隨著科技水平的不斷創(chuàng)新與發(fā)展,礦井大型設備運行狀態(tài)的監(jiān)測與診斷愈發(fā)得到重視。驅動電機作為皮帶輸送機與其他設備驅動系統(tǒng)的核心部件,其安全高效的運行關系著礦井生產(chǎn)的可靠性與穩(wěn)定性。電機故障不僅會導致相關設備的損毀,而且會造成礦井生產(chǎn)停滯,帶來難以預計的人力、物力損失。因此,監(jiān)測皮帶機驅動電機的運行狀態(tài),對于其故障情況進行狀態(tài)識別與預警,具有重要意義及實際價值。傳統(tǒng)電機故障診斷往往針對單一信號進行分析,在信號采集方面存在片面性,應當考慮電機的綜合性構成。在特征處理時,需要將特征選擇與狀態(tài)識別模型結合,得到針對性較強的特征子集。在信息融合時,需對信號經(jīng)過多分類器訓練得到的識別結果進行融合,并將融合結果以可視化的界面進行展示。針對以上問題開展研究工作。(1)分析電機振動信號與定子電流信號在不同運行狀態(tài)下的故障特性,對基于經(jīng)驗模態(tài)分解(Empirical Mode Decomposition,EMD)的信號分析方法進行研究,提出基于完備平均經(jīng)驗模態(tài)分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)的振動與電流信號分析方法,有效解決EMD分解中存在的“模態(tài)混疊”問題,并對虛假分量進行甄別。通過計算IMF分量與原始信號的相關系數(shù),選擇前四階IMF分量,與包絡譜、邊際譜分量組成信號樣本序列。(2)計算信號樣本序列包含時域、頻域參數(shù)在內(nèi)的11種統(tǒng)計特征,構建高維原始特征集,并提出基于隨機森林(Random Forest,RF)平均精確率減少的特征選擇方法FSMDA,對原始特征集進行處理。該方法利用隨機森林模型對特征進行訓練與測試,將加入噪聲干擾前后的特征袋外誤差率差值用于描述特征重要度,作為特征選擇的依據(jù)。結合線性局部切空間排列方法(Linear Local Tangent Space Alignment,LLTSA)與極限學習機(Extreme Learning Machine,ELM)、模糊C-均值聚類算法(Fuzzy C-Means,FCM)、隨機森林等分類器,構建基于驅動電機振動信號與定子電流信號的狀態(tài)識別模型,設計同工況與變工況的兩組對比實驗,利用實驗臺電機故障數(shù)據(jù)對模型的有效性進行驗證。(3)分析傳統(tǒng)信息融合存在的的問題,提出基于優(yōu)化D-S證據(jù)理論的兩級信息融合框架,其中一級融合集中于同一類信號的多種狀態(tài)識別模型結果,再將不同類信號的融合識別結果進行二級融合。利用Jousselme距離度量原始距離間的相似程度,在融合時避免了證據(jù)間的高度沖突帶來的問題。利用第三章所提狀態(tài)識別模型同工況下的識別結果,對所提多源信息融合框架的有效性進行驗證。(4)通過分析礦井操作人員對于皮帶機驅動電機監(jiān)測與診斷的需求,設計研發(fā)了基于.Net平臺的礦井皮帶機驅動電機狀態(tài)識別與智能決策系統(tǒng)。結合狀態(tài)監(jiān)測模型與多源信息融合結果,為礦井操作人員提供了快捷、高效的信息處理系統(tǒng),具有較強的可拓展性,有效提高現(xiàn)場工作效率。實驗結果表明,本文所提出的特征選擇方法FSMDA能夠有效選擇對狀態(tài)識別模型重要度較高的特征,構建的狀態(tài)識別模型CEEMD-FSMDA-LLTSA-ELM/FCM/RF具有良好的適應性,明顯提高了電機同工況與變工況狀態(tài)的識別精確率,結合多源信息融合結果所設計的礦井皮帶機驅動電機狀態(tài)識別與智能決策系統(tǒng)能有效描述故障類型,可操作性強。
【學位單位】：中國礦業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP202;TD528.1
【部分圖文】：

后續(xù)步驟的需求，需要一種較為成熟的信號分析方法對處理[82]，特別是在信號降噪方面表現(xiàn)良好的，由此本文解（Complementary Ensemble Empirical Mode Decompos動信號以及定子電流信號進行信號分析，便于構建電號的原始特征集，進行特征選擇與降維。模態(tài)分解態(tài)分解（Empirical Mode Decomposition, EMD）方法是 1美國宇航局提出的一種自適應信號時頻分析方法，理論間序列的分解，尤其是非平穩(wěn)、非線性信號。一經(jīng)提出泛應用，特別是故障診斷領域。經(jīng)驗模態(tài)分解方法的基則的信號波形轉化為多個單一頻率的信號波形與余留將分解得到的多個單一頻率樣本稱為本征模態(tài)函數(shù)（F），所分解出來的各個 IMF 分量包含了原始信號的不局部特征，圖 2-3 為某 IMF 分量示意圖。

圖 2-7 仿真信號經(jīng) CEEMD 分解結果Figure 2-7 The simulation signal decomposed by CEEMD4 實驗分析（Experiment Analysis）本小節(jié)利用 SQI-MFS 實驗臺采集到的振動信號與定子電流信號進行實驗83]，實驗臺由驅動電機、軸承部件、變頻器與底座支架等結構組成，具體集系統(tǒng)與部分故障電機如圖 2-8 所示。電機的主要參數(shù)如表 2-2 所示，在程中，能夠對電機的轉速與負載條件進行調整。定子由定子鐵芯、繞組與成，轉子由轉子鐵芯、繞組以及轉軸構成。其中定子鐵芯與轉子鐵芯在形似，包含齒與齒槽，電機運行時，磁通與磁動勢的通路由定子鐵芯構成。組與轉子繞組結構類似，包含單層或雙層纏繞線圈[84]，具體結構如圖 2-9 所

小節(jié)利用 SQI-MFS 實驗臺采集到的振動信號與定子電流信號進行實驗臺由驅動電機、軸承部件、變頻器與底座支架等結構組成，具統(tǒng)與部分故障電機如圖 2-8 所示。電機的主要參數(shù)如表 2-2 所示，，能夠對電機的轉速與負載條件進行調整。定子由定子鐵芯、繞組轉子由轉子鐵芯、繞組以及轉軸構成。其中定子鐵芯與轉子鐵芯在包含齒與齒槽，電機運行時，磁通與磁動勢的通路由定子鐵芯構成轉子繞組結構類似，包含單層或雙層纏繞線圈[84]，具體結構如圖 2-圖 2-8 SQI-MFS 實驗臺Figure 2-8 SQI MFS test bench
【參考文獻】

相關期刊論文 前10條

1 趙磊;謝尚東;;大傾角巷道中使用的皮帶輸送機的斷帶保護裝置[J];安徽科技;2015年04期

2 孫斌;劉立遠;牛翀;;基于局部切空間排列和K-最近鄰分類器的轉子故障診斷方法[J];中國機械工程;2015年01期

3 宋濤;湯寶平;鄧蕾;;動態(tài)增殖流形學習算法在機械故障診斷中的應用[J];振動與沖擊;2014年23期

4 劉青鳳;李紅蘭;;基于數(shù)據(jù)挖掘方法的風力渦輪機狀態(tài)監(jiān)測技術研究[J];計算機測量與控制;2014年05期

5 苑津莎;張利偉;王瑜;尚海昆;;基于極限學習機的變壓器故障診斷方法研究[J];電測與儀表;2013年12期

6 鄭近德;程軍圣;楊宇;;改進的EEMD算法及其應用研究[J];振動與沖擊;2013年21期

7 馬恭樸;;淺析礦井機電運輸系統(tǒng)的復雜性[J];中華民居(下旬刊);2013年02期

8 程加堂;周燕潔;段志梅;;多傳感器信息融合在電機故障診斷中的應用[J];噪聲與振動控制;2012年05期

9 趙志宏;楊紹普;;基于小波包變換與樣本熵的滾動軸承故障診斷[J];振動.測試與診斷;2012年04期

10 李鋒;湯寶平;陳法法;;基于線性局部切空間排列維數(shù)化簡的故障診斷[J];振動與沖擊;2012年13期

本文編號：2854511