【摘要】：采煤機是煤礦綜采成套系統(tǒng)的關(guān)鍵設(shè)備之一,大功率、高可靠性、高智能、易于維護是現(xiàn)階段采煤機研究的趨勢。搖臂作為采煤機完成截割任務(wù)的重要部件,一旦發(fā)生故障,將直接影響到采煤機的運行效率,其可靠性對煤礦的安全高效生產(chǎn)至關(guān)重要,搖臂的故障診斷方法研究已然成為采煤機維護工作的重中之重。針對上述問題,本文以采煤機搖臂傳動系統(tǒng)為研究對象,在分析實際工況和故障模式的基礎(chǔ)上,研究在不同時間尺度下的故障特征向量提取方法,建立了基于改進深度置信網(wǎng)絡(luò)的智能診斷模型。首先,對采煤機搖臂傳動系統(tǒng)的結(jié)構(gòu)進行分析,并結(jié)合實際工況環(huán)境,分析采煤機搖臂的多種故障形式,對故障形式分類、測試區(qū)域劃分及測點位置布置進行研究,最終分析各部件振動特性,為特征提取和智能診斷奠定了基礎(chǔ)。其次,針對搖臂傳動系統(tǒng)在割煤過程中振動信號的非線性、非平穩(wěn)性問題,研究多閾值小波包去噪方法,對不同頻段信號選用不同閾值方法進行去噪,進一步通過EMD分解消除多閾值小波包去噪的局部最優(yōu)性,得到多個IMF信號分量,結(jié)合Shanan信息熵值對多個IMF分量進行特征驗算,并進行模擬信號仿真試驗。然后,提出基于監(jiān)督式學(xué)習(xí)網(wǎng)絡(luò)的搖臂傳動系統(tǒng)故障診斷方法,分析監(jiān)督式學(xué)習(xí)模型的訓(xùn)練過程,對模型的學(xué)習(xí)率、迭代次數(shù)等多個輸入?yún)⒘窟M行研究,通過DDS故障診斷平臺進行診斷方案的可行性驗證;針對模型診斷效率低的問題,提出基于PSO-BPDBN的采煤機搖臂傳動系統(tǒng)故障診斷模型,并進行測試試驗。最終,結(jié)合特征提取和模式識別方法,進行采煤機搖臂地面測試實驗,對采集的信號數(shù)據(jù)進行特征向量提取,并構(gòu)建相對應(yīng)的特征提取樣本集,分別對傳動系統(tǒng)的高速區(qū)和低速區(qū)進行測試實驗,探究不同診斷方案下的故障診斷效率,驗證本文模型的有效性。
【學(xué)位授予單位】：西安科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TD632
【圖文】：

同的數(shù)據(jù)集進行測試，在工業(yè)應(yīng)用上都表現(xiàn)出遠(yuǎn)超以往淺層學(xué)習(xí)所能達(dá)到的最好的效果[47]。在生產(chǎn)制造過程中，大量的設(shè)備狀態(tài)數(shù)據(jù)為診斷技術(shù)提供了研究基礎(chǔ)，基于數(shù)據(jù)驅(qū)動的的故障診斷方法也越來越受到國內(nèi)外學(xué)者的關(guān)注。目前，基于數(shù)據(jù)驅(qū)動和機器學(xué)習(xí)的機械設(shè)備智能故障診斷方法的關(guān)鍵技術(shù)主要體現(xiàn)在兩個方面[48,49]：特征提取及故障模式識別，其診斷流程如圖 1.1 所示。

本文在查閱大量相關(guān)文獻的基礎(chǔ)上，對課題的背景、意義及國內(nèi)外研究現(xiàn)狀進行了研究，指出了采煤機搖臂傳動系統(tǒng)故障診斷的難點及現(xiàn)有診斷方法的不足，提出了振動信號特征提取和智能識別網(wǎng)絡(luò)結(jié)合的數(shù)據(jù)驅(qū)動診斷方案，最后確定本文的總體技術(shù)路線如圖 1.2 所示。

在搖臂高速區(qū)和低速區(qū)分別布置傳感器，對兩個搖臂進行信號采集，且每個搖臂測點位置對稱相等。本文以 MG1000(2550)-GWD 型采煤機的振動傳感器布置為例，結(jié)合搖臂傳動系統(tǒng)結(jié)構(gòu)及實際工況，采集左搖臂傳動系統(tǒng)的振動信號，加速度傳感器的磁座分別吸附的測點位置如圖 2.2 所示，測點分布信息如表 2.7 所示。1

【參考文獻】

相關(guān)期刊論文 前10條

1 周久華;;神東礦區(qū)采煤機故障統(tǒng)計與原因分析[J];煤炭科學(xué)技術(shù);2015年S2期

2 李志農(nóng);朱明;褚福磊;肖堯先;;基于經(jīng)驗小波變換的機械故障診斷方法研究[J];儀器儀表學(xué)報;2014年11期

3 薛超;;MGTY300/700系列電牽引采煤機的應(yīng)用[J];煤炭技術(shù);2014年09期

4 曲建嶺;杜辰飛;邸亞洲;高峰;郭超然;;深度自動編碼器的研究與展望[J];計算機與現(xiàn)代化;2014年08期

5 王守藝;李臻;朱益軍;陳思安;;煤礦設(shè)備潤滑油故障診斷研究[J];工礦自動化;2014年02期

6 馮志鵬;褚福磊;;行星齒輪箱故障診斷的扭轉(zhuǎn)振動信號分析方法[J];中國電機工程學(xué)報;2013年14期

7 張弦;王宏力;;基于粒子群優(yōu)化的最小二乘支持向量機在時間序列預(yù)測中的應(yīng)用[J];中國機械工程;2011年21期

8 唐sレ

本文編號：2773098