首页> 中文学位 >采煤机摇臂振动信号分析及其截割模式识别方法研究
【6h】

采煤机摇臂振动信号分析及其截割模式识别方法研究

代理获取

目录

声明

致谢

变量注释表

1 绪论

1.1 课题来源及背景(Origin and Background)

1.2 课题研究现状及存在问题(Research Status and Problems)

1.3 课题研究内容与方法(Research Contents and Methods)

1.4 课题研究意义(Research Significance)

1.5 论文结构(Structure of Thesis)

2 采煤机摇臂振动机理及截割模式分析

2.1 采煤机的基本结构及工作机理(Basic Structure and Working Mechanism of Shearer)

2.2 采煤机摇臂振动基本原理(The Rationale of Shearer Rocker Arm Vibration)

2.3 采煤机截割模式分析(Shearer Cutting Pattern Analysis)

2.4 本章小结(Summary)

3 采煤机摇臂振动信号分析

3.1基于多阈值小波包的摇臂振动信号去噪(De-noising Shearer Rocker Arm Vibration Signal Based on Multi-threshold Wavelet Packet)

3.2 基于 EMD 的采煤机摇臂振动信号分解( Decomposition Shearer Rocker Arm Vibration Based on EMD)

3.3 基于多尺度模糊熵与拉普拉斯分值的摇臂振动信号特征向量提取(Extraction Rocker Arm Vibration Signal Eigenvector Based on MFE and LS)

3.4 本章小结(Summary)

4 基于改进支持向量机的采煤机截割模式识别

4.1 统计学习理论概论(Stastical Learning Theory)

4.2 支持向量机原理(Support Vector Machines)

4.3 基于人工鱼群与粒子群融合算法改进支持向量机(Improve SVM Based on Artificial Fish Swarm Algorithm and Particle Swarm Optimization)

4.4 基于改进支持向量机的采煤机截割模式识别(Shearer Cutting Pattern Recognition Based on Inproved SVM)

4.5 本章小结(Summary)

5 实验研究

5.1 实验研究对象及设备(Test Equipment and Objects)

5.2 采煤机摇臂振动信号分析及截割模式识别验证( Shearer Rocker Arm Vibration Signals Analysis and its Cutting Pattern Recognition Method Test)

5.3 本章小结(Summary)

6 总结与展望

6.1总结(Summary)

6.2展望(Forecast)

参考文献

作者简历

学位论文数据集

展开▼

摘要

采煤机是实现煤矿安全高效生产的关键设备之一,作为综采成套装备的主要组成部分,其智能化水平是实现综采工作面“无人化”或“少人化”关键因素,截割模式的准确识别是实现采煤机智能开采的前提,而采煤机摇臂的振动信号能够直接反映采煤机的截割状态。因此,有必要对采煤机摇臂振动信号及截割模式进行深入研究,为实现采煤机的自动截割和自适应控制奠定基础。实际工况中采煤环境极其恶劣,采煤机在运行过程中其摇臂同时受到截割煤壁、机身姿态突变、牵引速度波动等外界作用的干扰,表现为一种非线性复杂带噪信号。本文以采煤机摇臂复杂振动信号为研究对象,研究在不同时间尺度下的特征向量提取方法,建立采煤机截割模式分类模型,基于改进支持向量机实现不同截割模式的识别。
  本研究主要内容包括:⑴在分析采煤机基本结构及工作过程的基础上,研究了采煤机摇臂振动信号变化机理,论述了利用加速度信号进行截割模式识别的可行性,给出了不同顶、底板和煤层特性下的截割模式类别。⑵针对摇臂复杂振动信号信噪比、虚假分量和特征维数存在的问题,利用多阈值小波包对不同频段信号分别进行去噪处理;基于K.L散度剔除EMD分解过程中出现的虚假分量,并结合拉普拉斯分值,实现了振动信号的多尺度模糊熵特征提取。⑶为提高采煤机截割模式识别精度,提出了基于改进支持向量机的截割模式分类方法,研究了一种人工鱼群与粒子群融合的优化算法,实现了支持向量机核参数、惩罚因子的优化,并在此基础上设计了采煤机截割模式识别系统框架及实现流程。⑷搭建了摇臂振动信号采集系统,并在张家口煤矿机械有限公司国家能源采掘装备研发实验中心进行了地面实验。实验结果表明,基于融合算法改进的SVM截割模式识别精度为98.86%,高于人工鱼群改进SVM的97.15%和粒子群改进SVM的97.71%,验证了所提方法的正确性和有效性。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号