電牽引采煤機(jī)是煤礦綜采工作面核心設(shè)備,直接影響井下生產(chǎn)安全和效率。隨著高采高效礦井建設(shè)和薄煤層開采,采煤機(jī)的工況進(jìn)行監(jiān)測及時獲得故障預(yù)兆信息,保障安全生產(chǎn)和預(yù)知維護(hù)迫在眉睫。傳統(tǒng)故障診斷方法提取故障特征費(fèi)時費(fèi)力,采煤機(jī)工況下典型故障數(shù)據(jù)少、有標(biāo)簽數(shù)據(jù)不足,給故障診斷造成很大困難。深度學(xué)習(xí)通過無監(jiān)督或半監(jiān)督特征學(xué)習(xí)算法和分層特征提取可自動提取數(shù)據(jù)特征,但是需要大量數(shù)據(jù)去理解潛在的數(shù)據(jù)模式。遷移學(xué)習(xí)用于解決訓(xùn)練數(shù)據(jù)不足的問題,近年來得到廣泛關(guān)注。因此,論文研究深度遷移學(xué)習(xí)故障分類方法,將模擬平臺傳動故障數(shù)據(jù)訓(xùn)練后獲取的故障診斷知識遷移至采煤機(jī)故障診斷應(yīng)用,對實(shí)現(xiàn)小樣本下的設(shè)備故障診斷具有重要意義。論文分析采煤機(jī)搖臂部傳動系統(tǒng)故障機(jī)理與振動特性,針對礦用設(shè)備結(jié)構(gòu)幾何參數(shù)已知與未知兩種情況,確定不同的遷移學(xué)習(xí)策略實(shí)現(xiàn)煤機(jī)搖臂部傳動系統(tǒng)故障分類;提出基于模型遷移學(xué)習(xí)的模式識別與分類方法解決設(shè)備傳動系統(tǒng)結(jié)構(gòu)參數(shù)未知時故障診斷問題,通過構(gòu)建預(yù)訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)模型,將其網(wǎng)絡(luò)參數(shù)遷移至采煤機(jī)故障診斷模型中,進(jìn)一步微調(diào)參數(shù)實(shí)現(xiàn)權(quán)值更新及模型優(yōu)化并結(jié)合多標(biāo)簽分類方法,進(jìn)行復(fù)合故障診斷。論文針對煤礦井下采... 

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
英文摘要
1. 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外的研究現(xiàn)狀及發(fā)展趨勢
        1.2.1 采煤機(jī)故障診斷研究現(xiàn)狀
        1.2.2 振動信號預(yù)處理技術(shù)研究
        1.2.3 智能故障模式識別與分類技術(shù)
    1.3 研究內(nèi)容
        1.3.1 研究內(nèi)容
        1.3.2 技術(shù)路線
2. 采煤機(jī)搖臂部傳動系統(tǒng)智能故障診斷技術(shù)方案
    2.1 采煤機(jī)搖臂部傳動系統(tǒng)故障診斷需求分析
        2.1.1 采煤機(jī)搖臂部傳動系統(tǒng)故障機(jī)理與振動特性分析
        2.1.2 采煤機(jī)搖臂部傳動系統(tǒng)智能故障診斷需求分析
    2.2 基于深度遷移學(xué)習(xí)的采煤機(jī)智能故障診斷技術(shù)方案
        2.2.1 振動信號預(yù)處理
        2.2.2 基于深度遷移學(xué)習(xí)的故障模式識別與分類
        2.2.3 基于深度遷移學(xué)習(xí)的復(fù)合故障多標(biāo)簽分類
    2.3 小結(jié)
3. 基于奇異值分解降噪和連續(xù)小波變換的信號處理
    3.1 基于奇異值分解的降噪方法研究
        3.1.1 奇異值分解降噪
        3.1.2 有效秩階次確定
    3.2 時頻分析方法研究
        3.2.1 基于短時傅里葉變換的時頻分析
        3.2.2 基于連續(xù)小波變換的時頻分析
    3.3 仿真分析
        3.3.1 奇異值分解降噪效果分析
        3.3.2 連續(xù)小波變換時頻分析
    3.4 小結(jié)
4. 基于深度遷移學(xué)習(xí)的故障模式識別與分類
    4.1 遷移學(xué)習(xí)與深度卷積神經(jīng)網(wǎng)絡(luò)
        4.1.1 基于深度模型的遷移學(xué)習(xí)
        4.1.2 VGG-16卷積神經(jīng)網(wǎng)絡(luò)
    4.2 基于深度遷移學(xué)習(xí)的故障模式識別與分類
        4.2.1 基于深度遷移學(xué)習(xí)的故障診斷模型
        4.2.2 卷積神經(jīng)網(wǎng)絡(luò)誤差反向傳播
        4.2.3 基于Adam算法的模型優(yōu)化
    4.3 基于深度遷移學(xué)習(xí)故障診斷模型的優(yōu)化
        4.3.1 正則化
        4.3.2 網(wǎng)絡(luò)稀疏性優(yōu)化
        4.3.3 層數(shù)據(jù)分布特征優(yōu)化
    4.4 深度遷移模型實(shí)驗(yàn)驗(yàn)證
        4.4.1 數(shù)據(jù)集準(zhǔn)備
        4.4.2 深層遷移模型對比驗(yàn)證與分析
        4.4.3 深層遷移模型優(yōu)化方案試驗(yàn)分析
        4.4.4 數(shù)據(jù)集特征可視化
    4.5 小結(jié)
5. 基于深度遷移學(xué)習(xí)的復(fù)合故障多標(biāo)簽分類
    5.1 基于深度遷移學(xué)習(xí)的復(fù)合故障多標(biāo)簽分類方法
        5.1.1 復(fù)合故障多標(biāo)簽分類
        5.1.2 基于深度遷移學(xué)習(xí)的復(fù)合故障模型
    5.2 復(fù)合故障多標(biāo)簽分類實(shí)驗(yàn)驗(yàn)證
        5.2.1 數(shù)據(jù)集準(zhǔn)備
        5.2.2 復(fù)合故障多標(biāo)簽分類實(shí)驗(yàn)驗(yàn)證
    5.3 小結(jié)
6. 實(shí)驗(yàn)驗(yàn)證
    6.1 實(shí)驗(yàn)方案
    6.2 實(shí)驗(yàn)平臺搭建
    6.3 基于深度遷移學(xué)習(xí)的故障診斷實(shí)驗(yàn)
        6.3.1 信號預(yù)處理
        6.3.2 深度遷移模型故障模式識別與分類
    6.4 小結(jié)
7. 結(jié)論與展望
    7.1 結(jié)論
    7.2 展望
致謝
參考文獻(xiàn)
附錄


【參考文獻(xiàn)】：
期刊論文
[1]采掘裝備綠色設(shè)計與評價技術(shù)研究[J]. 張旭輝,潘格格,張雨萌,樊紅衛(wèi),毛清華,車萬里,薛旭升,王川偉,趙友軍.  工礦自動化. 2020(02)
[2]基于深度自編碼網(wǎng)絡(luò)的采煤機(jī)截割部減速器故障診斷[J]. 毛君,郭浩,陳洪月.  煤炭科學(xué)技術(shù). 2019(11)
[3]齒輪箱斷齒特征識別的S變換-SVD降噪組合方法[J]. 潘高元,李舜酩,杜華蓉,朱彥祺.  振動與沖擊. 2019(18)
[4]基于改進(jìn)VMD和深度置信網(wǎng)絡(luò)的風(fēng)機(jī)易損部件故障預(yù)警[J]. 鄭小霞,陳廣寧,任浩翰,李東東.  振動與沖擊. 2019(08)
[5]粒子群優(yōu)化的支持向量機(jī)在截割部行星齒輪減速器故障診斷中的應(yīng)用[J]. 任眾,張鐵山.  機(jī)械強(qiáng)度. 2018(06)
[6]基于虛擬樣機(jī)的采煤機(jī)搖臂故障診斷系統(tǒng)[J]. 趙麗娟,付東波,李明昊.  現(xiàn)代制造工程. 2018(11)
[7]基于短時傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法[J]. 李恒,張氫,秦仙蓉,孫遠(yuǎn)韜.  振動與沖擊. 2018(19)
[8]電力設(shè)備典型故障案例的文本挖掘[J]. 杜修明,秦佳峰,郭詩瑤,閆丹鳳.  高電壓技術(shù). 2018(04)
[9]基于奇異熵增量曲率譜的信號降噪方法[J]. 胡林,黃文濤,蔡乾,金江.  制導(dǎo)與引信. 2017(04)
[10]大數(shù)據(jù)下機(jī)械智能故障診斷的機(jī)遇與挑戰(zhàn)[J]. 雷亞國,賈峰,孔德同,林京,邢賽博.  機(jī)械工程學(xué)報. 2018(05)

碩士論文
[1]基于數(shù)據(jù)驅(qū)動的采煤機(jī)搖臂傳動系統(tǒng)故障診斷方法研究[D]. 張鑫媛.西安科技大學(xué) 2019
[2]基于深度學(xué)習(xí)模型的感應(yīng)電機(jī)故障診斷方法研究[D]. 孫文珺.東南大學(xué) 2017
[3]基于差值尺度譜和卷積神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)子故障診斷方法研究[D]. 莊駿飛.中國石油大學(xué)(北京) 2016
[4]基于混沌和小波的采煤機(jī)振動故障的研究[D]. 弓曉鳳.西安科技大學(xué) 2015
[5]基于振動信號的旋轉(zhuǎn)機(jī)械運(yùn)行狀態(tài)趨勢分析與故障診斷[D]. 朱繁瀧.江西理工大學(xué) 2014



本文編號：3674968