電牽引采煤機是煤礦綜采工作面核心設備,直接影響井下生產(chǎn)安全和效率。隨著高采高效礦井建設和薄煤層開采,采煤機的工況進行監(jiān)測及時獲得故障預兆信息,保障安全生產(chǎn)和預知維護迫在眉睫。傳統(tǒng)故障診斷方法提取故障特征費時費力,采煤機工況下典型故障數(shù)據(jù)少、有標簽數(shù)據(jù)不足,給故障診斷造成很大困難。深度學習通過無監(jiān)督或半監(jiān)督特征學習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。遷移學習用于解決訓練數(shù)據(jù)不足的問題,近年來得到廣泛關注。因此,論文研究深度遷移學習故障分類方法,將模擬平臺傳動故障數(shù)據(jù)訓練后獲取的故障診斷知識遷移至采煤機故障診斷應用,對實現(xiàn)小樣本下的設備故障診斷具有重要意義。論文分析采煤機搖臂部傳動系統(tǒng)故障機理與振動特性,針對礦用設備結構幾何參數(shù)已知與未知兩種情況,確定不同的遷移學習策略實現(xiàn)煤機搖臂部傳動系統(tǒng)故障分類;提出基于模型遷移學習的模式識別與分類方法解決設備傳動系統(tǒng)結構參數(shù)未知時故障診斷問題,通過構建預訓練深度卷積神經(jīng)網(wǎng)絡模型,將其網(wǎng)絡參數(shù)遷移至采煤機故障診斷模型中,進一步微調參數(shù)實現(xiàn)權值更新及模型優(yōu)化并結合多標簽分類方法,進行復合故障診斷。論文針對煤礦井下采... 

【文章頁數(shù)】：84 頁

【學位級別】：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 國內外的研究現(xiàn)狀及發(fā)展趨勢
        1.2.1 采煤機故障診斷研究現(xiàn)狀
        1.2.2 振動信號預處理技術研究
        1.2.3 智能故障模式識別與分類技術
    1.3 研究內容
        1.3.1 研究內容
        1.3.2 技術路線
2. 采煤機搖臂部傳動系統(tǒng)智能故障診斷技術方案
    2.1 采煤機搖臂部傳動系統(tǒng)故障診斷需求分析
        2.1.1 采煤機搖臂部傳動系統(tǒng)故障機理與振動特性分析
        2.1.2 采煤機搖臂部傳動系統(tǒng)智能故障診斷需求分析
    2.2 基于深度遷移學習的采煤機智能故障診斷技術方案
        2.2.1 振動信號預處理
        2.2.2 基于深度遷移學習的故障模式識別與分類
        2.2.3 基于深度遷移學習的復合故障多標簽分類
    2.3 小結
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
4. 基于深度遷移學習的故障模式識別與分類
    4.1 遷移學習與深度卷積神經(jīng)網(wǎng)絡
        4.1.1 基于深度模型的遷移學習
        4.1.2 VGG-16卷積神經(jīng)網(wǎng)絡
    4.2 基于深度遷移學習的故障模式識別與分類
        4.2.1 基于深度遷移學習的故障診斷模型
        4.2.2 卷積神經(jīng)網(wǎng)絡誤差反向傳播
        4.2.3 基于Adam算法的模型優(yōu)化
    4.3 基于深度遷移學習故障診斷模型的優(yōu)化
        4.3.1 正則化
        4.3.2 網(wǎng)絡稀疏性優(yōu)化
        4.3.3 層數(shù)據(jù)分布特征優(yōu)化
    4.4 深度遷移模型實驗驗證
        4.4.1 數(shù)據(jù)集準備
        4.4.2 深層遷移模型對比驗證與分析
        4.4.3 深層遷移模型優(yōu)化方案試驗分析
        4.4.4 數(shù)據(jù)集特征可視化
    4.5 小結
5. 基于深度遷移學習的復合故障多標簽分類
    5.1 基于深度遷移學習的復合故障多標簽分類方法
        5.1.1 復合故障多標簽分類
        5.1.2 基于深度遷移學習的復合故障模型
    5.2 復合故障多標簽分類實驗驗證
        5.2.1 數(shù)據(jù)集準備
        5.2.2 復合故障多標簽分類實驗驗證
    5.3 小結
6. 實驗驗證
    6.1 實驗方案
    6.2 實驗平臺搭建
    6.3 基于深度遷移學習的故障診斷實驗
        6.3.1 信號預處理
        6.3.2 深度遷移模型故障模式識別與分類
    6.4 小結
7. 結論與展望
    7.1 結論
    7.2 展望
致謝
參考文獻
附錄


【參考文獻】：
期刊論文
[1]采掘裝備綠色設計與評價技術研究[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)絡的采煤機截割部減速器故障診斷[J]. 毛君,郭浩,陳洪月.  煤炭科學技術. 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VMD和深度置信網(wǎng)絡的風機易損部件故障預警[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)化的支持向量機在截割部行星齒輪減速器故障診斷中的應用[J]. 任眾,張鐵山.  機械強度. 2018(06)
[6]基于虛擬樣機的采煤機搖臂故障診斷系統(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)絡的軸承故障診斷方法[J]. 李恒,張氫,秦仙蓉,孫遠韜.  振動與沖擊. 2018(19)
[8]電力設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. 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.  制導與引信. 2017(04)
[10]大數(shù)據(jù)下機械智能故障診斷的機遇與挑戰(zhàn)[J]. 雷亞國,賈峰,孔德同,林京,邢賽博.  機械工程學報. 2018(05)

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



本文編號：3674968