基于ASGSO-RBF算法的采煤機滾動軸承故障診斷研究.pdf

1、煤炭資源在我國能源體系結(jié)構(gòu)中具有非常重要的地位和作用，采煤機作為煤礦生產(chǎn)過程的關(guān)鍵設(shè)備，是集機械、電子、電氣、傳動、液壓等為一體的復(fù)雜機械。采煤機設(shè)備的安全、穩(wěn)定運行對于保證煤炭生產(chǎn)的安全、促進企業(yè)生產(chǎn)效率具有重要意義。由于采煤機常處于潮濕、粉塵顆粒多、電磁干擾嚴重等復(fù)雜井下運行環(huán)境，時常出現(xiàn)軸承破損等采煤機關(guān)鍵部件故障。一旦出現(xiàn)此類故障，將導(dǎo)致整個煤礦生產(chǎn)過程停滯，乃至癱瘓。針對采煤機滾動軸承故障，本文在深入研究與分析采煤機運行環(huán)境、

2、工作特點、影響因素等導(dǎo)致采煤機軸承故障的基礎(chǔ)上，提出一種將RBF神經(jīng)網(wǎng)絡(luò)(RBF，RBF Neural Network)與自適應(yīng)步長螢火蟲算法(ASGSO，self-Adaptive Step Glowworm Swarm Optimization)相耦合的擬合算法實現(xiàn)對采煤機滾動軸承故障非線性系統(tǒng)的有效辨識。
　　RBF神經(jīng)網(wǎng)絡(luò)具備了強大的時變數(shù)據(jù)處理能力及網(wǎng)絡(luò)穩(wěn)定性，因此更能直接表征本質(zhì)非線性系統(tǒng)的動態(tài)特性。以小波包和RBF神

3、經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，提出了由小波包分解提取各個節(jié)點特征能量譜與自適應(yīng)步長螢火蟲算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)進行分類辨識的采煤機滾動軸承故障診斷方法。對振動傳感器輸出的信號進行小波包分解，運用基于代價函數(shù)的局域判別基(LDB)算法對小波包分解進行裁剪，獲取最優(yōu)的特征能量譜，經(jīng)處理后作為特征向量訓練ASGSO-RBF神經(jīng)網(wǎng)絡(luò)，建立診斷模型。
　　充分利用經(jīng)改進后的ASGSO算法強大的全局多目標搜索能力對RBF的權(quán)值與中心、寬度在求解空間中進行快