- 无标题文档
查看论文信息

中文题名:

 带式输送机故障诊断关键技术研究    

姓名:

 代弋    

学号:

 1049731703502    

保密级别:

 公开    

论文语种:

 chi    

学科代码:

 080200    

学科名称:

 机械工程    

学生类型:

 硕士    

学位:

 工学硕士    

学校:

 武汉理工大学    

院系:

 物流工程学院    

专业:

 机械工程    

研究方向:

 机械故障诊断    

第一导师姓名:

 徐小溪    

第一导师院系:

 武汉理工大学    

完成日期:

 2019-03-15    

答辩日期:

 2019-05-13    

中文关键词:

 带式输送机 ; 神经网络 ; 遗传算法 ; 支持向量机 ; 故障诊断    

中文摘要:

带式输送机是一种被广泛使用的现代化连续运输机械,在工作中时常遇到恶劣工作环境和复杂工况,这就要求其必须具有较高的工作可靠性。传统的带式输送机故障诊断方法是将阈值视为异常指标,通常只采用单一的检测方法,诊断结果常有遗漏和错误,且发现故障存在一定的滞后性。为了提高故障诊断方法的准确率和诊断效率,避免故障结果滞后,本文结合现代智能诊断技术进行了如下研究:

(1)首先对带式输送机的基本构成、常见故障类型及相应故障机理进行了分析研究,得出输送机非正常工作的影响因子。然后对几类现代故障诊断方法如专家系统诊断法、神经网络诊断法、支持向量机诊断法等进行对比,提出了一种利用神经网络进行参数预测、支持向量机对预测结果进行分类的故障诊断方案。

(2)基于MATLAB仿真平台,为了实现以较少易测参数(如瞬时流量等)获得难测参数(如滚筒张力、筒速等)的目标,以带式输送机历史运行数据为依据,在分别对普通神经网络和经遗传算法优化的神经网络进行训练后,对比分析训练结果,以最优模型对带式输送机实际数据进行参数预测。仿真试验表明预测结果曲线与实际数据曲线变化趋势基本吻合。

(3)利用LIBSVM工具箱,依据带式输送机历史故障数据,以带速、滚筒速度、滚筒张力、滚筒轴承温度等为输入参数,对带式输送机的正常状态和故障状态(跑偏、打滑、纵撕)进行仿真研究,建立支持向量机故障诊断模型并对其可靠性进行了验证;将神经网络输出的参数预测结果集成后输入到诊断模型中,得出相应故障类型,验证了本文诊断方法具有超前预测故障的特性。

(4)将故障诊断方法与监控系统相结合,以数据库为媒介,MATLAB为故障分析中心,组态软件开发为显示终端建立了故障诊断系统,并针对多级带式输送机在正常和故障状态下的启停对PLC控制策略进行了设计,实现了整个监控系统的参数采集、通讯和调控。该监控系统具有实时参数监测、故障诊断、电机启停控制以及历史运行参数查询、打印等功能。利用该监控系统针对本文所研究的纵撕、跑偏和打滑三种故障进行了实验测试,对比传统支持向量机故障诊断模式,验证了本文所述故障诊断方法(以少量易测参数获得故障诊断结果)的优越性。

本文研究结果表明在参数预测的基础上进行故障诊断,准确率较高;相比传统的故障诊断方法,能够弥补传统故障诊断存在的滞后性缺点,提前对故障情况进行了解。由于本文所设计的参数预测方法为利用少量参数对多数不易检测的参数进行预测,在工程实际应用中能够减少传感器的布置数量,降低监控系统的设备成本,同时还能避免因故障产生重大事故,提高企业综合效益,对工程实践具备一定的现实意义。

参考文献:

[1] 宋伟刚,张尊敬,王鹰. 带式输送机的研究进展[J]. 起重运输机械,2004(2):1-4.

[2] 王鹰 ,孟文俊 ,黄霞云 ,王学民.长距离大运量带式输送机关键技术及国内发展现状[J].起重运输机械,2005(11):5-9.

[3] 赵洪刚. 长距离下运带式输送机的研究设计[J]. 山东科技大学,2005(6):28-29.

[4] 杨政.带式输送机输送带跑偏的分析及处理[J].科技情报开发与经济,2005(17):260-261.

[5] 郑君,张冬泉.故障诊断技术[J].电气时代,2008(05):96-98.

[6] 田鹤. 长距离带式输送机实时监控及故障诊断系统研究[D].太原科技大学,2011.

[7] 冯志鹏. 计算智能在机械设备故障诊断中的应用研究[D].大连理工大学,2003.

[8] 张培先,董泽,刘吉臻.智能故障诊断技术的发展及应用[J].山西电力,2001(03):57-59.

[9] 张开典.皮带运输机故障分析及诊断方法设计[J].科技创新与应用,2017(16):154.

[10] L, W. Design of Online Monitoring and?Fault?Diagnosis?System for?Belt?Conveyors Based on Wavelet Packet Decomposition and Support Vector Machine[J].Advances In Mechanical Engineering,2013,28(2):221-224.

[11] Ravikumar, S., H. Kanagasabapathy, and V. Muralidharan. Fault Diagnosis of Self-Aligning Troughing Rollers in Belt Conveyor System using k-Star Algorithm[J]. Measurement 133, (2019): 341-349.

[12] Ghoshal, S.K., Samanta, S.. Model based fault diagnosis of a belt conveyor through parameter estimation[P]. Recent Advances in Information Technology (RAIT), 2012 1st International Conference on,2012.

[13] 秦可凡.人工智能中遗传算法的研究与应用[J].中国战略新兴产业,2017(44):154+156.

[14] 张传伟,张俊男,赵东刚.带式输送机多轨道故障巡检系统设计[J].煤炭技术,2018,37(11):304-306.

[15] 马海龙,李臻,朱益军,陈思安.基于差分振子的带式输送机故障诊断方法[J].工矿自动化,2013,39(10):24-27.

[16]代伟,赵杰,杨春雨,马小平.基于双目视觉深度感知的带式输送机煤量检测方法[J].煤炭学报,2017,42(S2):547-555.

[17]冷军发,荆双喜,王志阳.基于WT特征增强的CICA带式输送机齿轮箱故障诊断[J].煤炭学报,2017,42(03):796-802.

[18]董秀明. 多级带式输送机联合调速系统的研究与设计[D].太原理工大学,2015.

[19] 毛映霞. 大型带式输送机全线监控与故障诊断策略的研究[D].合肥工业大学,2015.

[20]邵军.基于VB的输送机故障监控系统设计[J].煤矿机械,2013,34(12):209-210.

[21]刘江辉. 基于PLC的皮带机运行状态监测与综合保护系统开发[D].北京工业大学,2014.

[22]马宏伟,毛清华,张旭辉.矿用强力带式输送机智能监控技术研究进展[J].振动.测试与诊断,2016,36(02):213-219+396.

[23] 张卫峰,惠俊军.智能故障诊断技术的现状及展望[J].工业仪表与自动化装置,2017(05):21-24.

[24]周苏,胡哲,文泽军.基于K均值和支持向量机的燃料电池在线自适应故障诊断[J].同济大学学报(自然科学版),2019,47(02):255-260.

[25] 卓仁雄,肖金凤.基于改进的集合经验模态分解的电动机滚动轴承故障诊断研究[J].机械制造与自动化,2019,48(01):36-39.

[26] 张霄,钱玉良,邱正,张云.基于蜻蜓算法优化BP神经网络的燃气轮机故障诊断[J].热能动力工程,2019,34(03):26-32.

[27] 贺玉海,袁玉峰,郑先全,王勤鹏.船用中速双燃料发动机放热规律神经网络预测模型的开发[J].船舶工程,2018,40(06):55-60.

[28] Duan, ZX, Fans, GS. The Application Of Improved BP Neural Network In The Prediction Of Infiltration Reducing Rate With Cement Permeating River Sediment[J]. Fresenius Environmental Bulletin,2018,27(04):37-39.

[29] Biao Zhao.BP neural network based flexural strength prediction of open-porous Cu-Sn-Ti composites[J].Progress in Natural Science:Materials International,2018,28(03):315-324.

[30]管胜,阮方鸣,周奎,苏明,王珩,邓迪,李佳.BP神经网络预测电极速度影响放电参数分析[J/OL].电子科技,2019(06):1-7.

[31] 钮鑫. 带式输送机故障监控系统关键技术研究[D].中国地质大学(北京),2018.

[32] 徐欢,李振璧,姜媛媛,黄剑波,黄丹.基于OpenCV的输送带跑偏自动检测算法研究[J].工矿自动化,2014,40(09):48-52.

[33] 邢云峰,王在远,李世民.煤矿井下带式输送机故障树分析[J].起重运输机械,2011(09):71-73.

[34] 卜桂玲,彭巍,王丽.带式输送机输送带跑偏机理的研究[J].煤矿机械,2011,32(04):216-217.

[35] 郜立焕,周长生,杨玮,王佃武.基于带式输送机的多种状态监测与故障诊断[J].煤矿机械,2006(03):536-537.

[36] 崔扬扬. 可伸缩带式输送机故障诊断与对策[D].河北工程大学,2013.

[37] 陈崧.浅谈带式输送机输送带跑偏原因解决措施[J].科技与企业,2013(03):276-277.

[38] 林福严,李凌风,张晓如,张晓青.煤矿带式输送机故障分析[J].煤矿机械,2011,32(02):261-263.

[39] 黄民,魏任之.矿用钢绳芯带式输送机实时工况监测与故障诊断技术[J].煤炭学报,2005(02):245-250.

[40] 叶进,田永超.带式输送机输送带纵向撕裂监测系统[J].煤矿机械,2012,33(05):158-160.

[41] 李艳,张新,刘毅.基于虚拟仪器的钢绳芯带式输送机纵向撕裂检测研究[J].煤矿机械,2011,32(08):261-263.

[42] 王晓超. 基于Labview矿用输送带纵向撕裂视觉在线检测系统设计[D].太原理工大学,2016.

[43] 金鑫,任献彬,周亮.智能故障诊断技术研究综述[J].国外电子测量技术,2009,28(07):30-32.

[44]Xuewu Dai, Zhiwei Gao, Breikin, T., Hong Wang. Estimation delay compensation in high-gain observer-based parameter identification[P]. Decision and Control, 2009 held jointly with the 2009 28th Chinese Control Conference. CDC/CCC 2009. Proceedings of the 48th IEEE Conference on,2009.

[45] Paulson, J.A.,Raimondo, D.M.,Findeisen, R.,Braatz, R.D.,Streif, S.. Guaranteed active fault diagnosis for uncertain nonlinear systems[P]. Control Conference (ECC), 2014 European,2014.

[46] 朱大奇,于盛林.基于知识的故障诊断方法综述[J].安徽工业大学学报(自然科学版),2002(03):197-204.

[47] 肖健华,吴今培,陈世权.基于故障诊断专家数据库系统的模糊模式识别[J].模糊系统与数学,1999(01):43-48.

[48] Y. Tsukamoto, T. Terano. Failure diagnosis by using fuzzy logic[P]. Decision and Control including the 16th Symposium on Adaptive Processes and A Special Symposium on Fuzzy Set Theory and Applications, 1977 IEEE Conference on,1977.

[49] 杨迎化,唐大全,卢建华.神经网络在智能故障诊断技术中的应用及其发展趋势[J].测控技术,2003(09):1-5.

[50] Keerthi S, Shevade S K, Bhattacharyya C, et al.Improvements to Platt's SMO Algorithm for SVM Classifier Design[J]. Neural Computation,2014,13(3):637-649.

[51] Schuldt C, Laptev I, Caputo B. Recognizing Human Actions::A Local SVM Approach[C]. International Conference on Pattern Recognition. IEEE, 2004(03):32-36.

[52] 闻新,张兴旺,朱亚萍.智能故障诊断技术:MATLAB应用[M].北京航空航天大学出版社,2015:35-38.

[53] Cilimkovic M . Neural networks and back propagation algorithm[J].Institute of Technology Blanchardstown, Blanchardstown Road North Dublin,2015:15-17.

[54] 张旋.基于遗传算法优化BP神经网络的电机生产线故障诊断[D].合肥工业大学,2016.

[55] 李文娟.改进BP神经网络在水质评价中的应用研究[D].重庆理工大学,2011.

[56] Roisenberg M. Optimization of neural networks through grammatical evolution and a genetic algorithm[M]. Pergamon Press, Inc. 2016:51-54.

[57] Sun W, Xu Y . Financial security evaluation of the electric power industry in China based on a back propagation neural network optimized by genetic algorithm[J]. Energy,2016,101:366-379.

[58] Jacob S, Banerjee R. Modeling and optimization of anaerobic codigestion of potato waste and aquatic weed by response surface methodology and artificial neural network coupled genetic algorithm.[J].Bioresource Technology, 2016,214:386-395.

[59] 岳同森,王大海.一种改进的仿生算法研究与分析[J].软件,2011,32(03):60-62.

[60] Peng B, Li L. An adaptive genetic simulated annealing algorithm for QOS multicast routing[M].Multimedia,Computer Graphics and Broadcasting.Springer Berlin Heidelberg, 2011:338-338.

[61] Yang J, Zhao H Y.The research of floating-point codingimproved genetic algorithmin flatnesserror evaluation[J].Jingmi Gongcheng/Optics and Precision Engineering,2017,25(3):706-711.

[62] 彭宁云,文习山,陈江波,王一.电力变压器BP神经网络故障诊断法的比较研究[J].高压电器,2004(03):173-176.

[63] Deshpande M, Bajaj P R. Performance analysis of support vector machine for traffic flow prediction[C].Fifth International Conference on Computational and Information Sciences.IEEE,2013:133-136.

[64] 徐夏.基于改进粒子群算法和支持向量机的高炉炉温预测建模研究[D].燕山大学,2015.

[65] 徐晓璐,吴涛,顾宏.基于IPSO-SVM的地铁车辆牵引控制单元故障诊断[J].大连理工大学学报,2015(1):67-72.

[66] 刘达.基于支持向量机的风电机组故障智能分类方法及其应用[D].华北电力大学(北京), 2016.

[67] 王财胜.神经网络在大型电力变压器运行状态诊断中的应用研究[D].重庆大学硕士学位论文,2010.

[68] 王财胜,孙才新,廖瑞金.变压器色谱诊断中的故障诊断法[J].中国电机工程学报, 2014,17(5):1314-1319.

[69] 高宁,高文胜,严璋.基于模糊理论与自适应网络的油中气体分析诊断[J].电压技术, 2014,23(4):22-25.

[70] Courant R, Hilbert D.Methods of mathematical physics[J]. Physics Today, 1954,7(5):17.

[71] Vapnik .The Nature of Statistical Learning theory[M]. Springer-Verlag, New York, 1995:34-36.

中图分类号:

 TD528.1    

馆藏号:

 TD528.1/3502/2019    

备注:

 403-西院分馆博硕论文库;203-余家头分馆博硕论文库    

无标题文档

   建议浏览器: 谷歌 火狐 360请用极速模式,双核浏览器请用极速模式