粗糙集與神經(jīng)網(wǎng)絡(luò)在煤礦主通風(fēng)機故障診斷中的方法研究.pdf

1、煤礦主通風(fēng)機作為其通風(fēng)系統(tǒng)的關(guān)鍵環(huán)節(jié)之一，具有“礦井肺腑”之稱。如何及時發(fā)現(xiàn)故障征兆，準(zhǔn)確判斷風(fēng)機運行狀態(tài)，并對出現(xiàn)的故障進(jìn)行準(zhǔn)確的分析，已成為煤礦主通風(fēng)機故障診斷方面所急需解決的問題。本課題以礦用對旋軸流式通風(fēng)機為研究對象，提出了建立基于粗糙集與LVQ神經(jīng)網(wǎng)絡(luò)的煤礦主風(fēng)機故障模型，與粗糙集和BP網(wǎng)絡(luò)相結(jié)合的診斷模型進(jìn)行仿真對比，表明該模型對于故障的診斷實時性強、識別準(zhǔn)確率高，是一種有效的故障診斷模型，并實現(xiàn)了基于DDE的Matlab與

2、組態(tài)王通信的實時LVQ網(wǎng)絡(luò)故障診斷系統(tǒng)。
　　在深入研究煤礦主通風(fēng)機故障機理的基礎(chǔ)上，分析選取了故障的本質(zhì)特征。本課題探討了就故障振動特性機理采用粗糙集故障方法的必要性，合理選擇了以振動信號為為主要特征信號，溫度、噪聲、出線柜二次側(cè)電壓電流等作為輔助特征信號的并行診斷方法。并詳細(xì)分析了煤礦主通風(fēng)機現(xiàn)場的原始數(shù)據(jù)采集方法。
　　為使屬性約簡集的存儲空間小，降低約簡的計算量，得到最優(yōu)約簡集，本文提出一種改進(jìn)的二進(jìn)制可分辨矩陣屬性

3、約簡算法，并進(jìn)行了算法實例驗證。由于粗糙集只能處理離散對象，而采集的原始數(shù)據(jù)為連續(xù)數(shù)據(jù)，本文分析了幾種常見粗糙集離散方法的應(yīng)用要點，提出采用啟發(fā)式的SOM離散化模型，在應(yīng)用自組織特征映射網(wǎng)絡(luò)離散化的同時結(jié)合對條件屬性重要性的計算。
　　利用Matlab2010a對本文所提出粗糙集與LVQ相結(jié)合的故障系統(tǒng)模型進(jìn)行仿真對比。先運用粗糙集理論對采集的原始數(shù)據(jù)進(jìn)行預(yù)處理，刪除冗余特征，挖掘眾故障特征中重要的最小屬性集，減少LVQ網(wǎng)絡(luò)的輸入

4、維數(shù)。針對LVQ神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)并無先驗確定公式的問題，本文提出利用交叉驗證算法來確定其最優(yōu)隱含層神經(jīng)元數(shù)。將最小屬性集與全體屬性集樣本集分別輸入LVQ神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對比表明最小屬性集樣本的LVQ神經(jīng)網(wǎng)絡(luò)診斷實時性好，預(yù)測精度高。同時最小屬性集樣本集分別輸入LVQ神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練對比，仿真結(jié)果表明合理目標(biāo)誤差內(nèi)，LVQ神經(jīng)網(wǎng)絡(luò)在診斷實時性和準(zhǔn)確率上都優(yōu)于BP網(wǎng)絡(luò)。最后通過DDE技術(shù)，實現(xiàn)了上位機組態(tài)王與Matlab的