本文關(guān)鍵詞：基于LabVIEW的小波神經(jīng)網(wǎng)絡(luò)在煤礦通風機故障診斷中的應用，由筆耕文化傳播整理發(fā)布。

【摘要】：煤礦安全的頭號敵人是瓦斯爆炸,煤礦通風系統(tǒng)能有效的預防瓦斯爆炸和排除瓦斯險情,因此對煤礦通風機進行有效的監(jiān)管,對維護煤礦安全生產(chǎn)有重要的意義。本文以對煤礦通風機進行故障類型診斷為目的,開發(fā)一個基于LabVIEW的軟件系統(tǒng),以實現(xiàn)對煤礦通風機有效的在線監(jiān)管。經(jīng)過本課題的逐步深入的研究,最終完成了一個以小波神經(jīng)網(wǎng)絡(luò)為故障診斷模型的煤礦通風機故障診斷系統(tǒng)。其整個研究過程如下： (1)本文首先構(gòu)建了一個完整的煤礦通風機故障診斷系統(tǒng)的硬件結(jié)構(gòu)框架；其次設(shè)計了一個進行振動信號故障診斷的小波神經(jīng)網(wǎng)絡(luò)模型。硬件結(jié)構(gòu)框架和算法模型的建立為完成煤礦通風機故障診斷系統(tǒng)奠定了基礎(chǔ)。 (2)根據(jù)礦井環(huán)境及煤礦通風機自身的振動量等多方面因素考慮,選擇了敏度高、加速度快的AD500T-J型傳感器、NIPCI-6251型采集卡為核心的數(shù)據(jù)采集設(shè)備等硬件設(shè)備。 (3)對比傳統(tǒng)的信號分析方法,驗證了小波分析的先進性,表現(xiàn)在小波分析在時頻域都具有表征信號局部特征的能力,能夠良好的處理突發(fā)性質(zhì)的信號。深入剖析了煤礦通風機的故障機理及故障的特征頻率。選擇了一種改進的自適應調(diào)節(jié)學習速率的算法對振動樣本進行故障診斷,通過與BP標準算法的對比,自適應調(diào)節(jié)學習速率的改進算法具有較高的預測誤差精度和較快的網(wǎng)絡(luò)收斂速度,具有很好的診斷效果。 (4)以LabVIEW為軟件開發(fā)平臺,MATLAB為輔助開發(fā)軟件建立了-個軟件系統(tǒng),能夠?qū)γ旱V通風機振動信號進行采集、放大、轉(zhuǎn)換、存儲等基本操作,以及振動信號的小波消噪濾波、時域和頻域分析、小波分解與重構(gòu)等高級操作,最終利用神經(jīng)網(wǎng)絡(luò)實現(xiàn)煤礦的風機故障診斷。 (5)對煤礦通風機故障診斷系統(tǒng)各個主要功能模塊的開發(fā)過程及主要功能進行詳細的研究和說明。精心設(shè)計了各個模塊的界面,注重舒適的顏色搭配,合理的控件擺放,使整個操作系統(tǒng)更加簡潔、舒適、人性化。 本課題研究的煤礦通風機故障診斷系統(tǒng)匯集了多項在故障診斷領(lǐng)域先進的技術(shù)——虛擬儀器技術(shù)、小波分析技術(shù)、神經(jīng)網(wǎng)絡(luò)技術(shù)。在防治井下瓦斯和粉塵,預防井下瓦斯爆炸,維護煤礦安全生產(chǎn)方面具有積極的意義。同時該系統(tǒng)的研發(fā)為虛擬儀器技術(shù)在煤礦設(shè)備安檢領(lǐng)域的應用積累了一定的理論經(jīng)驗和實踐依據(jù)。
【關(guān)鍵詞】：故障診斷 LabVIEW 小波分析 神經(jīng)網(wǎng)絡(luò)
【學位授予單位】：安徽理工大學
【學位級別】：碩士
【學位授予年份】：2012
【分類號】：TD441
【目錄】：

• 摘要5-7
• Abstract7-9
• 目錄9-12
• Contents12-15
• 1 緒論15-21
• 1.1 立題的背景15-16
• 1.2 國內(nèi)外研究現(xiàn)狀及存在的問題16-17
• 1.3 研究的意義17
• 1.4 煤礦通風機故障診斷系統(tǒng)的發(fā)展趨勢17-18
• 1.5 本文研究的目的、內(nèi)容和技術(shù)路線18-21
• 2 煤礦通風機故障診斷系統(tǒng)整體規(guī)劃21-31
• 2.1 通風機故障診斷系統(tǒng)的結(jié)構(gòu)21-23
• 2.1.1 系統(tǒng)硬件結(jié)構(gòu)21-22
• 2.1.2 故障診斷系統(tǒng)模型簡介22-23
• 2.2 虛擬儀器技術(shù)簡介23-29
• 2.2.1 虛擬儀器的產(chǎn)生23-24
• 2.2.2 虛擬儀器簡介24-25
• 2.2.3 LabVIEW軟件簡介25-28
• 2.2.4 LabVIEW功能擴展28-29
• 2.3 本章小結(jié)29-31
• 3 振動數(shù)據(jù)采集及系統(tǒng)硬件設(shè)計31-39
• 3.1 振動傳感器32-36
• 3.1.1 傳感器的組成32
• 3.1.2 感器的特性32-33
• 3.1.3 檢測振動信號傳感器選型33-36
• 3.2 數(shù)據(jù)采集設(shè)備36-37
• 3.2.1 數(shù)據(jù)采集設(shè)備組成部分36
• 3.2.2 NIPCI-6251性能寸旨標36-37
• 3.3 工控計算機37-38
• 3.4 本章小結(jié)38-39
• 4 基于小波技術(shù)的特征值提取39-57
• 4.1 信號分析的方法39-41
• 4.1.1 頻域分析39-40
• 4.1.2 時域分析40-41
• 4.2 小波分析41-43
• 4.2.1 連續(xù)的小波變換41
• 4.2.2 多尺度小波41-43
• 4.3 常見通風機故障類型及特征值分析43-52
• 4.4 特征值的提取52-55
• 4.4.1 小波基的選取52
• 4.4.2 特征值提取步驟52-53
• 4.4.3 不對中故障信號分析與特征提取53-55
• 4.5 本章小結(jié)55-57
• 5 小波神經(jīng)網(wǎng)絡(luò)在煤礦通風機故障診斷中的應用57-71
• 5.1 神經(jīng)網(wǎng)絡(luò)的三要素及基本特征57-58
• 5.2 小波神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建58-60
• 5.3 神經(jīng)網(wǎng)絡(luò)的算法60-62
• 5.4 優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法62-64
• 5.5 基于小波神經(jīng)網(wǎng)絡(luò)的通風機故障診斷實例64-68
• 5.5.1 故障征兆表的建立64-66
• 5.5.2 故障診斷的實現(xiàn)66-68
• 5.6 本章小結(jié)68-71
• 6 基于LabVIEW平臺的軟件系統(tǒng)實現(xiàn)71-81
• 6.1 密碼驗證模塊71-72
• 6.2 數(shù)據(jù)采集卡驅(qū)動模塊72-75
• 6.3 數(shù)據(jù)的存儲模塊75-76
• 6.4 小波消噪濾波功能模塊76-77
• 6.5 信號的特征值提取模塊77-78
• 6.5.1 信號特征值提取模塊設(shè)計77
• 6.5.2 振動信號特征值提取模塊演示77-78
• 6.6 通風機故障診斷及報警模塊78-80
• 6.7 本章小結(jié)80-81
• 7 總結(jié)81-85
• 7.1 結(jié)論81-82
• 7.2 展望82-85
• 參考文獻85-89
• 致謝89-91
• 作者簡介及讀研期間主要科研成果91

【引證文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 盧曉睿;;礦井風機在線監(jiān)控系統(tǒng)應用實踐[J];內(nèi)蒙古煤炭經(jīng)濟;2013年09期

  本文關(guān)鍵詞：基于LabVIEW的小波神經(jīng)網(wǎng)絡(luò)在煤礦通風機故障診斷中的應用，由筆耕文化傳播整理發(fā)布。

，

本文編號：336600