基于数据驱动的采煤机摇臂传动系统故障诊断方法研究

发布时间：2020-07-28 15:51

【摘要】：采煤机是煤矿综采成套系统的关键设备之一,大功率、高可靠性、高智能、易于维护是现阶段采煤机研究的趋势。摇臂作为采煤机完成截割任务的重要部件,一旦发生故障,将直接影响到采煤机的运行效率,其可靠性对煤矿的安全高效生产至关重要,摇臂的故障诊断方法研究已然成为采煤机维护工作的重中之重。针对上述问题,本文以采煤机摇臂传动系统为研究对象,在分析实际工况和故障模式的基础上,研究在不同时间尺度下的故障特征向量提取方法,建立了基于改进深度置信网络的智能诊断模型。首先,对采煤机摇臂传动系统的结构进行分析,并结合实际工况环境,分析采煤机摇臂的多种故障形式,对故障形式分类、测试区域划分及测点位置布置进行研究,最终分析各部件振动特性,为特征提取和智能诊断奠定了基础。其次,针对摇臂传动系统在割煤过程中振动信号的非线性、非平稳性问题,研究多阈值小波包去噪方法,对不同频段信号选用不同阈值方法进行去噪,进一步通过EMD分解消除多阈值小波包去噪的局部最优性,得到多个IMF信号分量,结合Shanan信息熵值对多个IMF分量进行特征验算,并进行模拟信号仿真试验。然后,提出基于监督式学习网络的摇臂传动系统故障诊断方法,分析监督式学习模型的训练过程,对模型的学习率、迭代次数等多个输入参量进行研究,通过DDS故障诊断平台进行诊断方案的可行性验证;针对模型诊断效率低的问题,提出基于PSO-BPDBN的采煤机摇臂传动系统故障诊断模型,并进行测试试验。最终,结合特征提取和模式识别方法,进行采煤机摇臂地面测试实验,对采集的信号数据进行特征向量提取,并构建相对应的特征提取样本集,分别对传动系统的高速区和低速区进行测试实验,探究不同诊断方案下的故障诊断效率,验证本文模型的有效性。
【学位授予单位】：西安科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TD632
【图文】：

流程图,故障诊断方法,流程,故障模式识别

同的数据集进行测试，在工业应用上都表现出远超以往浅层学习所能达到的最好的效果[47]。在生产制造过程中，大量的设备状态数据为诊断技术提供了研究基础，基于数据驱动的的故障诊断方法也越来越受到国内外学者的关注。目前，基于数据驱动和机器学习的机械设备智能故障诊断方法的关键技术主要体现在两个方面[48,49]：特征提取及故障模式识别，其诊断流程如图 1.1 所示。

路线图,总体技术,路线图,论文

本文在查阅大量相关文献的基础上，对课题的背景、意义及国内外研究现状进行了研究，指出了采煤机摇臂传动系统故障诊断的难点及现有诊断方法的不足，提出了振动信号特征提取和智能识别网络结合的数据驱动诊断方案，最后确定本文的总体技术路线如图 1.2 所示。

测点分布,摇臂,布放,加速度传感器

在摇臂高速区和低速区分别布置传感器，对两个摇臂进行信号采集，且每个摇臂测点位置对称相等。本文以 MG1000(2550)-GWD 型采煤机的振动传感器布置为例，结合摇臂传动系统结构及实际工况，采集左摇臂传动系统的振动信号，加速度传感器的磁座分别吸附的测点位置如图 2.2 所示，测点分布信息如表 2.7 所示。1

【参考文献】