煤矿带式运输机故障预测系统的研究

摘要

带式运输机作为煤矿井下的核心运输设备，其稳定高效地运行尤为重要。目前煤矿带式运输机的健康管理主要依赖于人工定期巡检和实时故障诊断，前者容易导致维修不足和维修过剩，而后者无法预防故障的发生。针对当前煤矿带式运输机故障预防能力不足的问题，本文基于数据挖掘和神经网络预测方法，对煤矿带式运输机进行状态参数预测和故障类型识别。 论文的主要工作和创新点包括： （1）以赵固一矿现役带式运输机为研究对象，分析其基本结构和故障机理。研究设备传动系统三种故障的产生原因并筛选故障对应的监测参数，建立煤矿带式运输机故障数据信息库。针对传动系统故障影响因素种类多、数量大的问题，采用小波阈值和关联规则算法对其进行降噪、降维，挖掘出有效故障信息，提高数据的信息密度。 （2）针对目前煤矿带式运输机监控系统无法预测故障这一不足，建立基于DPNN神经网络的故障预测模型，为提高模型预测的精确度和自适应能力，采用极限学习和PSO-LM组合学习算法进行优化。将基于该算法的预测模型与PSO-LM算法、PSO算法和LM算法优化后的预测模型进行仿真对比，从而验证本文所提出预测方法的有效性。 （3）基于RBF神经网络建立煤矿带式运输机故障分类模型，与传统BP神经网络模型进行对比，通过实验仿真验证RBF神经网络的优越性。与离散过程神经网络进行组合，并结合实际数据对煤矿带式运输机故障状态进行预测，验证了组合模型预测的可靠性。 （4）针对实际工况和预测需求，选择相应的功能模块并设计预测系统的硬件结构。基于DPNN-RBF组合神经网络预测模型，采用C#与MATLAB混合编程对预测模型进行软件开发。系统实现了对运输机状态实时监测和故障预测功能，软件系统运行稳定、界面友好，易于操控。 本论文紧密结合当前煤矿智能化实际需求，将基于神经网络的故障预测方法应用于煤矿带式运输机。本文建立的故障预测系统具有实际应用价值，同时采用的技术和方法可供其他领域故障预测的研究提供参考。

目录

声明

致谢

1 绪论

1.1 研究背景与意义

1.1.1 煤矿行业概述

1.1.2 煤矿带式运输机故障诊断及预测技术研究意义

1.2 课题研究现状分析

1.2.1 故障预测技术研究现状

1.2.2 煤矿皮带运输机的故障诊断和预测研究现状

1.2.3 目前存在的问题

1.3 主要研究内容及论文结构安排

1.3.1 研究内容及创新点

1.3.2 论文结构安排

1.4 本章小结

2 带式运输机故障机理研究

2.1带式运输机的基本构成与工作原理

2.2带式运输机传输系统故障原理分析

2.2.1 皮带打滑

2.2.2 皮带跑偏

2.2.3输送带纵向撕裂

2.2.4输送带断带

2.2.5皮带超温故障

2.3本章小结

3 煤矿带式运输机故障数据分析

3.1煤矿带式运输机数据来源分析

3.2 基于小波理论的数据降噪方法

3.2.1小波变换和小波函数

3.2.2 基于小波阈值收缩的皮带运输机数据降噪方法

3.3 带式运输机故障强关联因素辨识

3.3.1 Relief算法

3.3.2 Relief-F算法与多类数据处理

3.3.3基于Relief-F算法的带式运输机故障强关联因素辨识

3.4实例分析

3.4.1基于小波阈值降噪的数据处理

3.4.2基于Relief-F算法的强关联因素分析

3.5本章小结

4 基于过程神经网络的带式运输机状态参数预测

4.1离散过程神经网络的状态参数预测模型

4.1.1 过程神经元模型

4.1.2 离散输入过程神经网络模型

4.2 PSO-LM组合算法

4.2.1 LM算法

4.2.2 粒子群算法

4.2.3 PSO-LM组合学习算法

4.3 网络权值更新算法

4.4 煤矿皮带运输机状态参数预测实例分析

4.5本章小结

5 基于径向基神经网络的带式运输机故障预测方法

5.1 径向基神经网络模型

5.1.1 径向基神经网络理论基础

5.1.2 径向基网络结构

5.1.3 径向基神经网络模型的构建

5.2 煤矿带式运输机故障预测方法及其原理

5.3 实例分析

5.3.1状态识别模型的建立

5.3.2 组合预测模型的准确性验证

5.4 本章小结

6 煤矿带式运输机故障预测系统设计

6.1 系统整体方案设计

6.2 预测系统硬件选型与设计

6.3.1软件架构和开发环境

6.3.2 C#与MATLAB混合编程技术

6.3.3 系统功能实现

6.4本章小结

7 总结和展望

7.1 总结

7.2 展望

参考文献

作者简历

学位论文原创性声明

学位论文数据集