论文部分内容阅读
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。