矿井风机故障智能诊断研究
|
摘要
随着机械设备的日趋复杂,其日常生产中的可靠性和安全性及维护问题已经引起人们的极大关注。能够建立准确地定位和及时地诊断故障诊断系统是解决这一问题的关键。矿井通风机是煤矿企业的重要供风设备,其故障是导致瓦斯爆炸的主要原因之一。因此,对矿井通风机实施故障检测与诊断具有重大意义。本文以粗糙集和人工神经网络等理论为基础,重点研究了故障特征约简和BP神经网络在风机故障诊断中的应用,以基于粗糙集--神经网络的智能诊断方案,实现对矿井通风机常见机械故障的有效诊断。
本文主要从以下几个方面作了探索性尝试:
(1)根据粗糙集和神经网络各自的优缺点,选择矿井风机作为基于两者相结合的故障诊断模型的研究对象。在粗糙集理论基础上,讨论了数据的离散化问题、样本数据的约简问题。
(2)对BP神经网络理论及结构和算法做了相应分析研究,了解了神经网络集成思想和模式,以及故障诊断中集成神经网络的应用,并利用MATLAB的神经网络工具箱进行数据训练及仿真。
(3)选取UCI数据集中提供的风机故障样本作为本课题研究中仿真的原始数据样本,应用粗糙集的约简方法对大样本进行属性约简,结合BP神经网络完成矿井风机的故障诊断。
(4)通过神经网络诊断结果和粗糙集--神经网络的诊断结果的对比,在简化网络结构的和提高训练速度方面做了分析,通过实例仿真说明约简对于大样本故障诊断是可行的。最后,证明了利用粗集作为神经网络诊断的数据预处理在风机故障诊断中的可行性及优势。
With the increasingly complex of mechanical equipment, the reliability and safety and maintenance problems of daily production have aroused people's attention. In order to solve this problem,build timely and accurate positioning and diagnosis fault diagnosis system is the key. Coal mine ventilator is important for enterprise's ventilation equipment, its fault is one of the main reasons led to the gas explosion. Therefore, it’s a great significance to implementation of fault detection and diagnosis for mine ventilator. Based on rough sets and artificial neural network theory, focus on the fault feature reduction and the BP neural network fault diagnosis in the application of fan , proposed a scheme of intelligent diagnosis of the mine ventilator based on the rough set - neural network, in order to realize common mechanical fault diagnosis effectively.
This article try several aspects exploratory as follows:
(1) Based on the advantages and disadvantages of rough sets and neural network ,choose mine fan as research object for this fault diagnosis model. Discussed the discretization and reduction problem, illustrates its related problems such as classification ability and decision accuracy .
(2) Study and analyzed the structures and algorithms of the BP neural network theory and Integrated neural network. Achieves the training and simulation using the neural network toolbox of MATLAB .
(3) In this topic, selected the dataset UCI sample as fan fault sample, used the rough sets reductied the sample, and combined with BP neural network finished the fault diagnosis of mine fan.
(4) Compared the results between the two methods, which the neural network diagnosis and rough set neural network diagnosis, an example show the diagnosis model is feasible for Large sample data.Finally, It is proved that neural network using rough sets is feasibility and advantage of fault diagnosis.
本文主要从以下几个方面作了探索性尝试:
(1)根据粗糙集和神经网络各自的优缺点,选择矿井风机作为基于两者相结合的故障诊断模型的研究对象。在粗糙集理论基础上,讨论了数据的离散化问题、样本数据的约简问题。
(2)对BP神经网络理论及结构和算法做了相应分析研究,了解了神经网络集成思想和模式,以及故障诊断中集成神经网络的应用,并利用MATLAB的神经网络工具箱进行数据训练及仿真。
(3)选取UCI数据集中提供的风机故障样本作为本课题研究中仿真的原始数据样本,应用粗糙集的约简方法对大样本进行属性约简,结合BP神经网络完成矿井风机的故障诊断。
(4)通过神经网络诊断结果和粗糙集--神经网络的诊断结果的对比,在简化网络结构的和提高训练速度方面做了分析,通过实例仿真说明约简对于大样本故障诊断是可行的。最后,证明了利用粗集作为神经网络诊断的数据预处理在风机故障诊断中的可行性及优势。
With the increasingly complex of mechanical equipment, the reliability and safety and maintenance problems of daily production have aroused people's attention. In order to solve this problem,build timely and accurate positioning and diagnosis fault diagnosis system is the key. Coal mine ventilator is important for enterprise's ventilation equipment, its fault is one of the main reasons led to the gas explosion. Therefore, it’s a great significance to implementation of fault detection and diagnosis for mine ventilator. Based on rough sets and artificial neural network theory, focus on the fault feature reduction and the BP neural network fault diagnosis in the application of fan , proposed a scheme of intelligent diagnosis of the mine ventilator based on the rough set - neural network, in order to realize common mechanical fault diagnosis effectively.
This article try several aspects exploratory as follows:
(1) Based on the advantages and disadvantages of rough sets and neural network ,choose mine fan as research object for this fault diagnosis model. Discussed the discretization and reduction problem, illustrates its related problems such as classification ability and decision accuracy .
(2) Study and analyzed the structures and algorithms of the BP neural network theory and Integrated neural network. Achieves the training and simulation using the neural network toolbox of MATLAB .
(3) In this topic, selected the dataset UCI sample as fan fault sample, used the rough sets reductied the sample, and combined with BP neural network finished the fault diagnosis of mine fan.
(4) Compared the results between the two methods, which the neural network diagnosis and rough set neural network diagnosis, an example show the diagnosis model is feasible for Large sample data.Finally, It is proved that neural network using rough sets is feasibility and advantage of fault diagnosis.
引文
[1]龚晓燕,黄雷,薛河.基于Web的矿井局部通风故障诊断专家系统.煤矿机械[J].第29卷第5期. 218-219.
[2]龚晓燕,陶新利,薛河.矿井局部通风设备故障诊断信息系统的建立与开发[J].矿山机械. 2006年8月.
[3]孙一奇.基于PROFIBUS-DP现场总线的掘进工作面多局部通风机监测监控系统的研究[D].太原理工大学. 2006年.
[4]葛欣.基于知识的矿井通风机故障诊断的研究[D].中国矿业大学2010.
[5]煤矿井下紧急避险系统研究.中国矿业大学.煤炭资源与安全开采国家重点实验室. 100083.
[6] 2010年中国矿难一览表.百度文库. http://wenku.baidu.com/view.
[7] Http://news.sohu.com/20110225/n279530894.shtml.
[8]吕蓬.旋转机械故障模式识别方法研究[D].华北电力大学. 2010年4月.
[9]刘清龙.火电厂风机状态监测与故障诊断系统研究[D].武汉大学2005.
[10]牛小玲.基于集成神经网络的风机故障诊断系统的研究[J].煤矿机械. 2006.05.
[11] Hardcastle.S.G. Testing stench gas emergency warning systems with an odourless surrogate gas. Journal of the Mine Ventilation Society of South Africa, 54(2),2001,15~21.
[12] Leszek W. Lunarzewski. Gas emission prediction and recovery of underground of coal mines. International Journal of coal geology,1998 (35):117~145.
[13]陈士玮,胡亚非. KJZ-2型矿井主通风机在线监测系统[J].流体机械. 2000. (28): 40~42.
[14] W.K.Taylor. Electrical Simulation of Some Nervors System Functional Activities[J]. Information Theory,E.C.Cherry(Eds),London:Butterworths,1956.
[15]毕天姝,倪以信,吴复立等.基于混合神经网络和遗传算法的故障诊断系统[J].现代电力. 2005.22(01):31~36.
[16]虞和济,陈长征等.基于神经网络的智能诊断[M].冶金工业出版社. 1999.
[17]范兴铎.基于粗集—神经网络的智能混合故障诊断系统的研究[D].浙江工业大学. 2006.
[18]苏剑飞.基于粗糙集和神经网络的故障诊断方法研究[D].中北大学. 2007.
[19]孙召瑞,苏波,贾民平.液压系统故障诊断专家系统的知识获取[J].工程机械. 2004(3).
[20]曾祥鸿.矿井主通风机的振动监测与智能诊断[D].徐州:中国矿业大学. 2000.
[21]李国华,张永忠.机械故障诊断[M].化学工业出版社.
[22]冯华光.基于小波神经网络的矿井局部通风机故障检测与诊断研究[D].西安科技大学. 2008年4月.硕士学位论文.
[23]宋子辉.基于模糊神经网络技术的D350高速风机故障诊断系统研究[D].中南大学.2003.
[24]蒋宗礼.人工神经网络导论[M].北京.高等教育出版社. 2001.
[25]隋光磊.基于粗糙集和神经网络相结合的故障诊断模型研究[D].中国民航大学.2008.
[26]胡波.基于粗糙集理论与BP神经网络结合的火电厂风机故障诊断研究[D].太原理工大学. 2008.
[27]韩力群.人工神经网络教程[M].北京.北京邮电大学出版社. 2006.
[28]韩力群.智能控制理论及应用[M].机械工业出版社. 2008.1(96-98).
[29]廖志辉.基于模糊推理和BP神经网络的机械故障智能诊断系统的研发[D].重庆大学.2004.
[30]徐玉秀,邢刚,原培新.基于专家系统与神经网络集成的故障诊断的应用研究[J].振动与冲击. 2001.20(1):41-43.
[31]杨杰,黄欣,郭英凯.用于故障诊断的集成型智能系统[J].上海交通大学学报. 1998, 32(6) :14-18.
[32]栗青,陈长征.集成神经网络在旋转机械故障诊断中的应用[J].沈阳工业大学学报. 2001, 23(4):339-341.
[33]王毅.风机故障诊断的集成神经网络信息融合法[J].风机技术. 2005年第2期.计算机应用.
[34] R.Rengaswamy, Venkat V.A Syntactic Pattern-recognition Approach for Process Monitoring Fault Diagnosis.Engng. Applic.Artif,Intell.,1995,8(1):35-51.
[35]夏卫星. BP网络在内燃机故障诊断中的应用[J].机械,2001(6):17-19.
[36]张炜,张优云,战仁军等.旋转机械故障诊断中的神经网络改进算法研究[J].振动工程学报, 1996(1):31-37.
[37]胡凯成,孔凡让,李川奇.神经网络诊断模型的隐层压缩算法[J].振动工程学报, 1997 (3):356-361.
[38]彭文季,罗兴崎,赵道利.基于频谱法与径向基函数网络的水电机组振动故障诊断[J].中国电机工程学报, 2006,26(9):154-158
[39]戎丽霞.基于遗传BP算法的神经网络在桩基检测中的应用[D].长沙理工大学硕士学位论文. 2004
[40]周开利,康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社, 2005.7.
[41] T.P.Vogl,J.K.Mangis,A.K.Zigler,W.T.Zink and D.L.Alkon.Accelerating the convergence of the backpropagation method[J].Biological Cybernetics.1988,Vol.59,256-264.
[42]张铮.不完备不协调信息条件下的设备智能故障诊断[D].华中科技大学. 2006.
[43] Z.Pawlad.Rough Sets[J].International Journal of Computer and Infornation Sciences,1982,11:341-356 .
[44]王国胤. Rough集理论与知识获取[M].西安:西安交通大学出版社. 2001:10-30.
[45]皮骏.基于粗糙集理论的旋转机械故障诊断技术[D].西北工业大学.2007.
[46]王成江.基于粗糙集和神经网络的故障诊断方法[D].华东理工大学.2004.
[47]甄宇峰.基于粗糙集的知识约简算法研究及应用[D].江苏大学.2010
[48]王兵,陈善本.一种基于差别矩阵的属性约简完备算法[J].上海交通大学学报, 2004,38(1):43-47.
[49] Staal V.,Aleksander.Minimal Approximate Hitting Sets and Rule Templates[J]. Internatinal Journal of Approximate Reasoning,2000,25:123-143.
[50]苗夺谦,王珏.粗糙集理论中概念与运算的信息表示[J].软件学报, 1999, 10(2): 113-116
[51]米据生,吴伟志,张文修.基于变精度粗糙集理论的知识约简方法[J].系统工程理论与实践, 2004,24(1):76-82.
[52] Sai Ying,Y.Y Yao.Analyzing and Mining Ordered Information Tables[J].Journal of Computer&Technology,2003,18(6):771-779.
[53]陈德刚,刘民,吴澄等.模糊信息系统的代数结构及其约简[J].清华大学学报, 2003,43 (9):1233-1235,1264 .
[54]马君华.粗糙集属性约简和聚类算法及其在电力自动化中的应用研究[D].华中科技大学.2010.
[55] Hu X H.Cercone N.Learning in Relational Database:a Rough Set Approach[J]. Computational Intelligence.1995,11(2),323-338.
[56]胡莹坚.粗糙集理论及其在神经网络中的应用研究[D].浙江大学.2007.
[57]郝丽娜,王伟等.粗采集-神经网络故障诊断方法研究.东北大学学报(自然科学版)[J]. 2003年3月.
[58]谭青,侯宾,郑京杰.频谱分析法在风机故障诊断中的应用[J].风机技术. 1998年03期.
[59]荆双喜,华伟.基于小波-支持向量机的矿用通风机故障诊断[J].煤炭学报.2007. 32(1):98~102.
[60]冷军发,荆双喜,李臻.通风机故障诊断的研究[J].煤矿机电.2003年第2期.
[61]欧阳涛.旋转叶片振动性能参数测试技术研究[D].天津大学.2008年.
[62]罗跃纲,陈长征.旋转机械故障的灰色网络诊断分析[J].风机技术.2001.04.
[63]程勒.利用噪声频谱进行风机故障诊断[J].无损检测. 2002年4月.
[64]杨宏晖,侯宏,曾向阳等.基于声信号人耳听觉谱特征的风机故障诊断[J].仪器仪表学报.2009年1月.
[65]刘玲萍.煤矿局部通风机降低噪声的方法[J].中国西部科技. 2008年6月.
[66]张志刚.浅谈煤矿通风机产生噪声的原因[J].黑龙江科技信息.
[67]风机和罗茨风机噪声测量方法.中华人民共和国国家标准[S]. 2007年7月.
[68]李蒙.基于粗糙集混合推理的矿井风机故障诊断研究[D].中国矿业大学.2009年.
[69]李蒙,柏杏丽.基于粗糙集的矿井风机故障规则提取[J].煤矿安全. 2009.09.
[70]王江萍.机械设备故障诊断技术及应用[M].西北工业大学出版社. 2004.
[2]龚晓燕,陶新利,薛河.矿井局部通风设备故障诊断信息系统的建立与开发[J].矿山机械. 2006年8月.
[3]孙一奇.基于PROFIBUS-DP现场总线的掘进工作面多局部通风机监测监控系统的研究[D].太原理工大学. 2006年.
[4]葛欣.基于知识的矿井通风机故障诊断的研究[D].中国矿业大学2010.
[5]煤矿井下紧急避险系统研究.中国矿业大学.煤炭资源与安全开采国家重点实验室. 100083.
[6] 2010年中国矿难一览表.百度文库. http://wenku.baidu.com/view.
[7] Http://news.sohu.com/20110225/n279530894.shtml.
[8]吕蓬.旋转机械故障模式识别方法研究[D].华北电力大学. 2010年4月.
[9]刘清龙.火电厂风机状态监测与故障诊断系统研究[D].武汉大学2005.
[10]牛小玲.基于集成神经网络的风机故障诊断系统的研究[J].煤矿机械. 2006.05.
[11] Hardcastle.S.G. Testing stench gas emergency warning systems with an odourless surrogate gas. Journal of the Mine Ventilation Society of South Africa, 54(2),2001,15~21.
[12] Leszek W. Lunarzewski. Gas emission prediction and recovery of underground of coal mines. International Journal of coal geology,1998 (35):117~145.
[13]陈士玮,胡亚非. KJZ-2型矿井主通风机在线监测系统[J].流体机械. 2000. (28): 40~42.
[14] W.K.Taylor. Electrical Simulation of Some Nervors System Functional Activities[J]. Information Theory,E.C.Cherry(Eds),London:Butterworths,1956.
[15]毕天姝,倪以信,吴复立等.基于混合神经网络和遗传算法的故障诊断系统[J].现代电力. 2005.22(01):31~36.
[16]虞和济,陈长征等.基于神经网络的智能诊断[M].冶金工业出版社. 1999.
[17]范兴铎.基于粗集—神经网络的智能混合故障诊断系统的研究[D].浙江工业大学. 2006.
[18]苏剑飞.基于粗糙集和神经网络的故障诊断方法研究[D].中北大学. 2007.
[19]孙召瑞,苏波,贾民平.液压系统故障诊断专家系统的知识获取[J].工程机械. 2004(3).
[20]曾祥鸿.矿井主通风机的振动监测与智能诊断[D].徐州:中国矿业大学. 2000.
[21]李国华,张永忠.机械故障诊断[M].化学工业出版社.
[22]冯华光.基于小波神经网络的矿井局部通风机故障检测与诊断研究[D].西安科技大学. 2008年4月.硕士学位论文.
[23]宋子辉.基于模糊神经网络技术的D350高速风机故障诊断系统研究[D].中南大学.2003.
[24]蒋宗礼.人工神经网络导论[M].北京.高等教育出版社. 2001.
[25]隋光磊.基于粗糙集和神经网络相结合的故障诊断模型研究[D].中国民航大学.2008.
[26]胡波.基于粗糙集理论与BP神经网络结合的火电厂风机故障诊断研究[D].太原理工大学. 2008.
[27]韩力群.人工神经网络教程[M].北京.北京邮电大学出版社. 2006.
[28]韩力群.智能控制理论及应用[M].机械工业出版社. 2008.1(96-98).
[29]廖志辉.基于模糊推理和BP神经网络的机械故障智能诊断系统的研发[D].重庆大学.2004.
[30]徐玉秀,邢刚,原培新.基于专家系统与神经网络集成的故障诊断的应用研究[J].振动与冲击. 2001.20(1):41-43.
[31]杨杰,黄欣,郭英凯.用于故障诊断的集成型智能系统[J].上海交通大学学报. 1998, 32(6) :14-18.
[32]栗青,陈长征.集成神经网络在旋转机械故障诊断中的应用[J].沈阳工业大学学报. 2001, 23(4):339-341.
[33]王毅.风机故障诊断的集成神经网络信息融合法[J].风机技术. 2005年第2期.计算机应用.
[34] R.Rengaswamy, Venkat V.A Syntactic Pattern-recognition Approach for Process Monitoring Fault Diagnosis.Engng. Applic.Artif,Intell.,1995,8(1):35-51.
[35]夏卫星. BP网络在内燃机故障诊断中的应用[J].机械,2001(6):17-19.
[36]张炜,张优云,战仁军等.旋转机械故障诊断中的神经网络改进算法研究[J].振动工程学报, 1996(1):31-37.
[37]胡凯成,孔凡让,李川奇.神经网络诊断模型的隐层压缩算法[J].振动工程学报, 1997 (3):356-361.
[38]彭文季,罗兴崎,赵道利.基于频谱法与径向基函数网络的水电机组振动故障诊断[J].中国电机工程学报, 2006,26(9):154-158
[39]戎丽霞.基于遗传BP算法的神经网络在桩基检测中的应用[D].长沙理工大学硕士学位论文. 2004
[40]周开利,康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社, 2005.7.
[41] T.P.Vogl,J.K.Mangis,A.K.Zigler,W.T.Zink and D.L.Alkon.Accelerating the convergence of the backpropagation method[J].Biological Cybernetics.1988,Vol.59,256-264.
[42]张铮.不完备不协调信息条件下的设备智能故障诊断[D].华中科技大学. 2006.
[43] Z.Pawlad.Rough Sets[J].International Journal of Computer and Infornation Sciences,1982,11:341-356 .
[44]王国胤. Rough集理论与知识获取[M].西安:西安交通大学出版社. 2001:10-30.
[45]皮骏.基于粗糙集理论的旋转机械故障诊断技术[D].西北工业大学.2007.
[46]王成江.基于粗糙集和神经网络的故障诊断方法[D].华东理工大学.2004.
[47]甄宇峰.基于粗糙集的知识约简算法研究及应用[D].江苏大学.2010
[48]王兵,陈善本.一种基于差别矩阵的属性约简完备算法[J].上海交通大学学报, 2004,38(1):43-47.
[49] Staal V.,Aleksander.Minimal Approximate Hitting Sets and Rule Templates[J]. Internatinal Journal of Approximate Reasoning,2000,25:123-143.
[50]苗夺谦,王珏.粗糙集理论中概念与运算的信息表示[J].软件学报, 1999, 10(2): 113-116
[51]米据生,吴伟志,张文修.基于变精度粗糙集理论的知识约简方法[J].系统工程理论与实践, 2004,24(1):76-82.
[52] Sai Ying,Y.Y Yao.Analyzing and Mining Ordered Information Tables[J].Journal of Computer&Technology,2003,18(6):771-779.
[53]陈德刚,刘民,吴澄等.模糊信息系统的代数结构及其约简[J].清华大学学报, 2003,43 (9):1233-1235,1264 .
[54]马君华.粗糙集属性约简和聚类算法及其在电力自动化中的应用研究[D].华中科技大学.2010.
[55] Hu X H.Cercone N.Learning in Relational Database:a Rough Set Approach[J]. Computational Intelligence.1995,11(2),323-338.
[56]胡莹坚.粗糙集理论及其在神经网络中的应用研究[D].浙江大学.2007.
[57]郝丽娜,王伟等.粗采集-神经网络故障诊断方法研究.东北大学学报(自然科学版)[J]. 2003年3月.
[58]谭青,侯宾,郑京杰.频谱分析法在风机故障诊断中的应用[J].风机技术. 1998年03期.
[59]荆双喜,华伟.基于小波-支持向量机的矿用通风机故障诊断[J].煤炭学报.2007. 32(1):98~102.
[60]冷军发,荆双喜,李臻.通风机故障诊断的研究[J].煤矿机电.2003年第2期.
[61]欧阳涛.旋转叶片振动性能参数测试技术研究[D].天津大学.2008年.
[62]罗跃纲,陈长征.旋转机械故障的灰色网络诊断分析[J].风机技术.2001.04.
[63]程勒.利用噪声频谱进行风机故障诊断[J].无损检测. 2002年4月.
[64]杨宏晖,侯宏,曾向阳等.基于声信号人耳听觉谱特征的风机故障诊断[J].仪器仪表学报.2009年1月.
[65]刘玲萍.煤矿局部通风机降低噪声的方法[J].中国西部科技. 2008年6月.
[66]张志刚.浅谈煤矿通风机产生噪声的原因[J].黑龙江科技信息.
[67]风机和罗茨风机噪声测量方法.中华人民共和国国家标准[S]. 2007年7月.
[68]李蒙.基于粗糙集混合推理的矿井风机故障诊断研究[D].中国矿业大学.2009年.
[69]李蒙,柏杏丽.基于粗糙集的矿井风机故障规则提取[J].煤矿安全. 2009.09.
[70]王江萍.机械设备故障诊断技术及应用[M].西北工业大学出版社. 2004.
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |