隨著智能控制技術的發(fā)展,結合煤礦井下開采環(huán)境,實現(xiàn)工作面“少人”以及“無人化”開采是井下安全、高效生產(chǎn)的關鍵,同時也是煤礦智能開采的重要發(fā)展方向。刮板輸送機作為綜采工作面的主要運煤設備,承接采煤機開采過程中的落煤,且負載存在非線性、不穩(wěn)定的特征,容易使刮板輸送機因載荷突變而引起故障等問題。本文對刮板輸送機電流進行特征幅值信息提取,引入卷積神經(jīng)網(wǎng)絡預測算法對刮板輸送機負載進行預測,并以此作為刮板輸送機速度控制的依據(jù),利用模糊PID控制完成刮板輸送機的速度調(diào)節(jié)。具體的研究工作如下:(1)針對煤礦井下采運不平衡問題以及智能化的要求,分析刮板輸送機的組成原理以及傳動系統(tǒng)的特點,制定基于刮板輸送機負載預測的調(diào)速控制總體方案;對淺層神經(jīng)網(wǎng)絡算法與深層神經(jīng)網(wǎng)絡算法進行分析,選定本文刮板輸送機負載預測的算法。(2)通過分析刮板輸送機負載與電流之間的映射關系,以減速器齒輪嚙合頻率的幅值信息作為刮板輸送機負載特性的表征;利用煤礦井下采集的電流數(shù)據(jù)進行去工頻等處理,提取負載的特征幅值數(shù)據(jù)信息,建立負載幅值數(shù)據(jù)集,為刮板輸送機負載預測模型提供數(shù)據(jù)支持。(3)對卷積神經(jīng)網(wǎng)絡的網(wǎng)絡架構以及特點進行分析,結合刮板輸...

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 選題背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 刮板輸送機負載特性與調(diào)速控制研究現(xiàn)狀
        1.2.2 齒輪動態(tài)性能研究現(xiàn)狀
        1.2.3 卷積神經(jīng)網(wǎng)絡研究現(xiàn)狀
    1.3 主要研究內(nèi)容與技術路線
        1.3.1 研究內(nèi)容
        1.3.2 技術路線
2 基于刮板輸送機負載預測的調(diào)速控制方案研究
    2.1 刮板輸送機結構組成及工作原理
    2.2 基于刮板輸送機負載預測的調(diào)速控制方案設計
    2.3 刮板輸送機負載預測算法選定
    2.4 本章小結
3 刮板輸送機負載與電流相關分析及電流數(shù)據(jù)預處理
    3.1 刮板輸送機負載與電流相關分析
        3.1.1 刮板輸送機負載波動對電流的影響
        3.1.2 刮板輸送機負載轉(zhuǎn)矩與齒輪頻率幅值關系
    3.2 電流數(shù)據(jù)預處理
        3.2.1 電流數(shù)據(jù)采集
        3.2.2 電流信號的濾波處理
    3.3 負載特征頻率幅值處理
        3.3.1 特征頻率幅值的提取原理
        3.3.2 特征頻率幅值的信號提取
        3.3.3 數(shù)據(jù)標準化處理
    3.4 本章小結
4 基于卷積神經(jīng)網(wǎng)絡的刮板輸送機負載預測研究
    4.1 卷積神經(jīng)網(wǎng)絡理論基礎
        4.1.1 卷積神經(jīng)網(wǎng)絡概述
        4.1.2 卷積神經(jīng)網(wǎng)絡基本架構
    4.2 基于卷積神經(jīng)網(wǎng)絡的刮板輸送機負載預測
        4.2.1 基于卷積神經(jīng)網(wǎng)絡的負載預測流程
        4.2.2 訓練樣本輸入形式
    4.3 負載預測模型訓練與結果分析
        4.3.1 基于卷積神經(jīng)網(wǎng)絡的負載預測模型建立
        4.3.2 負載預測仿真與結果分析
    4.4 本章小結
5 基于負載預測的刮板輸送機調(diào)速控制研究
    5.1 刮板輸送機調(diào)速控制系統(tǒng)設計
        5.1.1 刮板輸送機調(diào)速控制原理
        5.1.2 模糊PID控制器設計
    5.2 粒子群算法優(yōu)化的模糊PID控制
        5.2.1 粒子群算法
        5.2.2 模糊PID控制參數(shù)優(yōu)化
    5.3 模型建立與仿真對比
        5.3.1 模型建立與仿真
        5.3.2 結果對比與分析
    5.4 本章小結
6 結論與展望
    6.1 結論
    6.2 展望
致謝
參考文獻
附錄



本文編號：3787711