搜索
硕士学位论文二0一五年六月作者姓名***指导教师***副教授工程领域电气工程基于ASGSO-RBF算法的采煤机滚动轴承故障诊断研究ResearchonFaultDiagnosisofShearerBearingBasedonASGSO-RBFAlgorithm基于ASGSO-RBF算法的采煤机滚动轴承故障诊断研究******大学关于论文使用授权的说明本学位论文作者及指导教师完全了解***大学有关保留、使用学位论文的规定，同意***大学保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅，学校可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。保密的学位论文在解密后应遵守此协议学位论文作者签名：____________导师签名：_____________年月日年月日硕士学位论文作者姓名***指导教师***副教授申请学位工程硕士工程领域电气工程研究方向计算机检测与人工智能分类号TD421.6学校代码10147UDC621.3密级公开***大学基于ASGSO-RBF算法的采煤机滚动轴承故障诊断研究ResearchonFaultDiagnosisofShearerBearingBasedonASGSO-RBFAlgorithm致谢光阴如梭，两年的研究生学习生活即将结束。在学位论文结稿之际，向我的老师们、同学们致以最真挚的感谢！老师们课堂上的激情洋溢，课堂下的谆谆教诲；同学们在学习中的认真热情，生活上的热心主动，所有这些都让我的两年时光充满了感动。十分感谢你们在这两年时间里给予我无私的关怀和帮助！没有你们就不会有我的今天！衷心感谢我的导师***教授，本文是在***老师的悉心指导下才得以完成的。无论是在选题、研究内容和方案设计等各个环节都凝聚着老师的辛勤汗水。***渊博的学识、诲人不倦的高尚师德、睿智的洞察力、平易近人的人格魅力、勇于创新的精神永远激励着我，引导我不断前行。师从三载，收获颇丰，感触亦深。在此，谨向我的导师致以深深的敬意！感谢***实验室的兄弟姐们以及已经毕业的师兄师姐们，谢谢你们在科研创新与论文写作方面给予我的支持与帮助。从他们的身上我学习到了很多优良品质与理论知识，这些都将鞭策着我不断发展与进步。感谢父母对我的养育之恩，感恩他们25年来无微不至的关心、鼓励和理解，使我能顺利度过这漫长而艰难的求学生涯，并最终完成学业。他们的支持和期盼是我永久的动力。本文在写作过程中参考了大量的学术论文和专著，在此向有关作者表示由衷的敬意。-I-摘要煤炭资源在我国能源体系结构中具有非常重要的地位和作用，采煤机作为煤矿生产过程的关键设备，是集机械、电子、电气、传动、液压等为一体的复杂机械。采煤机设备的安全、稳定运行对于保证煤炭生产的安全、促进企业生产效率具有重要意义。由于采煤机常处于潮湿、粉尘颗粒多、电磁干扰严重等复杂井下运行环境，时常出现轴承破损等采煤机关键部件故障。一旦出现此类故障，将导致整个煤矿生产过程停滞，乃至瘫痪。针对采煤机滚动轴承故障，本文在深入研究与分析采煤机运行环境、工作特点、影响因素等导致采煤机轴承故障的基础上，提出一种将RBF神经网络(RBF，RBFNeuralNetwork)与自适应步长萤火虫算法(ASGSO，self-AdaptiveStepGlowwormSwarmOptimization)相耦合的拟合算法实现对采煤机滚动轴承故障非线性系统的有效辨识。RBF神经网络具备了强大的时变数据处理能力及网络稳定性，因此更能直接表征本质非线性系统的动态特性。以小波包和RBF神经网络为基础，提出了由小波包分解提取各个节点特征能量谱与自适应步长萤火虫算法优化的RBF神经网络进行分类辨识的采煤机滚动轴承故障诊断方法。对振动传感器输出的信号进行小波包分解，运用基于代价函数的局域判别基(LDB)算法对小波包分解进行裁剪，获取最优的特征能量谱，经处理后作为特征向量训练ASGSO-RBF神经网络，建立诊断模型。充分利用经改进后的ASGSO算法强大的全局多目标搜索能力对RBF的权值与中心、宽度在求解空间中进行快速精确的在线搜索，并结合辨识理论建立基于ASGSO-RBF耦合算法的采煤机滚动轴承故障辨识系统。利用井下实际采集到的各影响因素监测数据进行辨识实验，结果表明：在较高学习效率的前提下，其辨识精度和泛化能力明显强于单一的RBF神经网络、GSO-RBF耦合模型以及工程常用的BP神经网络且具有较强的鲁棒性。该方法对井下采煤机故障灾害的防治提供了充分的理论指导。关键词：采煤机滚动轴承；非线性系统；小波包；辨识模型；ASGSO-RBF耦合算法-II-AbstractCoalresourceshasaveryimportantpositionandroleinChineseenergysystemstructure.Asthekeyequipmentofcoalmineproductionprocess,shearerisacomplexmachine,whichisamechanical,electronic,electric,hydraulic,andsoon.Theshearerequipmentsafeandstableoperationisveryimportantforensuringthesafetyofcoalproductionandpromotingenterpriseproductionefficiency.Becauseshearerisofteninwet,dustparticles,electromagneticinterferenceandothercomplexdownholeenvironment,bearingdamageandothershearerkeypartsfailureoftenhappenstoshearer.Oncesuchfailureoccurs,willleadtotheentirecoalmineproductionprocessstagnation,andevenparalysis.Forshearerrollingbearingfault,thispaperin-depthresearchandanalysisofshearerintherunningenvironment,characteristicsandinfluencingfactorsresultinginbearingfaultofShearerBasedon,putforwardakindoftheRBFneuralnetworkcombinedwithself-adaptivestepglowwormswarmoptimization(ASGSO)algorithmtorealizetheeffectiveidentificationofbearingfaultofshearernonlinearsystem.TheRBFneuralnetworkprovidesgreattime-varyingdataprocessingabilityandnetworkstability.So,itcandirectlybetterrepresentthedynamicpropertiesoftheessentialnon-linearsystem.OnthebasisofwaveletpacketandRBFneuralnetwork,putforwardthemethodofshearerbearingfaultdiagnosisthatresolveanddrawenergyspectrumofcharacteristicfromeachnodebywaveletpacketandoptimizeRBFneuralnetworkbyself-adaptivestepglowwormswarmoptimizationalgorithm.Ofvibrationsensoroutputsignalwaveletpacketdecomposition,usingtheircostfunctionbasedonlocaldiscriminantbasis(LDB)algorithmtocutofwaveletpacketdecomposition,toobtaintheoptimalcharacteristicsofenergyspectrum,theprocessedasafeaturevectortrainingASGSO-RBFneuralnetwork,thediagnosismodelisestablished.TheonlinefastandaccuratesearchfortheRBFweights,centersandwidthsinthesolutionspaceisdoneduetothegreatglobalmulti-targetsearchabilityoftheenhancedASGSOalgorithm.Withtheidentificationtheory,TheidentificationsystemofshearerbearingfaultisproposedbyusingtheASGSO-RBFcouplingalgorithm.Theidentificationexperimentsareperformedwiththemonitoredhistory-dataofthepits.Theresultsdemonstratethatinthecontextofhigherlearningefficiency,itgreatlyoutperformsthepureRBFneuralnetwork,theGSO-RBFcouplingmodelandtheBPneuralnetworkcommonlyusedintheengineeringintermsof-III-identificationaccuracyandgeneralization.Furthermore,theproposedmethodishighlyrobustandthustheoreticallyhelpfultothepreventionandreliefoftheshearertroubledisasters.Keywords:shearerbearing；non-linearsystem；waveletpacket；identificationmodel；ASGSO-RBFcouplingalgorithm-IV-目录摘要...........................................................................................................IAbstract............................................................................................................II1绪论............................................................................................................11.1课题研究的背景及选题的意义..........................................................11.2采煤机关键部件故障诊断国内外研究现状.......................................21.2.1国外研究现状...............................................................................21