基于asgso----rbf算法的采煤机滚动轴承故障诊断研究大学毕业设计论文.docVIP

硕士学位论文 作者姓名 指导教师 工程领域 电气工程 二0一五年六月  关于论文使用授权的说明 本学位论文作者及指导教师完全了解***大学有关保留、使用学位论文的规定，同意***大学保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅，学校可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。 保密的学位论文在解密后应遵守此协议 学位论文作者签名：____________ 导师签名：_____________ 年 月 日 年 月 日  硕 士 学 位 论 文 作者姓名 *** 指导教师 *** 副教授 申请学位 工程硕士 工程领域 电气工程 研究方向 计算机检测与人工智能 致 谢 光阴如梭，两年的研究生学习生活即将结束。在学位论文结稿之际，向我的老师们、同学们致以最真挚的感谢！老师们课堂上的激情洋溢，课堂下的谆谆教诲同学们在学习中的认真热情，生活上的热心主动，所有这些都让我的年充满了感动。感谢实验室的兄弟姐们以及已经毕业的师兄师姐们，谢谢你们在科研创新与论文写作方面给予我的支持与帮助。从他们的身上我学习到了很多优良品与理论知识，这些都将鞭策着我不断发展与进步。 感谢父母对我的养育之恩，感恩他们25年来无微不至的关心、鼓励和理解，使我能顺利度过这漫长而艰难的求学生涯，并最终完成学业。他们的支持和期盼是我永久的动力。 提出RBF神经网络(RBF，RBF Neural Network)与自适应步长萤火虫算法(ASGSO，self-Adaptive Step Glowworm Swarm Optimization)相 RBF神经网络具备了强大的时变数据处理能力及网络稳定性，因此更能直接表征本质非线性系统的动态特性。以小波包和RBF神经网络为基础，提出了由小波包分解提取各个节点特征能量谱与自适应步长萤火虫算法优化的RBF神经网络进行分类辨识的采煤机故障诊断方法。对振动传感器输出的信号进行小波包分解，运用基于代价函数的局域判别基(LDB)算法对小波包分解进行裁剪，获取最优的特征能量谱，经处理后作为特征向量训练ASGSO-RBF神经网络，建立诊断模型。充分利用经改进后的ASGSO算法强大的全局多目标搜索能力对RBF的权值与在求解空间中进行快速精确的在线搜索，并结合辨识理论建立基于ASGSO-RBF耦合算法的采煤机故障辨识系统。利用到的各进行辨识验，结果表明：在较高学习效率的前提下，其辨识精度和泛化能力明显强于单一的RBF神经网络、GSO-RBF耦合模型以及工程常用的BP神经网络且具有较强的鲁棒性。该方法对灾害防治提供了理论。关键词：采煤机非线性系统；辨识模型；ASGSO-RBF耦合算法 Coal resources has a very important position and role in Chinese energy system structure. As the key equipment of coal mine production process, sheareris a complex machine, which is a mechanical, electronic, electric, hydraulic, and so on. The shearerequipment safe and stable operation is very important for ensuring the safety of coal production and promoting enterprise production efficiency. Because sheareris often in wet, dust particles, electromagnetic interference and other complex downhole environment, bearing damage and other shearerkey parts failure often happens to shearer. Once such failure occurs, will lead to the entire coal mine production process stagnation, and even paralysis. For shearer rolling bearing fault, this paper in-depth research and analy