采煤机摇臂振动测点优化配置及智能故障诊断.pdf

万方数据 万方数据 万方数据 万方数据 硕士学术学位、硕士非工程类专业学位 学位论文答辩信息表 论文题目 采煤机摇臂振动测点优化配置及智能故障诊断 课题来源* 省科技厅项目 论文答辩日期 2020-06-11 答辩秘书 谢嘉成 学位论文答辩委员会成员 姓名 职称 博导/硕导 工作单位 答辩委员 会主席 李秀红 教授 博导 太原理工大学 答辩委员 1 庞新宇 副教授 硕导 太原理工大学 答辩委员 2 崔红伟 副教授 硕导 太原理工大学 *课题来源可填 国家重点研发计划项目、 国家自然科学基金项目、 国家社 科基金项目、教育部人文社科项目、国家其他部委项目、省科技厅项目、省 教育厅项目、企事业单位委托项目、其他 万方数据 万方数据 摘 要 I 摘 要 采煤机作为煤炭开采的主要综采装备，其能否正常工作对企业的生产 效率及经济利益有着直接影响。 摇臂作为采煤机重要但易损部位， 它的好坏 直接影响着整个采煤机设备的工作状态与寿命周期。采煤机摇臂内部传动 系统庞大复杂， 其内部零部件可否正常工作影响着整个摇臂的工作状态， 因 此，实现对采煤机摇臂内部传动系统准确有效地监测并对其进行准确的故 障诊断十分重要。 针对上述问题， 提出了一种利用改进模拟退火算法获得摇 臂振动测点配置方案及基于深度学习的故障诊断方法。该方法不仅能够实 现对摇臂内部传动系统的准确监测，而且还可以对所检测信号进行智能故 障识别，极大程度地减少了人力劳动成本，提高了故障诊断效率。 针对采煤机摇臂内部传动系统监测的准确性问题，提出了基于改进模 拟退火算法的振动测点优化配置方法。基于振动测点优化配置理论建立相 应的目标函数，通过对采煤机摇臂壳体三维简化模型模态分析获取初始监 测点位置对应的模态位移数据， 作为振动测点优化配置计算的输入数据； 利 用改进的模拟退火算法对所建立的目标函数进行优化计算，最后综合考虑 将优化计算结果与采煤机实际工作环境，得到合理的摇臂振动测点配置方 案；同时验证了改进模拟退火算法良好的收敛性及稳定性。 研究了摇臂故障诊断的方法，提出了基于基于一维深度卷积神经网络 的故障诊断方法。通过采煤机摇臂加载实验台模拟摇臂截二轴齿轮正常工 作、齿面磨损、 齿面划伤、 因胶合造成齿面损坏与轴承外圈磨损五种工作状 态及摇臂故障高发区域的常见故障类型， 分别获取相应的振动信号数据， 同 时利用数据集增强技术进行处理得到训练集与测试集。 试验表明， 对于截二 轴数据集，一维深度卷积神经网络在训练集与测试集上的最大预测准确率 均为 100；对于摇臂故障高发区域的常见故障类型数据集，一维深度卷积 神经网络模型在训练集上的预测准确率最高为 100，在测试集上的故障诊 断准确率最高达到 99.697， 由此验证了一维深度卷积神经网络模型的可行 性与有效性。 为提高故障诊断的精度与稳定性，提出了一种基于一维深度卷积神经 网络与集成朴素贝叶斯分类器的故障诊断方法。利用集成学习 Bagging 算 法对朴素贝叶斯分类器进行集成，将传统一维深度卷积神经网络的输出层 Softmax 替换为集成朴素贝叶斯分类器，得到一种新的故障诊断混合模型。 利用摇臂截二轴齿轮正常工作、 齿面磨损、 齿面划伤、因胶合造成齿面损坏 万方数据 太原理工大学硕士学位论文 II 与轴承外圈磨损五种工作状态及摇臂故障高发区域的常见故障类型数据集 对所搭建的混合神经网络模型进行训练与测试， 结果表明， 混合神经网络模 型在故障诊断精度与稳定性两方面均优于传统一维深度卷积神经网络。 关键词关键词故障诊断；振动测点优化配置；改进的模拟退火算法；混合神经网 络模型；采煤机摇臂 万方数据 ABSTRACT III ABSTRACT As the main comprehensive mining equipment for coal mining, normal operation of the shearer has a direct impact on the production efficiency and economic benefits of the enterprise. As an important but vulnerable part of the shearer, the rocker directly affects the working status and life cycle of the entire shearer equipment. The internal transmission system of the rocker is huge and complicated, whether it can work normally affects the working state of the entire rocker. Therefore, it is very important to accurately and effectively monitor the internal transmission system of the shearers rocker and per accurate fault diagnosis on it. Aiming at the above problems, an improved simulated annealing algorithm to obtain vibration measuring points configuration scheme of rocker and a fault diagnosis based on deep learning is proposed. This can not only achieve accurate monitoring of the internal transmission system of the rocker, but also intelligently identify the detected signals, which greatly reduces labor costs and improves the efficiency of fault diagnosis. For the question of monitorring the internal transmission system of the shearers rocker accurately, a of vibration measuring points configuration based on improved simulated annealing algorithm is proposed. The corresponding objective function is established based on the theory of optimal configuration of vibration measuring points, and the modal displacement data corresponding to the position of initial measuring points is obtained by modal analysis of the three- dimensional simplified model of the shearer rocker shell, which is used as the data of optimal configuration calculation of vibration measuring points. Improved simulated annealing algorithm is used to optimize calculation of the objective function built. Finally, result of the optimal calculation and the actual working environment of the shearer are considered together, a reasonable rocker vibration point configuration scheme is obtained. At the same time, the convergence and stability of the improved simulated annealing algorithm is verified. The of fault diagnosis is researched,and a of fault diagnosis based on one dimensional deep convolutional neural network is proposed to achieve intelligent and efficient fault diagnosis.The shearers rocker loading test 万方数据 太原理工大学硕士学位论文 IV bench is used to simulate the five working states of the cutting two axes gear, which include normal working, tooth surface wear, tooth surface scratch, tooth surface damage due to gluing and bearing outer ring wear and the common fault types in the high-fault area of the shearers rocker, and corresponding vibration signal data was obtained. For the data set of cutting two axes, the maximum prediction accuracy of the one dimensional deep convolutional neural network on the training and test sets was 100; For the data set of the high-fault area of the shearers rocker, the accuracy of the one dimensional deep convolutional neural network model on the training set is 100, and the accuracy of the fault diagnosis on the test set is 99.697, which verifies effectiveness and feasibility of the one dimensional deep convolutional neural network. In order to improve accuracy and stablity a fault diagnosis, a fault diagnosis based on one dimensional deep convolutional neural network and ensemble naive bayes classifier is proposed. The Naive Bayes classifiers are integrated by using the ensemble learning Bagging algorithm and the output layer Softmax of the traditional one dimensional deep convolutional neural network is replaced with the ensemble Naive Bayes classifiers to obtain a new model of fault diagnosis. The data set of the five working states of the cutting two axes gear, which include normal working, tooth surface wear, tooth surface scratch, tooth surface damage due to gluing and bearing outer ring wear and the common fault types in the high-fault area of the shearers rocker is used to train and test hybrid neural network model built, which shows the stability and accuracy of the hybrid neural network model are superior to traditional one dimensional deep convolutional neural networks. Key Words Fault Diagnosis; Optimal Configuration of Vibration Measuring Points; Improved Simulated Annealing Algorithm; Hybrid Neural Network Model; Shearer Rocker 万方数据 目 录 V 目 录 摘 要 ..................................................................................................................................... I ABSTRACT ............................................................................................................................. III 第一章 绪论 ............................................................................................................................ 1 1.1 研究目的及意义 ............................................................................................................ 1 1.2 国内外研究现状 ............................................................................................................ 2 1.2.1 测点优化 ................................................................................................................. 2 1.2.2 智能故障诊断 ......................................................................................................... 3 1.2.3 采煤机故障诊断 ..................................................................................................... 4 1.3 主要研究内容 ................................................................................................................ 5 第二章 改进的模拟退火算法 ................................................................................................ 9 2.1 引言 ................................................................................................................................ 9 2.2 模拟退火算法概论 ........................................................................................................ 9 2.2.1 算法原理 ................................................................................................................. 9 2.2.2 算法组成要素 ......................................................................................................... 9 2.2.3 算法实现流程 ....................................................................................................... 10 2.3 模拟退火算法特点及应用 .......................................................................................... 11 2.4 算法的改进方案及实现 .............................................................................................. 12 2.4.1 改进原理 ............................................................................................................... 12 2.4.2 实现流程 ............................................................................................................... 13 2.5 小结 .............................................................................................................................. 14 第三章 基于改进模拟退火算法的采煤机摇臂振动测点优化配置 .................................. 15 3.1 引言 .............................................................................................................................. 15 3.2 振动测点优化配置方法 .............................................................................................. 15 3.2.1 振动测点优化配置理论 ....................................................................................... 15 3.2.2 振动测点优化配置数学模型 ............................................................................... 16 3.2.3 基于改进模拟退火算法的振动测点优化配置流程 ........................................... 17 3.3 采煤机摇臂振动测点优化配置 .................................................................................. 21 万方数据 太原理工大学硕士学位论文 VI 3.3.1 采煤机摇臂壳体有限元模型建立 ....................................................................... 21 3.3.2 采煤机摇臂壳体模态分析结果 ........................................................................... 22 3.3.3 采煤机摇臂振动测点优化配置结果 ................................................................... 24 3.4 小结 ............................................................................................................................. 27 第四章 基于一维深度卷积神经网络的摇臂故障诊断 ...................................................... 29 4.1 引言 ............................................................................................................................. 29 4.2 一维深度卷积神经网络结构及训练原理 ................................................................. 29 4.2.1 一维深度卷积神经网络结构 ............................................................................... 29 4.2.2 一维深度卷积神经网络训练原理 ....................................................................... 35 4.3 优化算法及数据集处理技术 ..................................................................................... 38 4.3.1 Adam 优化算法 .................................................................................................... 38 4.3.2 批量归一化算法 ................................................................................................... 39 4.3.3 数据集增强技术 ................................................................................................... 41 4.4 采煤机摇臂故障诊断试验 ......................................................................................... 42 4.4.1 采煤机摇臂传动系统故障分析 ........................................................................... 42 4.4.2 采煤机摇臂振动信号采集 ................................................................................... 43 4.4.3 采煤机摇臂故障诊断模型构建 ........................................................................... 43 4.4.4 采煤机摇臂故障诊断结果 ................................................................................... 44 4.5 小结 ............................................................................................................................. 49 第五章 基于 1DCNN 与集成朴素贝叶斯分类器的摇臂故障诊断 .................................. 51 5.1 引言 ............................................................................................................................. 51 5.2 贝叶斯网络理论 ......................................................................................................... 51 5.2.1 贝叶斯网络基础 ................................................................................................... 51 5.2.2 贝叶斯网络学习 ................................................................................................... 54 5.3 贝叶斯分类器 ............................................................................................................. 57 5.3.1 贝叶斯分类器理论 ............................................................................................... 57 5.3.2 朴素贝叶斯分类器 ............................................................................................... 58 5.4 1DCNN 与集成朴素贝叶斯分类器混合模型 ........................................................... 59 5.4.1 集成学习原理 ....................................................................................................... 59 5.4.2 采煤机摇臂故障诊断混合模型构建 ................................................................... 60 5.5 采煤机摇臂故障诊断试验结果 ................................................................................. 61 5.6 小结 ............................................................................................................................. 65 万方数据 目 录 VII 第六章 结论与展望 .............................................................................................................. 67 6.1 主要结论 ...................................................................................................................... 67 6.2 工作展望 ...................................................................................................................... 67 参考文献 .................................................................................................................................. 69 附 录 .................................................................................................................................. 73 攻读学位期间取得的科研成果 .............................................................................................. 75 致 谢 .................................................................................................................................. 77 万方数据 太原理工大学硕士学位论文 VIII 万方数据 绪论 1 第一章 绪论 1.1 研究目的及意义 近年来，虽然我国煤炭行业在去产能，但煤炭依然是我国的主要能源。煤炭工业不 仅支撑着我国电力、钢铁及铁路等行业的发展，而且还带动了国内经济的高速发展。目 前我国煤炭开采量占世界总开采量的 42左右，并且年开采量仍以 10的增长率增长。 因此，为了使我国煤炭年开采量处于稳定上升趋势，煤炭开采设备的正常工作是十分必 要的。采煤机作为煤炭开采的主要大型机械设备，在各个煤矿的煤炭开采中扮演着必不 可少的角色，但出于采煤机恶劣的作业环境及其长期受到交变动载荷作用的原因，部分 零部件因过载或者疲劳很容易出现电气故障、液压故障及机械故障，从而导致采煤机无 法正常工作。其中采煤机摇臂是最易发生故障的部位，其能否正常工作直接影响着整个 采煤机的生成效率与企业的经济效益。采煤机摇臂出现故障有两点原因，第一是采煤机 摇臂的传动系统中齿轮制造误差、安装误差及轴不对中等造成摇臂激烈振动；第二是由 于外载荷作用导致传动系统内部齿轮或轴承出现疲劳破坏，或由于承受剧烈载荷导致壳 体发生较大变形或者扭转振动。在采煤机传动系统中，齿轮故障占总故障的 60，轴承 故障占大约 30，因此，对采煤机摇臂传动系统进行准确地监测与故障诊断十分必要。 目前，经验法仍是采煤机摇臂监测所使用的方法之一，从而导致监测不准确及所获 监测数据不可靠等问题，进而给技术人员或企业带来困惑。对于摇臂的故障诊断方法， 传统技术手段，如时频域分析，特征提取等仍是企业或技术人员所采用的方法，不仅对 专业知识及技能要求高，而且还会经常出现故障诊断错误的情况，很大程度上浪费了人 力物力。深度学习作为 21 世纪人工智能研究领域中的重要算法，已被广泛应用于各学 科领域。深度卷积神经网络作为深度学习分类算法中的佼佼者，在计算机视觉、语音识 别及文本分类等研究中备受青睐。而故障诊断研究实属类别分类问题研究，因此也为深 度卷积神经网络应用的一个重要领域。 本文研究的目的是将优化算法应用于振动测点优化配置方法中，可以准确地获取振 动测点优化配置结果，最终得到摇臂的测点配置方案，以最少数量的监测点获取最多且 最准确的振动信息，进而为采煤机摇臂的故障诊断提供数据基础；其次将深度学习算法 应用于摇臂的故障诊断研究之中，有效地提高故障诊断的效率及准确率，进而提高企业 的经济效益及竞争力。本文提出的采煤机摇臂振动测点优化配置及智能故障诊断方法具 有以下 4 点意义 （1）减少传感器购买成本。以尽可能少的传感器数量监测到尽可能多的模态信息 是节约成本及提高所采数据准确性的的重要技术手段。传感器属于精密仪器，造价高， 万方数据 太原理工大学硕士学位论文 2 因此，安装太多数量的传感器势必造成不必要的成本。 （2） 故障诊断实现智能化与高效化。 深度学习作为人工智能重要分支， 将其应用于 故障诊断研究领域之