本文關(guān)鍵詞：小波支持向量機(jī)在礦井通風(fēng)機(jī)故障預(yù)測(cè)中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：礦井通風(fēng)機(jī)在煤礦生產(chǎn)過(guò)程中具有非常重要的作用,既能保障煤礦生產(chǎn)的安全運(yùn)行,又可以有效減少煤礦瓦斯事故的發(fā)生,一旦通風(fēng)機(jī)出現(xiàn)故障,就可能會(huì)造成嚴(yán)重的經(jīng)濟(jì)損失甚至危害人員生命安全。因此礦井通風(fēng)機(jī)的故障預(yù)測(cè)對(duì)于提高安全生產(chǎn)和確保人員安全具有重要意義。 故障預(yù)測(cè)的難點(diǎn)在于特征量的提取。故障的信息往往包含于突變信號(hào)的某高頻帶內(nèi),傳統(tǒng)的傅里葉變換對(duì)于突變信號(hào)和非平穩(wěn)信號(hào)的處理存在缺陷,而小波分析在時(shí)域和頻域都有良好的效果。所以本文首先采用小波分析代替傅里葉信號(hào)分析,通過(guò)小波的伸縮平移,可以將信號(hào)進(jìn)行多尺度的分解,得到信號(hào)在不同頻帶的小波分解系數(shù),運(yùn)用閾值法去除噪聲干擾部分,將小波進(jìn)行重構(gòu)得到各頻帶信號(hào),再根據(jù)小波系數(shù)平方法計(jì)算出高頻小波分解系數(shù)得到信號(hào)能量,把信號(hào)能量作為故障的特征向量。然后,將特征向量通過(guò)規(guī)范化處理后輸入支持向量機(jī)中,通過(guò)FPE準(zhǔn)則來(lái)評(píng)價(jià)支持向量機(jī)模型的合理嵌入維數(shù),同時(shí)引入拉格朗日因子,把核函數(shù)導(dǎo)入非線(xiàn)性問(wèn)題中取代復(fù)雜的內(nèi)積運(yùn)算,從而推導(dǎo)出合理的回歸函數(shù),利用回歸函數(shù)對(duì)輸入的樣本進(jìn)行訓(xùn)練,逐步遞推得到支持向量回歸機(jī)的預(yù)測(cè)模型,根據(jù)設(shè)定的學(xué)習(xí)參數(shù),當(dāng)訓(xùn)練誤差滿(mǎn)足要求時(shí),完成整個(gè)學(xué)習(xí)過(guò)程,可以進(jìn)行故障預(yù)測(cè)。最后,使用LabVIEW上位機(jī)軟件對(duì)支持向量機(jī)預(yù)測(cè)模型進(jìn)行實(shí)現(xiàn),通過(guò)搭建數(shù)據(jù)存儲(chǔ)、小波去噪和支持向量機(jī)學(xué)習(xí)預(yù)測(cè)模塊,完成基本程序模塊的構(gòu)建,并通過(guò)LabVIEW軟件與MATLAB的無(wú)縫連接,在LabVIEW中插入MATLAB節(jié)點(diǎn)實(shí)現(xiàn)軟件功能的切換。充分發(fā)揮LabVIEW軟件的可視化和強(qiáng)大的交互性能力,同時(shí)本文借助Holospectra分析方法,對(duì)通風(fēng)機(jī)故障進(jìn)行分析描述,結(jié)合采集振動(dòng)數(shù)據(jù)、進(jìn)行相關(guān)實(shí)驗(yàn)仿真。 本文對(duì)通風(fēng)機(jī)故障預(yù)測(cè)提出了相應(yīng)的理論分析和論述,對(duì)提高礦井通風(fēng)機(jī)的安全運(yùn)行和設(shè)備維護(hù)有著一定的理論意義,同時(shí)適用于其它大型旋轉(zhuǎn)類(lèi)機(jī)械設(shè)備,對(duì)其故障預(yù)測(cè)有著一定的應(yīng)用價(jià)值。
【關(guān)鍵詞】：礦井通風(fēng)機(jī) 小波分析 支持向量機(jī) 故障預(yù)測(cè)
【學(xué)位授予單位】：安徽理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TD724;TP18
【目錄】：

• 摘要5-6
• Abstract6-14
• 1 緒論14-19
• 1.1 引言14
• 1.2 選題背景14-15
• 1.3 故障預(yù)測(cè)的研究意義15-16
• 1.4 故障預(yù)測(cè)的研究現(xiàn)狀16
• 1.5 礦井通風(fēng)機(jī)故障預(yù)測(cè)的發(fā)展16-17
• 1.6 本文主要內(nèi)容與結(jié)構(gòu)17-19
• 2 通風(fēng)機(jī)故障機(jī)理分析19-34
• 2.1 通風(fēng)機(jī)典型故障模式19-30
• 2.1.1 風(fēng)機(jī)失衡故障模式19-21
• 2.1.2 風(fēng)機(jī)不對(duì)中故障模式21-23
• 2.1.3 風(fēng)機(jī)動(dòng)靜部件磨損故障模式23-26
• 2.1.4 風(fēng)機(jī)油膜振動(dòng)故障模式26-28
• 2.1.5 風(fēng)機(jī)喘振故障模式28-30
• 2.2 通風(fēng)機(jī)故障預(yù)測(cè)系統(tǒng)30-31
• 2.3 振動(dòng)測(cè)量傳感器31-32
• 2.4 常用通風(fēng)機(jī)故障預(yù)測(cè)理論32-33
• 2.5 本章小結(jié)33-34
• 3 小波分析理論及其在故障預(yù)測(cè)中的應(yīng)用34-49
• 3.1 小波分析基本概論34-42
• 3.1.1 小波理論基礎(chǔ)34-36
• 3.1.2 小波定義36-37
• 3.1.3 連續(xù)小波變換37-39
• 3.1.4 離散小波變換39-42
• 3.2 小波多分辨率分析及小波包分析42-44
• 3.2.1 多分辨率分析42
• 3.2.2 小波包分析42-44
• 3.3 小波分析的故障特征提取44-48
• 3.3.1 小波分析處理過(guò)程44-45
• 3.3.2 小波分析的故障特征提取45-48
• 3.4 本章小結(jié)48-49
• 4 SVM理論在故障預(yù)測(cè)中的應(yīng)用49-71
• 4.1 支持向量機(jī)理論49-54
• 4.1.1 支持向量機(jī)最優(yōu)分類(lèi)面49-51
• 4.1.2 支持向量機(jī)核函數(shù)51-52
• 4.1.3 支持向量機(jī)及其分類(lèi)流程52-54
• 4.2 支持向量回歸機(jī)理論54-59
• 4.3 基于支持向量機(jī)的故障預(yù)測(cè)59-70
• 4.3.1 樣本小波分析59-62
• 4.3.2 支持向量機(jī)回歸預(yù)測(cè)62-64
• 4.3.3 支持向量機(jī)預(yù)測(cè)結(jié)果分析64-70
• 4.4 本章小結(jié)70-71
• 5 基于LabVIEW軟件平臺(tái)操作71-78
• 5.1 虛擬儀器71-72
• 5.1.1 虛擬儀器簡(jiǎn)介71-72
• 5.1.2 LabVIEW軟件操作72
• 5.2 基于LabVIEW的風(fēng)機(jī)故障預(yù)測(cè)72-76
• 5.2.1 數(shù)據(jù)采集存儲(chǔ)模塊72-73
• 5.2.2 小波降噪模塊73-75
• 5.2.3 支持向量機(jī)故障預(yù)測(cè)模塊75-76
• 5.3 本章小結(jié)76-78
• 6 全文總結(jié)與展望78-80
• 6.1 總結(jié)78
• 6.2 展望78-80
• 參考文獻(xiàn)80-84
• 致謝84-86
• 作者簡(jiǎn)介及讀研期間主要科研成果86

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 徐科,徐金梧;基于小波分解的設(shè)備狀態(tài)預(yù)測(cè)方法[J];北京科技大學(xué)學(xué)報(bào);2000年02期

2 張岐龍;單甘霖;段修生;尚裕萌;;基于小波支持向量機(jī)的模擬電路故障診斷[J];電光與控制;2010年05期

3 暢廣輝;劉滌塵;熊浩;;基于多分辨率SVM回歸估計(jì)的短期負(fù)荷預(yù)測(cè)[J];電力系統(tǒng)自動(dòng)化;2007年09期

4 宋國(guó)明;王厚軍;劉紅;姜書(shū)艷;;基于提升小波變換和SVM的模擬電路故障診斷[J];電子測(cè)量與儀器學(xué)報(bào);2010年01期

5 徐科,徐金梧,班曉娟;基于小波分解的某些非平穩(wěn)時(shí)間序列預(yù)測(cè)方法[J];電子學(xué)報(bào);2001年04期

6 謝培甫;夏立斌;譚青;;基于神經(jīng)網(wǎng)絡(luò)的大型風(fēng)機(jī)智能故障診斷系統(tǒng)的研究[J];風(fēng)機(jī)技術(shù);2007年02期

7 于開(kāi)平,鄒經(jīng)湘,楊炳淵;小波函數(shù)的性質(zhì)及其應(yīng)用研究[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);2000年02期

8 周小勇,葉銀忠;基于Mallat塔式算法小波變換的多故障診斷方法[J];控制與決策;2004年05期

9 何明輝;毛嘉成;范如玉;張平;;基于SVM回歸的圓柱殼體抗脈沖強(qiáng)度預(yù)估模型[J];力學(xué)學(xué)報(bào);2009年03期

10 陳偉;李光;;礦井通風(fēng)機(jī)監(jiān)控系統(tǒng)設(shè)計(jì)[J];煤礦現(xiàn)代化;2006年04期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 宋國(guó)明;基于提升小波及SVM優(yōu)化的模擬電路智能故障診斷方法研究[D];電子科技大學(xué);2010年

2 辛衛(wèi)東;風(fēng)電機(jī)組傳動(dòng)鏈振動(dòng)分析與故障特征提取方法研究[D];華北電力大學(xué);2013年

  本文關(guān)鍵詞：小波支持向量機(jī)在礦井通風(fēng)機(jī)故障預(yù)測(cè)中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：276526