通風(fēng)機(jī)是礦井通風(fēng)系統(tǒng)的必要設(shè)備,起著將新鮮空氣運(yùn)送到井下并把有害氣體排出礦井的雙重作用,一旦發(fā)生故障,會(huì)對(duì)人身安全和經(jīng)濟(jì)效益帶來(lái)巨大威脅。經(jīng)研究,軸承是風(fēng)機(jī)最容易發(fā)生故障的部位,因此,本文主要對(duì)通風(fēng)機(jī)軸承故障進(jìn)行預(yù)測(cè)診斷。在特征提取部分,本文介紹了堆疊限制玻爾茲曼機(jī)(RBM)和深度置信網(wǎng)絡(luò)(DBN),為了減小人工參與對(duì)提取特征質(zhì)量的影響,使用DBN對(duì)采集到的原始信號(hào)做特征提取。首先,以圖像信號(hào)為研究數(shù)據(jù),分別驗(yàn)證了迭代次數(shù)和隱含層節(jié)點(diǎn)數(shù)對(duì)單層堆疊RBM特征提取能力的影響;然后,在此基礎(chǔ)上,從DBN網(wǎng)絡(luò)重構(gòu)、與其他特征提取方法對(duì)比和提取特征可視化三方面,驗(yàn)證了DBN的特征提取能力;最后,使用軸承信號(hào)數(shù)據(jù)作為研究對(duì)象,從DBN網(wǎng)絡(luò)重構(gòu)這方面驗(yàn)證其能力。實(shí)驗(yàn)證明,DBN對(duì)圖像信號(hào)和軸承信號(hào)均有很強(qiáng)的特征提取能力。在故障預(yù)測(cè)部分,本文介紹了RBF神經(jīng)網(wǎng)絡(luò)算法和量子粒子群算法(QPSO),針對(duì)RBF神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)的缺陷,提出使用QPSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)模型,基于時(shí)間序列做步長(zhǎng)為2的故障預(yù)測(cè)。論文使用3個(gè)基本函數(shù)驗(yàn)證了QPSO很強(qiáng)的全局尋優(yōu)能力和收斂能力,并對(duì)比QPSO-RBF、PSO-R...

【文章頁(yè)數(shù)】：89 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖5-1凱斯西儲(chǔ)大學(xué)電氣工程實(shí)驗(yàn)室的滾動(dòng)軸承實(shí)驗(yàn)平臺(tái)Figure5-1RollingbearingexperimentalplatformoftheElectricalEngineeringLaboratoryofCaseWesternReserveUniversity

圖5-1凱斯西儲(chǔ)大學(xué)電氣工程實(shí)驗(yàn)室的滾動(dòng)軸承實(shí)驗(yàn)平臺(tái)Figure5-1RollingbearingexperimentalplatformoftheElectricalEngineeringLaboratoryofCaseWesternReserve....

本文編號(hào)：4013971