【正文】 碩士學(xué)位論文基于ASGSORBF算法的采煤機(jī)滾動(dòng)軸承故障診斷研究Research on Fault Diagnosis of Shearer Bearing Based on ASGSORBF Algorithm作者姓名***指導(dǎo)教師*** 副教授工程領(lǐng)域電氣工程 二0一五年六月基于ASGSORBF算法的采煤機(jī)滾動(dòng)軸承故障診斷研究 *** ***大學(xué)關(guān)于論文使用授權(quán)的說(shuō)明本學(xué)位論文作者及指導(dǎo)教師完全了解***大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定，同意***大學(xué)保留并向國(guó)家有關(guān)部門(mén)或機(jī)構(gòu)送交論文的復(fù)印件和磁盤(pán)，允許論文被查閱和借閱，學(xué)?？梢詫W(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存、匯編本學(xué)位論文。保密的學(xué)位論文在解密后應(yīng)遵守此協(xié)議 學(xué)位論文作者簽名：____________ 導(dǎo)師簽名：_____________ 年 月 日 年 月 日學(xué)校代碼 10147 分類(lèi)號(hào) 密 級(jí) 公開(kāi)UDC 基于ASGSORBF算法的采煤機(jī)滾動(dòng)軸承故障診斷研究Research on Fault Diagnosis of Shearer Bearing Based on ASGSORBF Algorithm碩 士 學(xué) 位 論 文作者姓名***指導(dǎo)教師*** 副教授申請(qǐng)學(xué)位工程碩士工程領(lǐng)域電氣工程研究方向計(jì)算機(jī)檢測(cè)與人工智能***大學(xué)致 謝光陰如梭，兩年的研究生學(xué)習(xí)生活即將結(jié)束。在學(xué)位論文結(jié)稿之際，向我的老師們、同學(xué)們致以最真摯的感謝！老師們課堂上的激情洋溢，課堂下的諄諄教誨；同學(xué)們?cè)趯W(xué)習(xí)中的認(rèn)真熱情，生活上的熱心主動(dòng)，所有這些都讓我的兩年時(shí)光充滿了感動(dòng)。十分感謝你們?cè)谶@兩年時(shí)間里給予我無(wú)私的關(guān)懷和幫助！沒(méi)有你們就不會(huì)有我的今天！衷心感謝我的導(dǎo)師***教授，本文是在***老師的悉心指導(dǎo)下才得以完成的。無(wú)論是在選題、研究?jī)?nèi)容和方案設(shè)計(jì)等各個(gè)環(huán)節(jié)都凝聚著老師的辛勤汗水。***淵博的學(xué)識(shí)、誨人不倦的高尚師德、睿智的洞察力、平易近人的人格魅力、勇于創(chuàng)新的精神永遠(yuǎn)激勵(lì)著我，引導(dǎo)我不斷前行。師從三載，收獲頗豐，感觸亦深。在此，謹(jǐn)向我的導(dǎo)師致以深深的敬意！感謝***實(shí)驗(yàn)室的兄弟姐們以及已經(jīng)畢業(yè)的師兄師姐們，謝謝你們?cè)诳蒲袆?chuàng)新與論文寫(xiě)作方面給予我的支持與幫助。從他們的身上我學(xué)習(xí)到了很多優(yōu)良品質(zhì)與理論知識(shí)，這些都將鞭策著我不斷發(fā)展與進(jìn)步。 感謝父母對(duì)我的養(yǎng)育之恩，感恩他們25年來(lái)無(wú)微不至的關(guān)心、鼓勵(lì)和理解，使我能順利度過(guò)這漫長(zhǎng)而艱難的求學(xué)生涯，并最終完成學(xué)業(yè)。他們的支持和期盼是我永久的動(dòng)力。本文在寫(xiě)作過(guò)程中參考了大量的學(xué)術(shù)論文和專著，在此向有關(guān)作者表示由衷的敬意。64 / 74摘 要煤炭資源在我國(guó)能源體系結(jié)構(gòu)中具有非常重要的地位和作用，采煤機(jī)作為煤礦生產(chǎn)過(guò)程的關(guān)鍵設(shè)備，是集機(jī)械、電子、電氣、傳動(dòng)、液壓等為一體的復(fù)雜機(jī)械。采煤機(jī)設(shè)備的安全、穩(wěn)定運(yùn)行對(duì)于保證煤炭生產(chǎn)的安全、促進(jìn)企業(yè)生產(chǎn)效率具有重要意義。由于采煤機(jī)常處于潮濕、粉塵顆粒多、電磁干擾嚴(yán)重等復(fù)雜井下運(yùn)行環(huán)境，時(shí)常出現(xiàn)軸承破損等采煤機(jī)關(guān)鍵部件故障。一旦出現(xiàn)此類(lèi)故障，將導(dǎo)致整個(gè)煤礦生產(chǎn)過(guò)程停滯，乃至癱瘓。針對(duì)采煤機(jī)滾動(dòng)軸承故障，本文在深入研究與分析采煤機(jī)運(yùn)行環(huán)境、工作特點(diǎn)、影響因素等導(dǎo)致采煤機(jī)軸承故障的基礎(chǔ)上，提出一種將RBF神經(jīng)網(wǎng)絡(luò)(RBF，RBF Neural Network)與自適應(yīng)步長(zhǎng)螢火蟲(chóng)算法(ASGSO，selfAdaptive Step Glowworm Swarm Optimization)相耦合的擬合算法實(shí)現(xiàn)對(duì)采煤機(jī)滾動(dòng)軸承故障非線性系統(tǒng)的有效辨識(shí)。RBF神經(jīng)網(wǎng)絡(luò)具備了強(qiáng)大的時(shí)變數(shù)據(jù)處理能力及網(wǎng)絡(luò)穩(wěn)定性，因此更能直接表征本質(zhì)非線性系統(tǒng)的動(dòng)態(tài)特性。以小波包和RBF神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，提出了由小波包分解提取各個(gè)節(jié)點(diǎn)特征能量譜與自適應(yīng)步長(zhǎng)螢火蟲(chóng)算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)辨識(shí)的采煤機(jī)滾動(dòng)軸承故障診斷方法。對(duì)振動(dòng)傳感器輸出的信號(hào)進(jìn)行小波包分解，運(yùn)用基于代價(jià)函數(shù)的局域判別基(LDB)算法對(duì)小波包分解進(jìn)行裁剪，獲取最優(yōu)的特征能量譜，經(jīng)處理后作為特征向量訓(xùn)練ASGSORBF神經(jīng)網(wǎng)絡(luò)，建立診斷模型。充分利用經(jīng)改進(jìn)后的ASGSO算法強(qiáng)大的全局多目標(biāo)搜索能力對(duì)RBF的權(quán)值與中心、寬度在求解空間中進(jìn)行快速精確的在線搜索，并結(jié)合辨識(shí)理論建立基于ASGSORBF耦合算法的采煤機(jī)滾動(dòng)軸承故障辨識(shí)系統(tǒng)。利用井下實(shí)際采集到的各影響因素監(jiān)測(cè)數(shù)據(jù)進(jìn)行辨識(shí)實(shí)驗(yàn)，結(jié)果表明：在較高學(xué)習(xí)效率的前提下，其辨識(shí)精度和泛化能力明顯強(qiáng)于單一的RBF神經(jīng)網(wǎng)絡(luò)、GSORBF耦合模型以及工程常用的BP神經(jīng)網(wǎng)絡(luò)且具有較強(qiáng)的魯棒性。該方法對(duì)井下采煤機(jī)故障災(zāi)害的防治提供了充分的理論指導(dǎo)。關(guān)鍵詞：采煤機(jī)滾動(dòng)軸承；非線性系統(tǒng)；小波包；辨識(shí)模型；ASGSORBF耦合算法AbstractCoal resources has a very important position and role in Chinese energy system structure. As the key equipment of coal mine production process, sheareris a plex machine, which is a mechanical, electronic, electric, hydraulic, and so on. The shearerequipment safe and stable operation is very important for ensuring the safety of coal production and promoting enterprise production efficiency. Because sheareris often in wet, dust particles, electromagnetic interference and other plex downhole environment, bearing damage and other shearerkey parts failure often happens to shearer. Once such failure occurs, will lead to the entire coal mine production process stagnation, and even paralysis. For shearer rolling bearing fault, this paper indepth research and analysis of shearer in the running environment, characteristics and influencing factors resulting in bearing fault of Shearer Based on, put forward a kind of the RBF neural network bined with selfadaptive step glowworm swarm optimization (ASGSO)algorithm to realize the effective identification of bearing fault of shearer nonlinear system.The RBF neural network provides great timevarying data processing ability and network stability. So, it can directly better represent the dynamic properties of the essential nonlinear system. On the basis of wavelet packet and RBF neural network, put forward the method of shearer bearing fault diagnosis that resolve and draw energy spectrum of characteristic from each node by wavelet packet and optimize RBF neural network by selfadaptive step glowworm swarm optimization algorithm. Of vibration sensor output signal wavelet packet deposition, using their cost function based on local discriminant basis (LDB) algorithm to cut of wavelet packet deposition, to obtain the optimal characteristics of energy spectrum, the processed as a feature vector training ASGSORBF neural network, the diagnosis model is established.The online fast and accurate search for the RBF weights, centers and widths in the solution space is done due to the great global multitarget search ability of the enhanced ASGSO algorithm. With the identification theory, The identification system of shearer bearing fault is proposed by using the ASGSORBF coupling algorithm. The identification experiments are performed with the monitored historydata of the pits. The results demonstrate that in the context of higher learning efficiency, it greatly outperforms the pure RBF neural network, the GSORBF coupling model and the BP neural network monly used in the engineering in terms of identification accuracy and generalization. Furthermore, the proposed method is highly robust and thus theoretically helpful to the prevention and relief of the shearer trouble disasters.Key words: shearer bearing；nonlinear system；wavelet packet；identification model；ASGSORBF coupling algorithm目 錄摘 要 IAbstract II1 緒論 1 課題研究的背景及選題的意義 1 采煤機(jī)關(guān)鍵部件故障診斷國(guó)內(nèi)外研究現(xiàn)狀 2 國(guó)外研究現(xiàn)狀 2 國(guó)內(nèi)研究現(xiàn)狀 4 本文的主要研究?jī)?nèi)容 52 基于小波分析及小波包分解的故障特征提取 7 采煤機(jī)故障分類(lèi) 7 小波分析基本理論 9 小波函數(shù) 9 小波變換 9 多分辨率分析 11 正交小波變換的快速算法Mallat算法 13 小波包分析 15 建立小波包分析的故障特征提取模型 19 基于小波包分析的故障特征提取實(shí)驗(yàn) 20 特征提取效果分析 24 LDB算法選取最優(yōu)小波包基 243 RBF神經(jīng)網(wǎng)絡(luò) 27 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和工作原理 27 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法 29 RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì) 32 小結(jié) 334 ASGSORBF耦合算法研究及其性能仿真分析 34 引言 34 改進(jìn)的螢火蟲(chóng)優(yōu)化算法 34 基于相似度準(zhǔn)則的目標(biāo)鄰域集 35 搜索步長(zhǎng)的自適應(yīng)調(diào)整策略 36 ASGSO算法的收斂性分析 36 ASGSO算法數(shù)值仿真實(shí)驗(yàn) 37 分析測(cè)試函數(shù) 39 評(píng)價(jià)指標(biāo) 40 仿真實(shí)驗(yàn)及結(jié)果分析 41 ASGSO算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)模型 43 螢火蟲(chóng)個(gè)體編碼 44 搜索空間維數(shù)的確定 44 適應(yīng)度函數(shù)的確定 44 ASGSORBF耦合算法的實(shí)現(xiàn)流程 45 ASGSORBF耦合算法的數(shù)據(jù)擬合實(shí)驗(yàn) 46 小結(jié) 485 基于ASGSORBF耦合算法的采煤機(jī)滾動(dòng)軸承故障診斷研究 49 引言 49 采煤機(jī)滾動(dòng)軸承故障辨識(shí)模型 49 基于ASGSORBF的采煤機(jī)故障診斷系統(tǒng) 50 采煤機(jī)故障診斷原理 50 采煤機(jī)滾動(dòng)軸承故障辨識(shí)的具體步驟 50 采煤機(jī)滾動(dòng)軸承故障辨識(shí)實(shí)驗(yàn)及分析