基于多源信息融合的井下皮带机驱动电机状态识别方法研究

发布时间：2020-10-24 13:11

　　 随着科技水平的不断创新与发展,矿井大型设备运行状态的监测与诊断愈发得到重视。驱动电机作为皮带输送机与其他设备驱动系统的核心部件,其安全高效的运行关系着矿井生产的可靠性与稳定性。电机故障不仅会导致相关设备的损毁,而且会造成矿井生产停滞,带来难以预计的人力、物力损失。因此,监测皮带机驱动电机的运行状态,对于其故障情况进行状态识别与预警,具有重要意义及实际价值。传统电机故障诊断往往针对单一信号进行分析,在信号采集方面存在片面性,应当考虑电机的综合性构成。在特征处理时,需要将特征选择与状态识别模型结合,得到针对性较强的特征子集。在信息融合时,需对信号经过多分类器训练得到的识别结果进行融合,并将融合结果以可视化的界面进行展示。针对以上问题开展研究工作。(1)分析电机振动信号与定子电流信号在不同运行状态下的故障特性,对基于经验模态分解(Empirical Mode Decomposition,EMD)的信号分析方法进行研究,提出基于完备平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)的振动与电流信号分析方法,有效解决EMD分解中存在的“模态混叠”问题,并对虚假分量进行甄别。通过计算IMF分量与原始信号的相关系数,选择前四阶IMF分量,与包络谱、边际谱分量组成信号样本序列。(2)计算信号样本序列包含时域、频域参数在内的11种统计特征,构建高维原始特征集,并提出基于随机森林(Random Forest,RF)平均精确率减少的特征选择方法FSMDA,对原始特征集进行处理。该方法利用随机森林模型对特征进行训练与测试,将加入噪声干扰前后的特征袋外误差率差值用于描述特征重要度,作为特征选择的依据。结合线性局部切空间排列方法(Linear Local Tangent Space Alignment,LLTSA)与极限学习机(Extreme Learning Machine,ELM)、模糊C-均值聚类算法(Fuzzy C-Means,FCM)、随机森林等分类器,构建基于驱动电机振动信号与定子电流信号的状态识别模型,设计同工况与变工况的两组对比实验,利用实验台电机故障数据对模型的有效性进行验证。(3)分析传统信息融合存在的的问题,提出基于优化D-S证据理论的两级信息融合框架,其中一级融合集中于同一类信号的多种状态识别模型结果,再将不同类信号的融合识别结果进行二级融合。利用Jousselme距离度量原始距离间的相似程度,在融合时避免了证据间的高度冲突带来的问题。利用第三章所提状态识别模型同工况下的识别结果,对所提多源信息融合框架的有效性进行验证。(4)通过分析矿井操作人员对于皮带机驱动电机监测与诊断的需求,设计研发了基于.Net平台的矿井皮带机驱动电机状态识别与智能决策系统。结合状态监测模型与多源信息融合结果,为矿井操作人员提供了快捷、高效的信息处理系统,具有较强的可拓展性,有效提高现场工作效率。实验结果表明,本文所提出的特征选择方法FSMDA能够有效选择对状态识别模型重要度较高的特征,构建的状态识别模型CEEMD-FSMDA-LLTSA-ELM/FCM/RF具有良好的适应性,明显提高了电机同工况与变工况状态的识别精确率,结合多源信息融合结果所设计的矿井皮带机驱动电机状态识别与智能决策系统能有效描述故障类型,可操作性强。
【学位单位】：中国矿业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP202;TD528.1
【部分图文】：

后续步骤的需求，需要一种较为成熟的信号分析方法对处理[82]，特别是在信号降噪方面表现良好的，由此本文解（Complementary Ensemble Empirical Mode Decompos动信号以及定子电流信号进行信号分析，便于构建电号的原始特征集，进行特征选择与降维。模态分解态分解（Empirical Mode Decomposition, EMD）方法是 1美国宇航局提出的一种自适应信号时频分析方法，理论间序列的分解，尤其是非平稳、非线性信号。一经提出泛应用，特别是故障诊断领域。经验模态分解方法的基则的信号波形转化为多个单一频率的信号波形与余留将分解得到的多个单一频率样本称为本征模态函数（F），所分解出来的各个 IMF 分量包含了原始信号的不局部特征，图 2-3 为某 IMF 分量示意图。

图 2-7 仿真信号经 CEEMD 分解结果Figure 2-7 The simulation signal decomposed by CEEMD4 实验分析（Experiment Analysis）本小节利用 SQI-MFS 实验台采集到的振动信号与定子电流信号进行实验83]，实验台由驱动电机、轴承部件、变频器与底座支架等结构组成，具体集系统与部分故障电机如图 2-8 所示。电机的主要参数如表 2-2 所示，在程中，能够对电机的转速与负载条件进行调整。定子由定子铁芯、绕组与成，转子由转子铁芯、绕组以及转轴构成。其中定子铁芯与转子铁芯在形似，包含齿与齿槽，电机运行时，磁通与磁动势的通路由定子铁芯构成。组与转子绕组结构类似，包含单层或双层缠绕线圈[84]，具体结构如图 2-9 所

小节利用 SQI-MFS 实验台采集到的振动信号与定子电流信号进行实验台由驱动电机、轴承部件、变频器与底座支架等结构组成，具统与部分故障电机如图 2-8 所示。电机的主要参数如表 2-2 所示，，能够对电机的转速与负载条件进行调整。定子由定子铁芯、绕组转子由转子铁芯、绕组以及转轴构成。其中定子铁芯与转子铁芯在包含齿与齿槽，电机运行时，磁通与磁动势的通路由定子铁芯构成转子绕组结构类似，包含单层或双层缠绕线圈[84]，具体结构如图 2-图 2-8 SQI-MFS 实验台Figure 2-8 SQI MFS test bench
【参考文献】

相关期刊论文 前10条

1 赵磊;谢尚东;;大倾角巷道中使用的皮带输送机的断带保护装置[J];安徽科技;2015年04期

2 孙斌;刘立远;牛翀;;基于局部切空间排列和K-最近邻分类器的转子故障诊断方法[J];中国机械工程;2015年01期

3 宋涛;汤宝平;邓蕾;;动态增殖流形学习算法在机械故障诊断中的应用[J];振动与冲击;2014年23期

4 刘青凤;李红兰;;基于数据挖掘方法的风力涡轮机状态监测技术研究[J];计算机测量与控制;2014年05期

5 苑津莎;张利伟;王瑜;尚海昆;;基于极限学习机的变压器故障诊断方法研究[J];电测与仪表;2013年12期

6 郑近德;程军圣;杨宇;;改进的EEMD算法及其应用研究[J];振动与冲击;2013年21期

7 马恭朴;;浅析矿井机电运输系统的复杂性[J];中华民居(下旬刊);2013年02期

8 程加堂;周燕洁;段志梅;;多传感器信息融合在电机故障诊断中的应用[J];噪声与振动控制;2012年05期

9 赵志宏;杨绍普;;基于小波包变换与样本熵的滚动轴承故障诊断[J];振动.测试与诊断;2012年04期

10 李锋;汤宝平;陈法法;;基于线性局部切空间排列维数化简的故障诊断[J];振动与冲击;2012年13期

本文编号：2854511