【摘要】：采煤機(jī)在煤礦的生產(chǎn)工作中發(fā)揮著重要的作用,長(zhǎng)期作業(yè)于惡劣的環(huán)境之下,導(dǎo)致采煤機(jī)故障時(shí)有發(fā)生。為了保證采煤機(jī)的正常工作進(jìn)度,提高采煤機(jī)故障診斷的準(zhǔn)確度以及穩(wěn)定性,降低因采煤機(jī)故障診斷耗時(shí)而造成的損失,論文以采煤機(jī)截割部軸承為例,提出了關(guān)于截割部軸承故障診斷方法的研究。關(guān)于截割部軸承故障診斷方法的研究,主要從以下兩個(gè)方面進(jìn)行:(1)針對(duì)已有基于BP神經(jīng)網(wǎng)絡(luò)的采煤機(jī)故障診斷方法存在噪聲敏感以及泛化性能較弱的問(wèn)題,論文提出一種基于BP Adaboost集成學(xué)習(xí)算法的采煤機(jī)截割部軸承故障診斷方法。首先,利用皮爾遜相關(guān)系數(shù)法對(duì)數(shù)據(jù)集的相關(guān)性進(jìn)行分析;其次,通過(guò)主成分分析法提取數(shù)據(jù)集的主成分;然后,構(gòu)造BP神經(jīng)網(wǎng)絡(luò)弱分類器;最后,通過(guò)結(jié)合策略,將多個(gè)BP弱分類器組合成BP Adaboost強(qiáng)分類器進(jìn)行軸承故障診斷。實(shí)驗(yàn)結(jié)果表明:BP_Adaboost集成學(xué)習(xí)算法解決了已有基于BP神經(jīng)網(wǎng)絡(luò)的采煤機(jī)故障診斷算法存在噪聲敏感以及泛化性能弱的問(wèn)題,提高了設(shè)備故障診斷的準(zhǔn)確度。(2)針對(duì)傳統(tǒng)的邏輯回歸模型不能解決非線性關(guān)系問(wèn)題,論文提出了非線性邏輯回歸用于截割部軸承故障的診斷。首先,論文中通過(guò)牛頓迭代法實(shí)現(xiàn)了對(duì)非線性邏輯回歸模型參數(shù)的求值、優(yōu)化;然后,將優(yōu)化之后的參數(shù)構(gòu)造出故障診斷模型,用于截割部軸承故障的診斷;最后,利用測(cè)試數(shù)據(jù)對(duì)設(shè)備故障診斷模型進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果表明:非線性邏輯回歸解決了傳統(tǒng)邏輯回歸不能解決非線性關(guān)系的問(wèn)題,相較于傳統(tǒng)的邏輯回歸模型,非線性邏輯回歸提高了軸承故障診斷的準(zhǔn)確度,符合設(shè)備故障診斷的實(shí)際需求。
【學(xué)位授予單位】：西安科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TD421.6
【圖文】：

圖 1.1 采煤機(jī)研究趨勢(shì)圖煤機(jī)故障進(jìn)行診斷研究，不僅可以提高生產(chǎn)安全性，而且可以保護(hù)發(fā)展。因此，關(guān)于采煤機(jī)故障診斷的研究無(wú)論是從個(gè)人安全、集體看，都是有研究?jī)r(jià)值的。，國(guó)內(nèi)外對(duì)于采煤機(jī)故障診斷的方法有很多，2016 年，Li L I 等人信號(hào)經(jīng)驗(yàn)?zāi)B(tài)的故障特征不明顯的問(wèn)題，提出了利用頻譜分析法提采煤機(jī)齒輪箱行星故障診斷，使故障特征更加明顯，分解效率得到

圖 1.2 采煤機(jī)截割部軸承故障診斷組織框架圖文章節(jié)安排文通過(guò)六個(gè)章節(jié)對(duì)滾動(dòng)軸承故障診斷方法的研究背景以及主要研究?jī)?nèi)容進(jìn)一章節(jié)的具體安排如下：一章 緒論。首先，對(duì)采煤機(jī)的研究背景及意義進(jìn)行了整體介紹；然后，介外對(duì)采煤機(jī)故障診斷常用的方法，分析已有方法的優(yōu)勢(shì)與不足，為本論文障診斷打下基礎(chǔ)；最后，展示了論文的工作安排，詳細(xì)介紹了論文的研究二章 相關(guān)技術(shù)和理論。主要介紹了采煤機(jī)的結(jié)構(gòu)、軸承故障種類以及對(duì)接到的相關(guān)算法的原理進(jìn)行了說(shuō)明。三章 Adaboost 集成學(xué)習(xí)算法的截割部軸承故障診斷。本章利用 Adaboo法進(jìn)行滾動(dòng)軸承故障的診斷。首先，主成分分析法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；其網(wǎng)絡(luò)訓(xùn)練得到的多個(gè)弱分類器構(gòu)成強(qiáng)分類器，利用強(qiáng)分類器對(duì)設(shè)備故障進(jìn)然后，通過(guò)測(cè)試數(shù)據(jù)來(lái)測(cè)試分類器的正確率以及運(yùn)行速度；最后，利用多評(píng)價(jià)指標(biāo)對(duì)實(shí)驗(yàn)的效果進(jìn)行評(píng)價(jià)分析。

西安科技大學(xué)全日制工程碩士學(xué)位論文2 相關(guān)技術(shù)和理論原理的了解是對(duì)算法使用和改進(jìn)的基礎(chǔ)，因此，在算法的使用之前，要對(duì)算行了解。為了方便數(shù)據(jù)的可視化處理、提高模型訓(xùn)練速度，在模型訓(xùn)練之前行降維處理。此外，論文中使用了兩種算法對(duì)設(shè)備故障進(jìn)行診斷，分別是 Ad學(xué)習(xí)算法以及非線性邏輯回歸算法，通過(guò)了解算法的原理，實(shí)現(xiàn)對(duì)算法模型進(jìn)。采煤機(jī)結(jié)構(gòu)及其軸承故障采煤機(jī)的產(chǎn)生實(shí)現(xiàn)了采煤流程的機(jī)械化、現(xiàn)代化。利用采煤機(jī)采煤可以減輕作人員的工作壓力，實(shí)現(xiàn)高效率、高質(zhì)量的采煤作業(yè)。目前，電牽引式雙筒用最廣泛的機(jī)型，其基本結(jié)構(gòu)如圖 2.1 所示[6]。

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 劉沖;;基于優(yōu)化支持向量機(jī)的采煤機(jī)故障診斷技術(shù)[J];山東農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年01期

2 毛林;陸全華;程濤;;基于高維數(shù)據(jù)的集成邏輯回歸分類算法的研究與應(yīng)用[J];科技通報(bào);2013年12期

3 徐秀麗;;滾動(dòng)軸承振動(dòng)與噪聲的相關(guān)性解析[J];科技創(chuàng)新與應(yīng)用;2012年30期

4 楊曉蔚;李紅濤;;滾動(dòng)軸承振動(dòng)與噪聲的相關(guān)性解析[J];軸承;2011年07期

相關(guān)博士學(xué)位論文 前1條

1 張磊;采煤機(jī)磨損檢測(cè)方法和減摩改進(jìn)方法研究[D];中國(guó)地質(zhì)大學(xué)(北京);2018年

相關(guān)碩士學(xué)位論文 前1條

1 馮偉康;基于粗糙集的采煤機(jī)故障診斷方法研究[D];西安科技大學(xué);2015年

本文編號(hào)：2745079