基于SVM的无轨胶轮车全液压制动系统故障诊断研究

摘要

经国内外实践经验表明，矿用无轨运输设备在现代化矿井的运作中发挥着重要作用。与传统的运输方式相比，矿用无轨运输设备具有载重量大，速度快，效率高等独特优势，因此，可以在很大程度上提高矿井运输能力、生产能力和社会经济效益。其中，无轨胶轮车因其较好的灵活性得到广泛使用。为了提高行车安全性和制动可靠性，无轨胶轮车一般采用全液压双回路制动系统。由于煤矿井下环境比较恶劣，无轨胶轮车要长期承受巨大的工作负荷，同时在大载荷下车辆还要进行频繁的启动与制动等操作，因此制动回路中的制动器、蓄能器、充液阀以及液压管路等部件会不可避免地出现一些故障，使车辆在运输过程中失去控制，严重时则可能造成矿井人员伤亡，带来不必要的人财损失。因此，针对无轨胶轮车全液压制动系统进行故障诊断研究，对于煤矿安全、高效地生产具有重大价值。
　　首先，根据无轨胶轮车的全液压制动系统结构组成和重要工作参数，在AMESim环境下搭建了全液压制动系统仿真模型，得到前桥蓄能器、后桥蓄能器、前桥制动器、后桥制动器的压力输出曲线。结合全液压制动系统的工作原理，对系统的动态响应性能进行分析，验证了所建立AMESim仿真模型的合理性。同时，通过该仿真模型获得了前后桥蓄能器、前后桥制动器的压力输出数据，以及制动踏板压力输入数据，为下一步进行支持向量机故障诊断提供了可靠的原始数据样本。
　　其次，基于SVM回归预测故障诊断原理，建立了4个SVM回归预测模型，分别对前桥蓄能器压力、后桥蓄能器压力、前桥制动器压力以及后桥制动器压力进行了训练和校验，得到的建模误差和校验误差均在10-2~10-1数量级，验证了SVM模型的推广性能。再通过所建立的SVM回归预测模型对故障数据进行预测，结果发现在故障数据下得到的残差值发生突变，有效诊断出了相应的故障及其发生时间，验证了SVM在全液压制动系统故障诊断中的可行性。
　　为了进一步增强 SVM故障预测模型的诊断性能，有效提高故障诊断正确率，利用交叉验证、遗传算法以及粒子群算法分别对SVM故障预测模型的核参数g以及惩罚参数c进行优化。在最佳参数g和参数c下再次对SVM回归模型进行训练与预测，得到诊断效果更优的SVM故障预测模型，其预测精度由原来的10-3提升到10-5数量级，结果令人满意。
　　最后，基于Labwindows/CVI软件设计了一套全液压制动系统状态监测与故障诊断系统，通过友好的人机界面对液压制动系统的状态进行实时监控，并利用ActiveX技术调用MATLAB支持向量机故障预测模型程序，实现了对全液压制动系统的状态监测与故障诊断。

目录

声明

1 绪论

1.1 研究背景与意义

1.2 SVM故障诊断国内外研究现状

1.3 Labwindows/CVI与MATLAB简介

1.4 论文主要研究内容

2 基于AMEsim的全液压制动系统建模

2.1 全液压制动系统基本组成与工作原理

2.2 全液压制动系统建模

2.3 全液压制动系统动态性能分析

2.4 本章小结

3 基于SVM的全液压制动系统故障诊断

3.1 SVM算法基本理论

3.2 全液压制动系统SVM故障诊断原理

3.3 全液压制动系统故障模式分析

3.4 全液压制动系统SVM故障诊断

3.5 本章小结

4 全液压制动系统SVM故障预测模型参数优化

4.1 SVM模型参数优化目的

4.2 交叉验证参数寻优

4.3 遗传算法参数寻优

4.4 粒子群算法参数寻优

4.5 本章小结

5 故障诊断系统设计与实现

5.1 系统硬件结构

5.2 系统软件设计

5.3 系统故障诊断测试

5.4 本章小结

6 总结与展望

6.1 论文总结

6.2 工作展望

参考文献

附录

致谢

攻读学位期间取得的学术成果和获奖情况

学位论文数据集