智能化超重型岩巷掘进机动载荷识别系统的开发

摘要

本课题来源于国家863计划资源环境技术领域重大项目“煤炭智能化掘采技术与装备（一）”子课题“智能化超重型岩巷掘进机研制”（课题编号:2012AA06A405），是针对岩巷掘进机工作时，工况复杂、负载多变、动载荷实时识别难度大等问题而提出的。岩巷掘进机的动载荷识别是掘进机自动控制的重要组成部分，对提高掘进机智能化水平及使用寿命具有重要意义。近年来，岩巷掘进机在我国开采领域得到了越来越广泛的应用，但智能掘进技术仍处于起步阶段。煤矿井下现在使用的掘进机大多数自动调节水平较低，以司机凭经验手动操作为主。手动操作掘进机不仅劳动强度大，而且因难以及时准确判断截割载荷状态，导致截齿损耗严重。能否根据负载大小自动调节截割速度就显得尤为重要，而可靠的动载荷识别技术又是自动调节的必备条件。因此，开发智能化超重型岩巷掘进机动载荷识别系统具有非常重要的现实意义。
　　本文在分析岩巷掘进机截割机构动力学特性的基础上，结合先进的信号分析技术、智能识别技术及掘进机实际运行情况，并通过大量动载荷模拟试验，开发了智能化超重型岩巷掘进机动载荷识别系统。在查阅大量相关文献的基础上，阐述了智能化超重型岩巷掘进机动载荷识别系统在国内外研究现状及发展趋势。深入分析了不同工况下截割机构的载荷分布，确定了能有效反映截割头动载荷的物理参量，主要包括悬臂振动，截割电动机电流和回转、升降液压缸压力。根据岩巷掘进机截割机构有限的空间范围，选择了适用于井下恶劣环境的多种传感器，完成了监测信息的准确测量。结合项目的功能要求，设计了以数据采集卡及工控机为核心的智能化超重型岩巷掘进机动载荷总体方案。结合动载荷信号为随机信号，频率成分复杂、非平稳的特点，比较了傅里叶变换、小波变换及小波包变换的优缺点，确定了采用小波包变换作为信号处理及特征提取的工具。详细介绍了小波包特征能量提取步骤，并通过分析实测数据得到了振动、电流和压力信号的特征频段范围。结合所选特征频段，选择RBF神经网络及证据组合理论作为动载荷的智能识别方法，并对RBF神经网络和证据理论算法、结构及应用步骤进行简单分析，重点描述了组合神经网络信息识别原理，D-S证据理论动载荷识别原理及基于神经网络和D-S证据理论融合原理。在LabVIEW开发环境下设计了智能化超重型岩巷掘进机动载荷识别的相关应用软件，主要包括LabVIEW平台下MATLAB代码的调用、多传感信号同步采集、小波包特征量提取、神经网络动载荷识别、证据理论融合、数据存储管理以及人机显示界面等程序，并进行了功能调试，调试结果验证了应用软件的有效性。根据掘进机实际运行情况，设计了利用回转液压缸及升降液压缸压力信号先分工况再进行动载荷识别的方案。根据纵向钻进，水平切割，纵向切割三大类工况，系统采用三类工况识别网络。以此为前提，结合截割机构的振动数据、截割电动机的电流及液压缸压力数据，利用数据融合原理，构建了一级和二级RBF神经网络多传感器信息融合动载荷识别模型，提出了将神经网络与证据理论有机结合，优势互补的基于多神经网络与证据理论相融合的掘进机动载荷识别新方法。并用实测数据进行训练、测试及分析。

目录

声明

摘要

第一章 绪论

1．1 课题的研究背景和意义

1．2 课题的国内外发展现状

1．2．1 掘进机国内外研究现状

1．2．2 动载荷识别技术的国内外研究现状

1．3 本文研究目标及研究内容

第二章 智能化超重型岩巷掘进机截割机构的动力学分析

2．1 岩巷掘进机组成结构和工作原理

2．1．1 岩巷掘进机组成结构

2．1．2 岩巷掘进机工作原理

2．2 截割机构的运动学特性分析

2．2．1 截割方式

2．2．2 截齿载荷计算

2．2．3 截割头载荷分析

2．3 截割机构监测量的选取

2．3．1 基于机械振动的分析

2．3．2 基于截割电机的分析

2．3．3 基于液压缸的分析

2．4 本章小结

第三章 岩巷掘进机动载荷识别系统方案设计

3．1 系统设计原则及要求

3．1．1 设计原则

3．1．2 技术指标

3．2 系统方案设计

3．2．1 系统硬件结构

3．2．2 系统软件结构

3．3 动载荷识别系统硬件配置

3．3．1 传感器安装位置的确定

3．3．2 传感器的选型

3．3．3 数据采集卡选型

3．3．4 上位机配置

3．4 本章小结

第四章 岩巷掘进机动载荷智能识别方法的研究

4．1 小波包分析法的应用

4．1．1 小波包定义

4．1．2 小波包最优基的选择

4．1．3 小波包消噪在动载荷识别中的应用

4．2 小波包能量特征提取

4．3 动载荷信号的特征量提取

4．3．1 振动信号特征量提取

4．3．2 电流信号特征量提取

4．3．3 压力信号特征量提取

4．4 神经网络理论

4．4．1 人工神经网络在掘进机动载荷识别中的应用

4．4．2 RBF神经网络

4．4．3 组合神经网络

4．5 证据组合理论

4．6 基于神经网络和证据理论的载荷识别信息的融合

4．7 本章小结

第五章 岩巷掘进机动载荷识别系统软件开发

5．1 软件开发平台

5．2 信号采集程序设计

5．3 特征提取程序设计

5．4 RBF神经网络动载荷识别程序设计

5．4．1 RBF神经网络模型设计

5．4．2 RBF神经网络程序

5．5 证据理论融合程序设计

5．6 数据存储程序设计

5．7 人机界面设计

5．8 本章小结

第六章 试验及结果分析

6．1 基于RBF神经网络识别系统的测试及分析

6．1．1 一级网络系统的测试及分析

6．1．2 二级网络系统的测试及分析

6．2 基于神经网络和证据理论的融合识别系统的测试及分析

6．3 本章小结

第七章 研究结论及展望

7．1 研究结论

7．2 工作展望

参考文献

致谢

作者在攻读硕士期间的研究成果