薄煤層采掘設(shè)備故障診斷系統(tǒng)的研究與實(shí)現(xiàn).pdf

1、我國(guó)薄煤層的儲(chǔ)量在煤炭總儲(chǔ)量中的占比高，其產(chǎn)量卻十分低下。主要在于薄煤層開(kāi)采效益低，機(jī)械化和智能化程度過(guò)低。構(gòu)建采掘設(shè)備故障診斷系統(tǒng)，有利于提高薄煤層開(kāi)采設(shè)備的智能化水平。
　　本文研究了薄煤層采掘設(shè)備上的旋轉(zhuǎn)機(jī)構(gòu)部件的故障診斷。為了模擬采掘設(shè)備的旋轉(zhuǎn)機(jī)械故障，以NI數(shù)據(jù)采集卡和Labview軟件為核心搭建了一個(gè)旋轉(zhuǎn)機(jī)械的故障仿真平臺(tái)。針對(duì)該旋轉(zhuǎn)機(jī)械故障仿真平臺(tái)，分析了軸承、齒輪、轉(zhuǎn)子類(lèi)故障的特點(diǎn)和模型，設(shè)計(jì)了一個(gè)RBF神經(jīng)網(wǎng)絡(luò)來(lái)

2、進(jìn)行旋轉(zhuǎn)機(jī)械故障分類(lèi)算法，并將采集的平臺(tái)故障振動(dòng)數(shù)據(jù)用于RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試。在診斷過(guò)程中，本文采用先快速定位故障，后精細(xì)診斷的策略。在RBF網(wǎng)絡(luò)的輸入特征值向量的處理上，本文分別采用考慮故障模型和不考慮故障模型兩種方式進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，RBF網(wǎng)絡(luò)和故障模型相結(jié)合的診斷方式準(zhǔn)確率更高。
　　為方便采掘設(shè)備的遠(yuǎn)程監(jiān)控與診斷，本文采用JSP、Struts2、Hibernate和Mysql數(shù)據(jù)庫(kù)設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于java