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

1、煤礦主通風(fēng)機(jī)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(chēng)。如何及時(shí)發(fā)現(xiàn)故障征兆，準(zhǔn)確判斷風(fēng)機(jī)運(yùn)行狀態(tài)，并對(duì)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(jī)故障診斷方面所急需解決的問(wèn)題。本課題以礦用對(duì)旋軸流式通風(fēng)機(jī)為研究對(duì)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(jī)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(duì)比，表明該模型對(duì)于故障的診斷實(shí)時(shí)性強(qiáng)、識(shí)別準(zhǔn)確率高，是一種有效的故障診斷模型，并實(shí)現(xiàn)了基于DDE的Matlab與

2、組態(tài)王通信的實(shí)時(shí)LVQ網(wǎng)絡(luò)故障診斷系統(tǒng)。
　　在深入研究煤礦主通風(fēng)機(jī)故障機(jī)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(dòng)特性機(jī)理采用粗糙集故障方法的必要性，合理選擇了以振動(dòng)信號(hào)為為主要特征信號(hào)，溫度、噪聲、出線(xiàn)柜二次側(cè)電壓電流等作為輔助特征信號(hào)的并行診斷方法。并詳細(xì)分析了煤礦主通風(fēng)機(jī)現(xiàn)場(chǎng)的原始數(shù)據(jù)采集方法。
　　為使屬性約簡(jiǎn)集的存儲(chǔ)空間小，降低約簡(jiǎn)的計(jì)算量，得到最優(yōu)約簡(jiǎn)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(jiǎn)算法，并進(jìn)行了算法實(shí)例驗(yàn)證。由于粗糙集只能處理離散對(duì)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(jiàn)粗糙集離散方法的應(yīng)用要點(diǎn)，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(shí)結(jié)合對(duì)條件屬性重要性的計(jì)算。
　　利用Matlab2010a對(duì)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(duì)比。先運(yùn)用粗糙集理論對(duì)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(duì)LVQ神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)并無(wú)先驗(yàn)確定公式的問(wèn)題，本文提出利用交叉驗(yàn)證算法來(lái)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(duì)比表明最小屬性集樣本的LVQ神經(jīng)網(wǎng)絡(luò)診斷實(shí)時(shí)性好，預(yù)測(cè)精度高。同時(shí)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(duì)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(shí)時(shí)性和準(zhǔn)確率上都優(yōu)于BP網(wǎng)絡(luò)。最后通過(guò)DDE技術(shù)，實(shí)現(xiàn)了上位機(jī)組態(tài)王與Matlab的