刂菩藕佩�？逦逦？反馈信号辶x系縋苠五�？动能辶x獻旮嗽謐昊笛殄義下菟ǎ危五迤教ㄖ兇義希誨危掊五危舅啥穆菟ㄥ義獻旮素危懼義希危隋五危酒撲鸕淖旮隋義洗釁鰨悖劍掊義希椋歟戾義險穸臥肷偽湫五義襄�？噪H五危啃畔㈠五�？能量辶x希危竟沽襄五危慷醞庥跋戾義賢跡玻滄昊笛櫧教ǖ淖芴騫δ蓯疽饌煎義希玻保匙昊笛櫧教ǖ墓δ芊紙忮義顯謐昊笛櫧教ǖ淖芴騫δ鼙蝗范ê�，对这种竻矒砟功能进行芳堚有利幼暛辶x俠矸槳傅納杓埔約疤岣嚦⒌墓ぷ饜省Ｓ捎詬鞴δ苣？櫚牟煌虬炎昊笛殄義掀教ㄏ低撤治歐刂葡低場⒒刈碩低場⒋低場⑻嶸低騁約靶藕挪杉義嫌氪硐低�，总舔qδ苣？櫸紙餿繽跡玻乘荊渲興歐刂葡低晨刂譜旮俗�，辶x匣刈低澄暉誹峁┗刈兀低辰緇牧卮蕕階暉罰�，處V低晨劐義現(xiàn)乒ぷ魈ǖ納怠ｅ義希保板義

本文編號：2691442