粗糙集与神经网络在煤矿主通风机故障诊断中的方法研究-控制科学与工程专业论文.docxVIP

万方数据 万方数据 致谢 时光的流逝也许是客观的，然而流逝的快慢却纯是一种主观的感受。当自 己终于可以从找工作、毕业论文的压力下解脱出来，长长地吁出一口气时，我 忽然间才意识到，原来研究生三年即将过去，到了该告别的时候了。 回首研究生生涯的点点滴滴，有太多需要感谢和感恩的人。首先我要感谢 我的导师马小平教授，在写论文的过程中遇到了很多困难，但是在马老师的指 点下，还是基本顺利完成了论文的撰写。在整个 3 年的学习生活中，马老师给 予我不断的支持和鼓励，使我冲出了迷茫，摆脱了失意，使我每日的生活充实 而富有意义。每周的研讨会上马老师对自动控制前沿领域的深度剖析，指明了 我日后继续研究的方向。再次向马老师表达我的崇敬之情。 感谢 304 实验室的缪燕子老师、常俊林老师、叶宾老师、杨春雨老师、 褚菲老师对我日常学习生活中的关心和帮助。 感谢徐州中矿云威有限公司的任子晖教授、王威师兄、吴新忠老师、梁纯 老师对我论文的指导和帮助。 感谢实验室的兄弟姐妹们在科研生活中对我的鼓励和帮助，特别感谢王前 进、张抗抗、马磊、闫戊辰、李方园、胡梦珂、黄培培、刘昊岳、叶俊峰等在 论文撰写过程中的意见和建议，谢谢！ 感谢我的家人对我的支持理解! 感谢所有帮助我的朋友，谢谢！ 最后，向百忙之中抽出时间审稿和参加论文答辩的老师们致以深深的谢意！ 摘 要 煤矿主通风机作为其通风系统的关键环节之一，具有“矿井肺腑”之称。 如何及时发现故障征兆，准确判断风机运行状态，并对出现的故障进行准确的 分析，已成为煤矿主通风机故障诊断方面所急需解决的问题。本课题以矿用对 旋轴流式通风机为研究对象，提出了建立基于粗糙集与 LVQ 神经网络的煤矿主 风机故障模型，与粗糙集和 BP 网络相结合的诊断模型进行仿真对比，表明该 模型对于故障的诊断实时性强、识别准确率高，是一种有效的故障诊断模型， 并实现了基于 DDE 的 Matlab 与组态王通信的实时 LVQ 网络故障诊断系统。 在深入研究煤矿主通风机故障机理的基础上，分析选取了故障的本质特征。 本课题探讨了就故障振动特性机理采用粗糙集故障方法的必要性，合理选择了 以振动信号为为主要特征信号，温度、噪声、出线柜二次侧电压电流等作为辅 助特征信号的并行诊断方法。并详细分析了煤矿主通风机现场的原始数据采集 方法。 为使属性约简集的存储空间小，降低约简的计算量，得到最优约简集，本 文提出一种改进的二进制可分辨矩阵属性约简算法，并进行了算法实例验证。 由于粗糙集只能处理离散对象，而采集的原始数据为连续数据，本文分析了几 种常见粗糙集离散方法的应用要点，提出采用启发式的 SOM 离散化模型，在 应用自组织特征映射网络离散化的同时结合对条件属性重要性的计算。 利用 Matlab 2010a 对本文所提出粗糙集与 LVQ 相结合的故障系统模型进行 仿真对比。先运用粗糙集理论对采集的原始数据进行预处理，删除冗余特征， 挖掘众故障特征中重要的最小属性集，减少 LVQ 网络的输入维数。针对 LVQ 神经网络隐含层神经元数并无先验确定公式的问题，本文提出利用交叉验证算 法来确定其最优隐含层神经元数。将最小属性集与全体属性集样本集分别输入 LVQ 神经网络进行训练，对比表明最小属性集样本的 LVQ 神经网络诊断实时 性好，预测精度高。同时最小属性集样本集分别输入 LVQ 神经网络和 BP 神经 网络训练对比，仿真结果表明合理目标误差内，LVQ 神经网络在诊断实时性和 准确率上都优于 BP 网络。最后通过 DDE 技术，实现了上位机组态王与 Matlab 的进程间数据共享，建立了基于 LVQ 神经网络的实时故障诊断系统。 该论文有图 25 幅，表 12 个，参考文献 74 篇。 关键词：粗糙集；LVQ 神经网络；组态王；DDE；故障诊断 I Abstract The main ventilator of coal mine, as one of the key aspects in the ventilation system, is known as the mine heart. How to timely detect failure symptoms, accurately determine the fan’s operation condition and accurately analysis the failures have become urgent problems for fan fault diagnosis. The issue takes mine rotating axial fan as the study object and proposes the establishment of coal mine main f