基于多变量数据的矿井风机故障预测系统的研究

发布时间：2017-07-29 18:22

  本文关键词：基于多变量数据的矿井风机故障预测系统的研究

  更多相关文章： 多变量数据 风机故障 组态王 数据库 信号处理 预测机制

【摘要】：矿井主扇风机是矿井呼吸系统的核心,其安全与否直接关系到矿井井下工作人员的生命安全。近年来,矿井主扇风机故障时有发生,而现有风机报警系统无法达到故障预测的目的,为了能保证矿井生产安全,降低风机故障维修成本,提高矿井风机的服役寿命。本论文旨在研究一种适用于生产的矿井风机故障预测系统。本研究以矿井防爆对旋轴流通风机为研究对象,调研了现役矿井通风机的类型和通风方式,利用CAD、PRO/E软件对风机进行了二维绘图及三维建模仿真,研究了风机各部分的构造及设计原理。通过结合传感器的运行原理和长期的监测状况,系统的研究了风机系统软、硬件的故障、故障原因及解决办法。为风机故障预测系统提供适用于生产与监测的故障数据库。本文分析了现有风机系统的故障诊断方法,并深入的研究了基于解析模型和人工神经网络的故障诊断方法在矿井通风机中的应用与存在的不足。结合生产实际,提出了一种基于多变量数据的矿井风机故障预测方法。根据系统要求,对原监测系统进行了软硬件的改进,新增了网络打印机、网页与数据服务器。利用组态王软件重建了监测界面,通过组态王与SQL Server数据库的链接,实现了数据的存储和查询。利用Matlab强大的数据处理能力,通过与监测数据的实时传输与处理、反馈,建立了完整的预测机制。本文从实际出发,研究成果通过了链接测试,能有效的对矿井风机系统存在的故障进行预测。
【关键词】：多变量数据 风机故障 组态王 数据库 信号处理 预测机制
【学位授予单位】：河北工程大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TD441
【目录】：

• 摘要5-6
• Abstract6-9
• 第1章 绪论9-17
• 1.1 引言9-10
• 1.2 选题背景和研究意义10-11
• 1.2.1 选题背景10
• 1.2.2 研究意义10-11
• 1.3 国内外发展现状及发展趋势11-14
• 1.3.1 信号获取和状态监测方面发展动向11-12
• 1.3.2 诊断方法和信号处理方面发展动向12-13
• 1.3.3 诊断系统网络化发展动向13-14
• 1.4 本课题的主要研究内容14-16
• 1.4.1 主要研究内容14
• 1.4.2 拟解决的关键问题及研究技术路线14-16
• 1.5 本章小结16-17
• 第2章 矿井主扇通风机的结构特点及故障分析17-29
• 2.1 矿井主扇风机概况17-22
• 2.1.1 矿井通风机类型17
• 2.1.2 矿井通风机通风方式17-18
• 2.1.3 矿井主扇风机结构18-22
• 2.1.4 矿井主扇风机的主要性能参数22
• 2.2 风机系统常见故障及原因分析22-28
• 2.2.1 通风系统硬件故障及原因22-28
• 2.2.2 通风系统软件故障及处理方法28
• 2.3 本章小结28-29
• 第3章 矿井通风机故障检测方法的研究29-47
• 3.1 故障诊断方法的研究29-44
• 3.1.1 现有风机系统故障诊断方法30-32
• 3.1.2 基于解析模型的方法32-33
• 3.1.3 基于人工神经网络算法的方法33-34
• 3.1.4 基于多变量数据的故障诊断方法34-44
• 3.2 信号处理方法的研究44-46
• 3.2.1 循环信号处理方法44-45
• 3.2.2 畸变信号处理方法45-46
• 3.3 本章小结46-47
• 第4章 风机故障预测系统的搭建47-64
• 4.1 风机故障预测系统硬件选型47-49
• 4.1.1 风机监测系统的整体设计47-48
• 4.1.2 传感器的选型48
• 4.1.3 数据采集及网络配电48-49
• 4.2 风机故障预测系统软件平台的建立49-63
• 4.2.1 组态监测界面的建立49-56
• 4.2.2 组态软件与数据库的连接56-59
• 4.2.3 组态软件与Matlab的连接59-60
• 4.2.4 风机监测界面的联网共享60-63
• 4.3 本章小结63-64
• 第5章 矿井风机故障预测机制的建立64-77
• 5.1 预测机制的整体构建64
• 5.2 在线预测机制的软件实现64-72
• 5.2.1 对写入Matlab的数据进行分组65-67
• 5.2.2 对写入数据进行测试67-68
• 5.2.3 信号判断方法的确定68-72
• 5.3 软件的链接测试72-76
• 5.4 本章小结76-77
• 结论77-79
• 致谢79-80
• 参考文献80-83
• 作者简介83
• 攻读硕士学位期间发表的论文和科研成果83-84

【参考文献】

中国期刊全文数据库 前10条

1 邓奇根;王燕;刘明举;魏俊杰;;2001～2013年全国煤矿事故统计分析及启示[J];煤炭技术;2014年09期

2 周云龙;李红延;李洪伟;;改进的LVQ神经网络在风机故障诊断中的应用[J];化工自动化及仪表;2013年05期

3 刘仲民;吴延明;乔平原;刘朝荣;;基于VB的矿井主扇风机监控系统的设计[J];甘肃冶金;2012年01期

4 王建朝;姜茹;;风机起动故障的原因及处理策略[J];产业与科技论坛;2011年07期

5 张亚洲;石林锁;;滚动轴承局部故障数学模型的建立与应用[J];振动与冲击;2010年04期

6 蒋磊;杨朔;姚寿广;;基于热力参数的某舰用三轴燃气轮机故障数学模型研究[J];江苏科技大学学报(自然科学版);2010年01期

7 左宪章;康健;李浩;唐力伟;;故障预测技术综述[J];火力与指挥控制;2010年01期

8 王娟;李春曦;;基于热力学法的风机效率数学模型与应用[J];煤矿机械;2009年12期

9 艾红;周东华;;动态系统的故障预测方法[J];华中科技大学学报(自然科学版);2009年S1期

10 曾锐利;肖云魁;周建新;韩俊淑;;汽车远程故障诊断与维修系统研究[J];电子测量技术;2009年07期

中国博士学位论文全文数据库 前2条

1 赵晓东;电机转子检测方法及故障诊断技术研究[D];河北工业大学;2011年

2 盛晨兴;挖泥船动力机械远程诊断系统关键技术研究[D];武汉理工大学;2009年

中国硕士学位论文全文数据库 前10条

1 马赫;基于神经网络的风机故障诊断研究[D];辽宁科技大学;2014年

2 温敏健;地铁风机故障诊断系统的研究[D];北京建筑大学;2013年

3 陈尉;矿山数字化下的风机状态监测及故障诊断[D];河北工程大学;2013年

4 欧惠宇;船舶燃气轮机气路故障诊断技术研究[D];哈尔滨工程大学;2013年

5 贺鹏;基于多小波理论的风机故障诊断技术研究[D];天津理工大学;2013年

6 王一兵;基于神经网络的矿井风机故障诊断[D];上海交通大学;2012年

7 陈蕊;基于PLC的矿井主扇风机的监控系统设计[D];太原理工大学;2012年

8 周木桂;基于BP神经网络煤矿通风机监测信息融合方法研究[D];江西理工大学;2012年

9 金文兵;矿井风机监控软件的设计与实现[D];北京交通大学;2011年

10 米江;基于神经网络和小波分析的风机故障诊断专家系统[D];南京航空航天大学;2010年

，

本文编号：590499