论文部分内容阅读
掘进机是集截割、装运、除尘、搬运、操作等功能于一体的煤矿机械,主要用于截割井下岩石、煤或半煤岩巷道,是煤矿井下生产的重要机械设备之一。随着新型传感器及信息技术的发展,对掘进机进行状态监测,获得电气、液压、振动等方面的实时状态数据,通过信号处理、特征提取和模式识别,可以实现掘进机的工况识别、故障诊断与预测维护,促进煤矿开采向高效化、自动化以及智能化方向发展。由于掘进机工作环境恶劣,导致采集到的掘进机振动信号具有非平稳性和随机性的特点,存在着大量的不确定性。Dempster-Shafer(D-S)证据理论在不确定性的表示、量度和信息组合方面有显著的优势,使其越来越受到研究人员的重视,并且广泛应用于信息融合、模式识别、决策支持系统等领域。因此,将D-S证据理论用于掘进机的工况识别研究,具有重要的理论意义和实用价值。D-S证据理论虽然有以上诸多优点,但是也存在着一些亟待解决的问题,这些关键问题在很大程度上制约了它的应用推广。其中一个问题是,在处理高度冲突的证据时,Dempster合成规则常常会得出与常理相悖的结论,无法实现有效决策。另一个问题是如何自动、合理地生成基本概率分配(Bisic Probability Assignment,BPA)函数。本文对D-S证据理论的关键问题进行深入分析、研究,指出其存在的不足之处,深刻探究原因,并且提出相应的解决方法。最终将证据理论应用到掘进机的工况识别当中,通过仿真实验研究,验证其可行性和有效性。主要研究内容和创新点如下:(1)针对D-S证据理论中Dempster合成规则在处理高冲突证据时,合成结果出现违背常理的问题,提出了一种新的基于Baroni-Urbani&Buser相似性系数的证据距离,并对新的距离进行了几何解释,经过证明该距离满足正定性、非退化性、对称性及三角不等式,是一个由证据向量所张成的度量空间的完全距离。将提出的证据距离用于证据冲突程度的度量,计算出每条证据的支持度和可靠度,以此为依据求出每条证据的加权系数,然后求出加权的平均证据,最后对平均证据使用Dempster合成规则合成n-1次,得到最终的合成结果。通过算例计算,本文所提出的冲突证据合成方法可以适用于高冲突和低冲突证据的合成,收敛速度较快,并且可以解决一票否决和焦元基模糊悖论问题。(2)针对D-S证据理论中BPA获取主观性较强的问题,提出了一个基于邻域粗糙集的条件基本概率函数生成公式,并且证明它满足BPA的条件。粗糙集在不需要任何先验知识的情况下,仅仅依靠信息系统的历史数据就可以有效地提取相关规则。因此,根据输入被测样本的条件属性对论域进行划分,以及决策属性对论域的划分,就能够从历史数据中自动获取BPA,克服了由专家经验提供BPA的主观性和不确定性。由于在实际应用中,存在着大量的数值型变量,如果直接进行离散化处理,会有信息损失的现象,因此本文采用了粗糙集的邻域模型。由于条件属性的重要度不同,因此得到的BPA权值有所差异。从代数观和信息观出发,提出了一个属性依赖度和互信息相结合的属性重要度公式,将其用于邻域粗糙集属性约简,通过对UCI数据集的特征选择和分类,证明了它能够以较少的特征获得较高的识别率。最后,将属性重要度归一化,对生成的BPA进行修正。经过实例计算,证明了所提方法的可行性和合理性。(3)掘进机在井下的工作环境复杂且恶劣,其振动信号往往具有非线性、非平稳等特性,因此经典的信号处理技术不再适用。针对这一特点,采用变分模态分解(Variational mode decomposition,VMD)将信号分解成一系列本征模函数(Intrinsic Mode Function,IMF),这些IMF分量信号蕴藏了许多特征信息。对每个IMF分量进行Teager能量解调,得到瞬时频率和幅值,从时频图中分析得出结论:反复出现的280Hz和350Hz左右的频率可能和截割减速器的工作频率有关。提取了各IMF分量的能量、近似熵、时频矩阵的奇异值和信号的峰值、标准差、峭度指标一起构成掘进机工况识别的特征量。通过实验分析发现,不同特征量对不同工况的识别存在一定的差异。(4)提出了一种基于邻域粗糙集和D-S证据理论的识别方法,将其用于对掘进机空载、钻进、向左截割和向下截割四种工况的识别。由于掘进机在四种工况下的振动特性不同,因此从单一方向单个特征量、单一方向多个特征量和多方向多个特征量这几方面对所提出的识别方法进行验证。在UCI数据集及掘进机工况识别中,经过多次仿真实验,以及与传统D-S、支持向量机(Support Vector Machine,SVM)、K-近邻(K-nearest Neighbor,KNN)、邻域分类器(Neighborhood Classifiers,NEC)和卷积神经网络(Convolutional Neural Network,CNN)方法的对比研究,本文方法的平均识别率达到89.31%和78.61%,验证了其具有较强的识别能力。