隨著科技水平的不斷創(chuàng)新與發(fā)展,礦井大型設(shè)備運(yùn)行狀態(tài)的監(jiān)測(cè)與診斷愈發(fā)得到重視。驅(qū)動(dòng)電機(jī)作為皮帶輸送機(jī)與其他設(shè)備驅(qū)動(dòng)系統(tǒng)的核心部件,其安全高效的運(yùn)行關(guān)系著礦井生產(chǎn)的可靠性與穩(wěn)定性。電機(jī)故障不僅會(huì)導(dǎo)致相關(guān)設(shè)備的損毀,而且會(huì)造成礦井生產(chǎn)停滯,帶來(lái)難以預(yù)計(jì)的人力、物力損失。因此,監(jiān)測(cè)皮帶機(jī)驅(qū)動(dòng)電機(jī)的運(yùn)行狀態(tài),對(duì)于其故障情況進(jìn)行狀態(tài)識(shí)別與預(yù)警,具有重要意義及實(shí)際價(jià)值。傳統(tǒng)電機(jī)故障診斷往往針對(duì)單一信號(hào)進(jìn)行分析,在信號(hào)采集方面存在片面性,應(yīng)當(dāng)考慮電機(jī)的綜合性構(gòu)成。在特征處理時(shí),需要將特征選擇與狀態(tài)識(shí)別模型結(jié)合,得到針對(duì)性較強(qiáng)的特征子集。在信息融合時(shí),需對(duì)信號(hào)經(jīng)過(guò)多分類(lèi)器訓(xùn)練得到的識(shí)別結(jié)果進(jìn)行融合,并將融合結(jié)果以可視化的界面進(jìn)行展示。針對(duì)以上問(wèn)題開(kāi)展研究工作。(1)分析電機(jī)振動(dòng)信號(hào)與定子電流信號(hào)在不同運(yùn)行狀態(tài)下的故障特性,對(duì)基于經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)的信號(hào)分析方法進(jìn)行研究,提出基于完備平均經(jīng)驗(yàn)?zāi)B(tài)分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)的振動(dòng)與電流信號(hào)分析方法,有效解決EMD分解中存在的“模態(tài)混疊”問(wèn)題,并對(duì)虛假分量進(jìn)行甄別。通過(guò)計(jì)算IMF分量與原始信號(hào)的相關(guān)系數(shù),選擇前四階IMF分量,與包絡(luò)譜、邊際譜分量組成信號(hào)樣本序列。(2)計(jì)算信號(hào)樣本序列包含時(shí)域、頻域參數(shù)在內(nèi)的11種統(tǒng)計(jì)特征,構(gòu)建高維原始特征集,并提出基于隨機(jī)森林(Random Forest,RF)平均精確率減少的特征選擇方法FSMDA,對(duì)原始特征集進(jìn)行處理。該方法利用隨機(jī)森林模型對(duì)特征進(jìn)行訓(xùn)練與測(cè)試,將加入噪聲干擾前后的特征袋外誤差率差值用于描述特征重要度,作為特征選擇的依據(jù)。結(jié)合線(xiàn)性局部切空間排列方法(Linear Local Tangent Space Alignment,LLTSA)與極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)、模糊C-均值聚類(lèi)算法(Fuzzy C-Means,FCM)、隨機(jī)森林等分類(lèi)器,構(gòu)建基于驅(qū)動(dòng)電機(jī)振動(dòng)信號(hào)與定子電流信號(hào)的狀態(tài)識(shí)別模型,設(shè)計(jì)同工況與變工況的兩組對(duì)比實(shí)驗(yàn),利用實(shí)驗(yàn)臺(tái)電機(jī)故障數(shù)據(jù)對(duì)模型的有效性進(jìn)行驗(yàn)證。(3)分析傳統(tǒng)信息融合存在的的問(wèn)題,提出基于優(yōu)化D-S證據(jù)理論的兩級(jí)信息融合框架,其中一級(jí)融合集中于同一類(lèi)信號(hào)的多種狀態(tài)識(shí)別模型結(jié)果,再將不同類(lèi)信號(hào)的融合識(shí)別結(jié)果進(jìn)行二級(jí)融合。利用Jousselme距離度量原始距離間的相似程度,在融合時(shí)避免了證據(jù)間的高度沖突帶來(lái)的問(wèn)題。利用第三章所提狀態(tài)識(shí)別模型同工況下的識(shí)別結(jié)果,對(duì)所提多源信息融合框架的有效性進(jìn)行驗(yàn)證。(4)通過(guò)分析礦井操作人員對(duì)于皮帶機(jī)驅(qū)動(dòng)電機(jī)監(jiān)測(cè)與診斷的需求,設(shè)計(jì)研發(fā)了基于.Net平臺(tái)的礦井皮帶機(jī)驅(qū)動(dòng)電機(jī)狀態(tài)識(shí)別與智能決策系統(tǒng)。結(jié)合狀態(tài)監(jiān)測(cè)模型與多源信息融合結(jié)果,為礦井操作人員提供了快捷、高效的信息處理系統(tǒng),具有較強(qiáng)的可拓展性,有效提高現(xiàn)場(chǎng)工作效率。實(shí)驗(yàn)結(jié)果表明,本文所提出的特征選擇方法FSMDA能夠有效選擇對(duì)狀態(tài)識(shí)別模型重要度較高的特征,構(gòu)建的狀態(tài)識(shí)別模型CEEMD-FSMDA-LLTSA-ELM/FCM/RF具有良好的適應(yīng)性,明顯提高了電機(jī)同工況與變工況狀態(tài)的識(shí)別精確率,結(jié)合多源信息融合結(jié)果所設(shè)計(jì)的礦井皮帶機(jī)驅(qū)動(dòng)電機(jī)狀態(tài)識(shí)別與智能決策系統(tǒng)能有效描述故障類(lèi)型,可操作性強(qiáng)。
【學(xué)位單位】：中國(guó)礦業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：TP202;TD528.1
【部分圖文】：

后續(xù)步驟的需求，需要一種較為成熟的信號(hào)分析方法對(duì)處理[82]，特別是在信號(hào)降噪方面表現(xiàn)良好的，由此本文解（Complementary Ensemble Empirical Mode Decompos動(dòng)信號(hào)以及定子電流信號(hào)進(jìn)行信號(hào)分析，便于構(gòu)建電號(hào)的原始特征集，進(jìn)行特征選擇與降維。模態(tài)分解態(tài)分解（Empirical Mode Decomposition, EMD）方法是 1美國(guó)宇航局提出的一種自適應(yīng)信號(hào)時(shí)頻分析方法，理論間序列的分解，尤其是非平穩(wěn)、非線(xiàn)性信號(hào)。一經(jīng)提出泛應(yīng)用，特別是故障診斷領(lǐng)域。經(jīng)驗(yàn)?zāi)B(tài)分解方法的基則的信號(hào)波形轉(zhuǎn)化為多個(gè)單一頻率的信號(hào)波形與余留將分解得到的多個(gè)單一頻率樣本稱(chēng)為本征模態(tài)函數(shù)（F），所分解出來(lái)的各個(gè) IMF 分量包含了原始信號(hào)的不局部特征，圖 2-3 為某 IMF 分量示意圖。

圖 2-7 仿真信號(hào)經(jīng) CEEMD 分解結(jié)果Figure 2-7 The simulation signal decomposed by CEEMD4 實(shí)驗(yàn)分析（Experiment Analysis）本小節(jié)利用 SQI-MFS 實(shí)驗(yàn)臺(tái)采集到的振動(dòng)信號(hào)與定子電流信號(hào)進(jìn)行實(shí)驗(yàn)83]，實(shí)驗(yàn)臺(tái)由驅(qū)動(dòng)電機(jī)、軸承部件、變頻器與底座支架等結(jié)構(gòu)組成，具體集系統(tǒng)與部分故障電機(jī)如圖 2-8 所示。電機(jī)的主要參數(shù)如表 2-2 所示，在程中，能夠?qū)﹄姍C(jī)的轉(zhuǎn)速與負(fù)載條件進(jìn)行調(diào)整。定子由定子鐵芯、繞組與成，轉(zhuǎn)子由轉(zhuǎn)子鐵芯、繞組以及轉(zhuǎn)軸構(gòu)成。其中定子鐵芯與轉(zhuǎn)子鐵芯在形似，包含齒與齒槽，電機(jī)運(yùn)行時(shí)，磁通與磁動(dòng)勢(shì)的通路由定子鐵芯構(gòu)成。組與轉(zhuǎn)子繞組結(jié)構(gòu)類(lèi)似，包含單層或雙層纏繞線(xiàn)圈[84]，具體結(jié)構(gòu)如圖 2-9 所

小節(jié)利用 SQI-MFS 實(shí)驗(yàn)臺(tái)采集到的振動(dòng)信號(hào)與定子電流信號(hào)進(jìn)行實(shí)驗(yàn)臺(tái)由驅(qū)動(dòng)電機(jī)、軸承部件、變頻器與底座支架等結(jié)構(gòu)組成，具統(tǒng)與部分故障電機(jī)如圖 2-8 所示。電機(jī)的主要參數(shù)如表 2-2 所示，，能夠?qū)﹄姍C(jī)的轉(zhuǎn)速與負(fù)載條件進(jìn)行調(diào)整。定子由定子鐵芯、繞組轉(zhuǎn)子由轉(zhuǎn)子鐵芯、繞組以及轉(zhuǎn)軸構(gòu)成。其中定子鐵芯與轉(zhuǎn)子鐵芯在包含齒與齒槽，電機(jī)運(yùn)行時(shí)，磁通與磁動(dòng)勢(shì)的通路由定子鐵芯構(gòu)成轉(zhuǎn)子繞組結(jié)構(gòu)類(lèi)似，包含單層或雙層纏繞線(xiàn)圈[84]，具體結(jié)構(gòu)如圖 2-圖 2-8 SQI-MFS 實(shí)驗(yàn)臺(tái)Figure 2-8 SQI MFS test bench
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙磊;謝尚東;;大傾角巷道中使用的皮帶輸送機(jī)的斷帶保護(hù)裝置[J];安徽科技;2015年04期

2 孫斌;劉立遠(yuǎn);牛翀;;基于局部切空間排列和K-最近鄰分類(lèi)器的轉(zhuǎn)子故障診斷方法[J];中國(guó)機(jī)械工程;2015年01期

3 宋濤;湯寶平;鄧?yán)?;動(dòng)態(tài)增殖流形學(xué)習(xí)算法在機(jī)械故障診斷中的應(yīng)用[J];振動(dòng)與沖擊;2014年23期

4 劉青鳳;李紅蘭;;基于數(shù)據(jù)挖掘方法的風(fēng)力渦輪機(jī)狀態(tài)監(jiān)測(cè)技術(shù)研究[J];計(jì)算機(jī)測(cè)量與控制;2014年05期

5 苑津莎;張利偉;王瑜;尚海昆;;基于極限學(xué)習(xí)機(jī)的變壓器故障診斷方法研究[J];電測(cè)與儀表;2013年12期

6 鄭近德;程軍圣;楊宇;;改進(jìn)的EEMD算法及其應(yīng)用研究[J];振動(dòng)與沖擊;2013年21期

7 馬恭樸;;淺析礦井機(jī)電運(yùn)輸系統(tǒng)的復(fù)雜性[J];中華民居(下旬刊);2013年02期

8 程加堂;周燕潔;段志梅;;多傳感器信息融合在電機(jī)故障診斷中的應(yīng)用[J];噪聲與振動(dòng)控制;2012年05期

9 趙志宏;楊紹普;;基于小波包變換與樣本熵的滾動(dòng)軸承故障診斷[J];振動(dòng).測(cè)試與診斷;2012年04期

10 李鋒;湯寶平;陳法法;;基于線(xiàn)性局部切空間排列維數(shù)化簡(jiǎn)的故障診斷[J];振動(dòng)與沖擊;2012年13期

本文編號(hào)：2854511