發(fā)布時間：2017-09-21 05:22

  本文關鍵詞：粗糙集與神經(jīng)網(wǎng)絡在煤礦主通風機故障診斷中的方法研究

  更多相關文章： 粗糙集 LVQ神經(jīng)網(wǎng)絡 組態(tài)王 DDE 故障診斷

【摘要】：煤礦主通風機作為其通風系統(tǒng)的關鍵環(huán)節(jié)之一,具有“礦井肺腑”之稱。如何及時發(fā)現(xiàn)故障征兆,準確判斷風機運行狀態(tài),并對出現(xiàn)的故障進行準確的分析,已成為煤礦主通風機故障診斷方面所急需解決的問題。本課題以礦用對旋軸流式通風機為研究對象,提出了建立基于粗糙集與LVQ神經(jīng)網(wǎng)絡的煤礦主風機故障模型,與粗糙集和BP網(wǎng)絡相結(jié)合的診斷模型進行仿真對比,表明該模型對于故障的診斷實時性強、識別準確率高,是一種有效的故障診斷模型,并實現(xiàn)了基于DDE的Matlab與組態(tài)王通信的實時LVQ網(wǎng)絡故障診斷系統(tǒng)。在深入研究煤礦主通風機故障機理的基礎上,分析選取了故障的本質(zhì)特征。本課題探討了就故障振動特性機理采用粗糙集故障方法的必要性,合理選擇了以振動信號為為主要特征信號,溫度、噪聲、出線柜二次側(cè)電壓電流等作為輔助特征信號的并行診斷方法。并詳細分析了煤礦主通風機現(xiàn)場的原始數(shù)據(jù)采集方法。為使屬性約簡集的存儲空間小,降低約簡的計算量,得到最優(yōu)約簡集,本文提出一種改進的二進制可分辨矩陣屬性約簡算法,并進行了算法實例驗證。由于粗糙集只能處理離散對象,而采集的原始數(shù)據(jù)為連續(xù)數(shù)據(jù),本文分析了幾種常見粗糙集離散方法的應用要點,提出采用啟發(fā)式的SOM離散化模型,在應用自組織特征映射網(wǎng)絡離散化的同時結(jié)合對條件屬性重要性的計算。利用Matlab 2010a對本文所提出粗糙集與LVQ相結(jié)合的故障系統(tǒng)模型進行仿真對比。先運用粗糙集理論對采集的原始數(shù)據(jù)進行預處理,刪除冗余特征,挖掘眾故障特征中重要的最小屬性集,減少LVQ網(wǎng)絡的輸入維數(shù)。針對LVQ神經(jīng)網(wǎng)絡隱含層神經(jīng)元數(shù)并無先驗確定公式的問題,本文提出利用交叉驗證算法來確定其最優(yōu)隱含層神經(jīng)元數(shù)。將最小屬性集與全體屬性集樣本集分別輸入LVQ神經(jīng)網(wǎng)絡進行訓練,對比表明最小屬性集樣本的LVQ神經(jīng)網(wǎng)絡診斷實時性好,預測精度高。同時最小屬性集樣本集分別輸入LVQ神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡訓練對比,仿真結(jié)果表明合理目標誤差內(nèi),LVQ神經(jīng)網(wǎng)絡在診斷實時性和準確率上都優(yōu)于BP網(wǎng)絡。最后通過DDE技術,實現(xiàn)了上位機組態(tài)王與Matlab的進程間數(shù)據(jù)共享,建立了基于LVQ神經(jīng)網(wǎng)絡的實時故障診斷系統(tǒng)。
【關鍵詞】：粗糙集 LVQ神經(jīng)網(wǎng)絡 組態(tài)王 DDE 故障診斷
【學位授予單位】：中國礦業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TD724
【目錄】：

• 致謝4-5
• 摘要5-6
• Abstract6-15
• 1 緒論15-23
• 1.1 研究背景與意義15-16
• 1.2 煤礦主通風機故障診斷現(xiàn)狀16-20
• 1.3 神經(jīng)網(wǎng)絡與粗糙集在通風機故障診斷中結(jié)合的必要性20-21
• 1.4 本文的主要工作及研究內(nèi)容21-23
• 2 煤礦主通風機的故障機理23-31
• 2.1 主通風機故障機理分析23-26
• 2.2 主通風機的故障機理與粗糙集診斷相結(jié)合的探討26-27
• 2.3 原始數(shù)據(jù)的采集分析27-30
• 2.4 本章小結(jié)30-31
• 3 粗糙集理論與屬性約簡研究31-41
• 3.1 粗糙集的基本概念31-35
• 3.2 基于二進制可分辨矩陣的屬性約簡35-36
• 3.3 改進的二進制可分辨矩陣屬性約簡算法36-39
• 3.4 本章小結(jié)39-41
• 4 基于啟發(fā)式SOM離散模型的研究41-51
• 4.1 連續(xù)數(shù)據(jù)離散化41-44
• 4.2 基于SOM網(wǎng)絡的粗糙集離散化模型的建立44-46
• 4.3 粗糙集與LVQ神經(jīng)網(wǎng)絡相結(jié)合的故障診斷系統(tǒng)的構(gòu)成46-49
• 4.4 本章小結(jié)49-51
• 5 基于粗糙集與LVQ神經(jīng)網(wǎng)絡的煤礦主通風機故障診斷的研究51-71
• 5.1 粗糙集神經(jīng)網(wǎng)絡故障診斷系統(tǒng)總體結(jié)構(gòu)設計51-54
• 5.2 粗糙集數(shù)據(jù)預處理54-59
• 5.3 煤礦主通風機診斷系統(tǒng)模型的建立59-61
• 5.4 仿真結(jié)果的分析61-66
• 5.5 基于DDE的Matlab與組態(tài)王的實時故障診斷系統(tǒng)的實現(xiàn)66-69
• 5.6 本章小結(jié)69-71
• 6 總結(jié)與展望71-73
• 6.1 論文的主要工作與總結(jié)71-72
• 6.2 存在不足與研究展望72-73
• 參考文獻73-78
• 作者簡歷78-80
• 學位論文數(shù)據(jù)集80

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 陶志,許寶棟,汪定偉,李冉;一種基于粗糙集理論的連續(xù)屬性離散化方法[J];東北大學學報;2003年08期

2 王澤威,郭軍,林嶺,邢印;高效節(jié)能礦用防爆對旋主通風機葉片模態(tài)分析[J];電氣防爆;2004年02期

3 趙榮泳,張浩,李翠玲,樊留群,王駿;粗糙集連續(xù)屬性離散化模型研究與應用要點分析[J];計算機工程與應用;2005年08期

4 葉軍;王磊;;一種基于粗糙集和層次分析法的綜合評價方法研究[J];計算機應用研究;2010年07期

5 劉玉賓;范文軍;;基于BP神經(jīng)網(wǎng)絡的三相異步電動機故障診斷技術研究[J];煤礦機械;2007年02期

6 于治福;彭月猛;袁泮泉;商德勇;李鳳玲;;基于模糊數(shù)學的提升機故障診斷專家系統(tǒng)[J];煤礦機械;2012年01期

7 荊雙喜,冷軍發(fā),李臻;基于小波-神經(jīng)網(wǎng)絡的礦用通風機故障診斷研究[J];煤炭學報;2004年06期

8 崔國梁;孟國營;丁鋮;;基于頻譜分析的主扇風機轉(zhuǎn)子不平衡的故障診斷[J];煤礦機械;2012年10期

9 李建華;;在線設備狀態(tài)監(jiān)測與故障診斷技術的應用[J];石油化工設備;2010年03期

10 葛浩;楊傳健;李龍澍;;一種改進的基于二進制可分辨矩陣屬性約簡算法[J];計算機技術與發(fā)展;2008年08期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 許琦;粗糙集理論在旋轉(zhuǎn)機械故障診斷技術上應用的研究[D];南京工業(yè)大學;2003年

，

本文編號：892617