【摘要】：隨著我國工業(yè)化程度不斷深化,機械設備作為工業(yè)生產必不可少的工具,越來越受到重視。而在煤礦的開采運行過程中,除了瓦斯?jié)B透和水災害能夠對礦井乃至整個煤礦企業(yè)造成重大的影響外,礦用機械設備的平穩(wěn)運行,也是煤礦開采可以安全生產的關鍵。礦用齒輪箱作為煤炭開采過程中的主要機械設備,其安全運行是整個礦井正常運行和整個煤礦企業(yè)安全生產的基礎。因此,本文從管理維護的角度入手,通過齒輪箱各運行狀態(tài)的振動信號,對礦用齒輪箱故障進行診斷,使煤炭開采工人能夠提前做好維護和預防,對煤礦的安全開采具有重要意義。首先,由于礦用齒輪箱運行環(huán)境惡劣,運行過程中振動信號含有大量的噪聲,具有非線性、不穩(wěn)定性和不確定性的特點,收集到的原始信號需要做預先處理。通過對礦用齒輪箱產生故障時的內在機理分析,利用小波包分解與重構對齒輪箱故障信號進行降噪,去除振動信號中大量的外界無關信號,使其振動信號更加接近自身運行所產生的振動,為提取礦用齒輪箱信號特征提供基礎。其次,通過降噪后的故障信號,再利用小波包分解過程中確定的故障信號高低頻系數(shù),計算故障振動信號的能量熵,然后計算各信號重構頻帶的樣本熵,結合信號的均方差對振動信號的多特征進行提取。通過提取礦用齒輪箱能量熵、樣本熵和統(tǒng)計量多特征向量,將齒輪箱的故障信號轉變?yōu)榭闪炕奶卣鹘Y構,可以作為診斷模型的輸入,是故障診斷模型構建的關鍵。最后,確定了一種基于改進灰狼優(yōu)化算法優(yōu)化多分類支持向量機的礦用齒輪箱故障診斷模型。在灰狼優(yōu)化算法中利用差分進化算法對灰狼群位置進行更新,從而使灰狼算法的全局搜索能力得到提高。然后將改進灰狼算法和多分類支持向量機相結合,通過改進灰狼算法的全局搜索能力尋找多分類支持向量機的最優(yōu)參數(shù),進而提高故障診斷模型的準確性,然后通過案例分析驗證該故障診斷模型應用于礦用齒輪箱故障診斷的可行性。本文的研究成果不僅豐富了礦用齒輪箱故障診斷研究理論,而且對煤礦機械的安全生產和運行提供了有效地理論指導。有助于使煤礦機械的運行性能得到提高,對煤礦機械設備的故障預防與維護具有實踐意義。
【學位授予單位】：鄭州大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TD407
【圖文】：

用經(jīng)驗風險選擇最優(yōu)值的因此需要較低的 VC 維來保證原則的基本思想是在在降低經(jīng)風險與實際風險的誤差最小，函數(shù)集分解成函數(shù)集子序列：1 2 kS S S 子集內的置信范圍一致，將各風險的影響，選擇經(jīng)驗風險最。通過實際風險、經(jīng)驗風險和 所示：

經(jīng)過三層小波包分解后的原始信號 S 如下式所示：3 3 3 3 3 3 3 3S=LLL +HLL +LHL +HHL +LLH +HLH +LHH +HHH （3通過圖 3.1 可以看出，原始信號 S 經(jīng)小波包分解方法進行三層分解后， 8 個分解系數(shù)，其中，第三層的低頻系數(shù)為 LLL3、HLL3、LHL3、HHL3，層的高頻系數(shù)為 LLH3、HLH3、LHH3、HHH3，彌補了小波分解中只對 L分解而忽略 H1的不足，小波包通過對信號的高頻和低頻部分進行分解，能好的對信號進行分辨。小波包分解的公式如下，由{ }j 1,npq+求得{ }j ,2npq 和{ }j ,2 n1pq+,2 1,2,2 1 1,2j n j np l p llj n j np l p llq h qq g q+ + + = = （3小波包重構[66]的公式如下，由{ }j ,2npq 和{ }j ,2 n1pq+求得{ }j 1,npq+1, ,2 ,2 12 2( )j n j n j np p l l p l llq h d g d+ + = +（3

量機（Multi-class Support Vector M為ix ， i =1, ,n ，類別輸出為 y函數(shù) K( x,x)i和相關參數(shù)。10ni iiy α= =和 0i≤ α ≤ c下求解式（29），得到 w 最優(yōu)值。類訓練樣本向量進行計算式（2.21樣本繼續(xù)重復步驟 2-步驟 5，直到結果。

【參考文獻】

相關期刊論文 前10條

1 陳艷麗;郭良浩;宮在曉;;簡明分數(shù)階傅里葉變換及其對線性調頻信號的檢測和參數(shù)估計[J];聲學學報;2015年06期

2 焦衛(wèi)東;林樹森;;整體改進的基于支持向量機的故障診斷方法[J];儀器儀表學報;2015年08期

3 楊望燦;張培林;王懷光;陳彥龍;孫也尊;;基于EEMD的多尺度模糊熵的齒輪故障診斷[J];振動與沖擊;2015年14期

4 汪超;吳吉瑞;張鍵;;基于振動理論的齒輪箱故障診斷應用研究[J];煤礦機械;2015年07期

5 魯軍;李俠;王重馬;于慶洋;高琳;吳立天;;基于小波分析的MSMA振動傳感器信號處理與故障檢測[J];電工技術學報;2015年10期

6 游子躍;王寧;李明明;李亞強;王皓;;基于EEMD和BP神經(jīng)網(wǎng)絡的風機齒輪箱故障診斷方法[J];東北電力大學學報;2015年01期

7 張玉欣;程志峰;徐正平;白晶;;參數(shù)尋優(yōu)支持向量機在基于光聲光譜法的變壓器故障診斷中的應用[J];光譜學與光譜分析;2015年01期

8 李平;李學軍;蔣玲莉;曹宇翔;;基于KPCA和PSOSVM的異步電機故障診斷[J];振動.測試與診斷;2014年04期

9 劉志強;呂學;張利;;基于多分類GA-SVM的高速公路AID模型[J];系統(tǒng)工程理論與實踐;2013年08期

10 李剛;范萬里;姜海蓮;董雅宏;;結合光鐵譜技術用神經(jīng)網(wǎng)絡診斷電力機車齒輪箱故障[J];機械傳動;2013年03期

本文編號：2788412