小波支持向量机在矿井通风机故障预测中的应用

发布时间：2017-03-30 07:15

  本文关键词：小波支持向量机在矿井通风机故障预测中的应用，由笔耕文化传播整理发布。

【摘要】：矿井通风机在煤矿生产过程中具有非常重要的作用,既能保障煤矿生产的安全运行,又可以有效减少煤矿瓦斯事故的发生,一旦通风机出现故障,就可能会造成严重的经济损失甚至危害人员生命安全。因此矿井通风机的故障预测对于提高安全生产和确保人员安全具有重要意义。 故障预测的难点在于特征量的提取。故障的信息往往包含于突变信号的某高频带内,传统的傅里叶变换对于突变信号和非平稳信号的处理存在缺陷,而小波分析在时域和频域都有良好的效果。所以本文首先采用小波分析代替傅里叶信号分析,通过小波的伸缩平移,可以将信号进行多尺度的分解,得到信号在不同频带的小波分解系数,运用阈值法去除噪声干扰部分,将小波进行重构得到各频带信号,再根据小波系数平方法计算出高频小波分解系数得到信号能量,把信号能量作为故障的特征向量。然后,将特征向量通过规范化处理后输入支持向量机中,通过FPE准则来评价支持向量机模型的合理嵌入维数,同时引入拉格朗日因子,把核函数导入非线性问题中取代复杂的内积运算,从而推导出合理的回归函数,利用回归函数对输入的样本进行训练,逐步递推得到支持向量回归机的预测模型,根据设定的学习参数,当训练误差满足要求时,完成整个学习过程,可以进行故障预测。最后,使用LabVIEW上位机软件对支持向量机预测模型进行实现,通过搭建数据存储、小波去噪和支持向量机学习预测模块,完成基本程序模块的构建,并通过LabVIEW软件与MATLAB的无缝连接,在LabVIEW中插入MATLAB节点实现软件功能的切换。充分发挥LabVIEW软件的可视化和强大的交互性能力,同时本文借助Holospectra分析方法,对通风机故障进行分析描述,结合采集振动数据、进行相关实验仿真。 本文对通风机故障预测提出了相应的理论分析和论述,对提高矿井通风机的安全运行和设备维护有着一定的理论意义,同时适用于其它大型旋转类机械设备,对其故障预测有着一定的应用价值。
【关键词】：矿井通风机 小波分析 支持向量机 故障预测
【学位授予单位】：安徽理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TD724;TP18
【目录】：

• 摘要5-6
• Abstract6-14
• 1 绪论14-19
• 1.1 引言14
• 1.2 选题背景14-15
• 1.3 故障预测的研究意义15-16
• 1.4 故障预测的研究现状16
• 1.5 矿井通风机故障预测的发展16-17
• 1.6 本文主要内容与结构17-19
• 2 通风机故障机理分析19-34
• 2.1 通风机典型故障模式19-30
• 2.1.1 风机失衡故障模式19-21
• 2.1.2 风机不对中故障模式21-23
• 2.1.3 风机动静部件磨损故障模式23-26
• 2.1.4 风机油膜振动故障模式26-28
• 2.1.5 风机喘振故障模式28-30
• 2.2 通风机故障预测系统30-31
• 2.3 振动测量传感器31-32
• 2.4 常用通风机故障预测理论32-33
• 2.5 本章小结33-34
• 3 小波分析理论及其在故障预测中的应用34-49
• 3.1 小波分析基本概论34-42
• 3.1.1 小波理论基础34-36
• 3.1.2 小波定义36-37
• 3.1.3 连续小波变换37-39
• 3.1.4 离散小波变换39-42
• 3.2 小波多分辨率分析及小波包分析42-44
• 3.2.1 多分辨率分析42
• 3.2.2 小波包分析42-44
• 3.3 小波分析的故障特征提取44-48
• 3.3.1 小波分析处理过程44-45
• 3.3.2 小波分析的故障特征提取45-48
• 3.4 本章小结48-49
• 4 SVM理论在故障预测中的应用49-71
• 4.1 支持向量机理论49-54
• 4.1.1 支持向量机最优分类面49-51
• 4.1.2 支持向量机核函数51-52
• 4.1.3 支持向量机及其分类流程52-54
• 4.2 支持向量回归机理论54-59
• 4.3 基于支持向量机的故障预测59-70
• 4.3.1 样本小波分析59-62
• 4.3.2 支持向量机回归预测62-64
• 4.3.3 支持向量机预测结果分析64-70
• 4.4 本章小结70-71
• 5 基于LabVIEW软件平台操作71-78
• 5.1 虚拟仪器71-72
• 5.1.1 虚拟仪器简介71-72
• 5.1.2 LabVIEW软件操作72
• 5.2 基于LabVIEW的风机故障预测72-76
• 5.2.1 数据采集存储模块72-73
• 5.2.2 小波降噪模块73-75
• 5.2.3 支持向量机故障预测模块75-76
• 5.3 本章小结76-78
• 6 全文总结与展望78-80
• 6.1 总结78
• 6.2 展望78-80
• 参考文献80-84
• 致谢84-86
• 作者简介及读研期间主要科研成果86

【参考文献】

中国期刊全文数据库 前10条

1 徐科,徐金梧;基于小波分解的设备状态预测方法[J];北京科技大学学报;2000年02期

2 张岐龙;单甘霖;段修生;尚裕萌;;基于小波支持向量机的模拟电路故障诊断[J];电光与控制;2010年05期

3 畅广辉;刘涤尘;熊浩;;基于多分辨率SVM回归估计的短期负荷预测[J];电力系统自动化;2007年09期

4 宋国明;王厚军;刘红;姜书艳;;基于提升小波变换和SVM的模拟电路故障诊断[J];电子测量与仪器学报;2010年01期

5 徐科,徐金梧,班晓娟;基于小波分解的某些非平稳时间序列预测方法[J];电子学报;2001年04期

6 谢培甫;夏立斌;谭青;;基于神经网络的大型风机智能故障诊断系统的研究[J];风机技术;2007年02期

7 于开平,邹经湘,杨炳渊;小波函数的性质及其应用研究[J];哈尔滨工业大学学报;2000年02期

8 周小勇,叶银忠;基于Mallat塔式算法小波变换的多故障诊断方法[J];控制与决策;2004年05期

9 何明辉;毛嘉成;范如玉;张平;;基于SVM回归的圆柱壳体抗脉冲强度预估模型[J];力学学报;2009年03期

10 陈伟;李光;;矿井通风机监控系统设计[J];煤矿现代化;2006年04期

中国博士学位论文全文数据库 前2条

1 宋国明;基于提升小波及SVM优化的模拟电路智能故障诊断方法研究[D];电子科技大学;2010年

2 辛卫东;风电机组传动链振动分析与故障特征提取方法研究[D];华北电力大学;2013年

  本文关键词：小波支持向量机在矿井通风机故障预测中的应用，由笔耕文化传播整理发布。

，

本文编号：276526