【摘要】：隨著我國工業(yè)化程度不斷深化,機(jī)械設(shè)備作為工業(yè)生產(chǎn)必不可少的工具,越來越受到重視。而在煤礦的開采運(yùn)行過程中,除了瓦斯?jié)B透和水災(zāi)害能夠?qū)ΦV井乃至整個(gè)煤礦企業(yè)造成重大的影響外,礦用機(jī)械設(shè)備的平穩(wěn)運(yùn)行,也是煤礦開采可以安全生產(chǎn)的關(guān)鍵。礦用齒輪箱作為煤炭開采過程中的主要機(jī)械設(shè)備,其安全運(yùn)行是整個(gè)礦井正常運(yùn)行和整個(gè)煤礦企業(yè)安全生產(chǎn)的基礎(chǔ)。因此,本文從管理維護(hù)的角度入手,通過齒輪箱各運(yùn)行狀態(tài)的振動(dòng)信號(hào),對(duì)礦用齒輪箱故障進(jìn)行診斷,使煤炭開采工人能夠提前做好維護(hù)和預(yù)防,對(duì)煤礦的安全開采具有重要意義。首先,由于礦用齒輪箱運(yùn)行環(huán)境惡劣,運(yùn)行過程中振動(dòng)信號(hào)含有大量的噪聲,具有非線性、不穩(wěn)定性和不確定性的特點(diǎn),收集到的原始信號(hào)需要做預(yù)先處理。通過對(duì)礦用齒輪箱產(chǎn)生故障時(shí)的內(nèi)在機(jī)理分析,利用小波包分解與重構(gòu)對(duì)齒輪箱故障信號(hào)進(jìn)行降噪,去除振動(dòng)信號(hào)中大量的外界無關(guān)信號(hào),使其振動(dòng)信號(hào)更加接近自身運(yùn)行所產(chǎn)生的振動(dòng),為提取礦用齒輪箱信號(hào)特征提供基礎(chǔ)。其次,通過降噪后的故障信號(hào),再利用小波包分解過程中確定的故障信號(hào)高低頻系數(shù),計(jì)算故障振動(dòng)信號(hào)的能量熵,然后計(jì)算各信號(hào)重構(gòu)頻帶的樣本熵,結(jié)合信號(hào)的均方差對(duì)振動(dòng)信號(hào)的多特征進(jìn)行提取。通過提取礦用齒輪箱能量熵、樣本熵和統(tǒng)計(jì)量多特征向量,將齒輪箱的故障信號(hào)轉(zhuǎn)變?yōu)榭闪炕奶卣鹘Y(jié)構(gòu),可以作為診斷模型的輸入,是故障診斷模型構(gòu)建的關(guān)鍵。最后,確定了一種基于改進(jìn)灰狼優(yōu)化算法優(yōu)化多分類支持向量機(jī)的礦用齒輪箱故障診斷模型。在灰狼優(yōu)化算法中利用差分進(jìn)化算法對(duì)灰狼群位置進(jìn)行更新,從而使灰狼算法的全局搜索能力得到提高。然后將改進(jìn)灰狼算法和多分類支持向量機(jī)相結(jié)合,通過改進(jìn)灰狼算法的全局搜索能力尋找多分類支持向量機(jī)的最優(yōu)參數(shù),進(jìn)而提高故障診斷模型的準(zhǔn)確性,然后通過案例分析驗(yàn)證該故障診斷模型應(yīng)用于礦用齒輪箱故障診斷的可行性。本文的研究成果不僅豐富了礦用齒輪箱故障診斷研究理論,而且對(duì)煤礦機(jī)械的安全生產(chǎn)和運(yùn)行提供了有效地理論指導(dǎo)。有助于使煤礦機(jī)械的運(yùn)行性能得到提高,對(duì)煤礦機(jī)械設(shè)備的故障預(yù)防與維護(hù)具有實(shí)踐意義。
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TD407
【圖文】：

用經(jīng)驗(yàn)風(fēng)險(xiǎn)選擇最優(yōu)值的因此需要較低的 VC 維來保證原則的基本思想是在在降低經(jīng)風(fēng)險(xiǎn)與實(shí)際風(fēng)險(xiǎn)的誤差最小，函數(shù)集分解成函數(shù)集子序列：1 2 kS S S 子集內(nèi)的置信范圍一致，將各風(fēng)險(xiǎn)的影響，選擇經(jīng)驗(yàn)風(fēng)險(xiǎn)最。通過實(shí)際風(fēng)險(xiǎn)、經(jīng)驗(yàn)風(fēng)險(xiǎn)和 所示：

經(jīng)過三層小波包分解后的原始信號(hào) S 如下式所示：3 3 3 3 3 3 3 3S=LLL +HLL +LHL +HHL +LLH +HLH +LHH +HHH （3通過圖 3.1 可以看出，原始信號(hào) S 經(jīng)小波包分解方法進(jìn)行三層分解后， 8 個(gè)分解系數(shù)，其中，第三層的低頻系數(shù)為 LLL3、HLL3、LHL3、HHL3，層的高頻系數(shù)為 LLH3、HLH3、LHH3、HHH3，彌補(bǔ)了小波分解中只對(duì) L分解而忽略 H1的不足，小波包通過對(duì)信號(hào)的高頻和低頻部分進(jìn)行分解，能好的對(duì)信號(hào)進(jìn)行分辨。小波包分解的公式如下，由{ }j 1,npq+求得{ }j ,2npq 和{ }j ,2 n1pq+,2 1,2,2 1 1,2j n j np l p llj n j np l p llq h qq g q+ + + = = （3小波包重構(gòu)[66]的公式如下，由{ }j ,2npq 和{ }j ,2 n1pq+求得{ }j 1,npq+1, ,2 ,2 12 2( )j n j n j np p l l p l llq h d g d+ + = +（3

量機(jī)（Multi-class Support Vector M為ix ， i =1, ,n ，類別輸出為 y函數(shù) K( x,x)i和相關(guān)參數(shù)。10ni iiy α= =和 0i≤ α ≤ c下求解式（29），得到 w 最優(yōu)值。類訓(xùn)練樣本向量進(jìn)行計(jì)算式（2.21樣本繼續(xù)重復(fù)步驟 2-步驟 5，直到結(jié)果。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳艷麗;郭良浩;宮在曉;;簡(jiǎn)明分?jǐn)?shù)階傅里葉變換及其對(duì)線性調(diào)頻信號(hào)的檢測(cè)和參數(shù)估計(jì)[J];聲學(xué)學(xué)報(bào);2015年06期

2 焦衛(wèi)東;林樹森;;整體改進(jìn)的基于支持向量機(jī)的故障診斷方法[J];儀器儀表學(xué)報(bào);2015年08期

3 楊望燦;張培林;王懷光;陳彥龍;孫也尊;;基于EEMD的多尺度模糊熵的齒輪故障診斷[J];振動(dòng)與沖擊;2015年14期

4 汪超;吳吉瑞;張鍵;;基于振動(dòng)理論的齒輪箱故障診斷應(yīng)用研究[J];煤礦機(jī)械;2015年07期

5 魯軍;李俠;王重馬;于慶洋;高琳;吳立天;;基于小波分析的MSMA振動(dòng)傳感器信號(hào)處理與故障檢測(cè)[J];電工技術(shù)學(xué)報(bào);2015年10期

6 游子躍;王寧;李明明;李亞強(qiáng);王皓;;基于EEMD和BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)齒輪箱故障診斷方法[J];東北電力大學(xué)學(xué)報(bào);2015年01期

7 張玉欣;程志峰;徐正平;白晶;;參數(shù)尋優(yōu)支持向量機(jī)在基于光聲光譜法的變壓器故障診斷中的應(yīng)用[J];光譜學(xué)與光譜分析;2015年01期

8 李平;李學(xué)軍;蔣玲莉;曹宇翔;;基于KPCA和PSOSVM的異步電機(jī)故障診斷[J];振動(dòng).測(cè)試與診斷;2014年04期

9 劉志強(qiáng);呂學(xué);張利;;基于多分類GA-SVM的高速公路AID模型[J];系統(tǒng)工程理論與實(shí)踐;2013年08期

10 李剛;范萬里;姜海蓮;董雅宏;;結(jié)合光鐵譜技術(shù)用神經(jīng)網(wǎng)絡(luò)診斷電力機(jī)車齒輪箱故障[J];機(jī)械傳動(dòng);2013年03期

本文編號(hào)：2788412