论文部分内容阅读
连续采煤机是煤矿中的重要设备,如果连续采煤机因为发生故障而停机,会导致整个煤矿系统瘫痪。因此,对连续采煤机进行故障检测具有重要的现实意义。本文提出了一种基于改进的核独立元分析(Kernel Independent Component Analysis,简称KICA)的故障检测方法,并针对连续采煤机截割部减速器进行故障检测。KICA结合了核主元分析(Kernel Principle Component Analysis,简称KPCA)和独立元分析(Independent Component Analysis,简称ICA)的优点,是在线故障检测的一种非线性方法。在KICA方法中,数据映射到特征空间后变得线性冗余；当引入核技巧时,输入空间线性相关的数据映射到特征空间会产生误差；另外,在KPCA训练过程中核矩阵大小是样本个数的平方,计算量较大。针对上述问题,本文提出了相似性分析的解决方法,对KICA进行了改进,即在使用KICA算法之前先在输入空间和特征空间对数据进行相似性分析,去除掉相似性较强的数据。此方法既降低了计算量,又减少了引入核技巧时带来的误差。利用改进的KICA我们能够从连续采煤机的数据中提取具有代表性的特征数据,根据其提取的特征数据计算故障检测统计量,能够更好的反映当时连续采煤机采煤过程的运行状况。本文采用Hotelling T2和平方预测误差(SPE)统计量进行故障检测,由于数据从输入空间映射到特征空间时,原始的SPE统计量计算公式不再适用,因而针对改进的KICA建立了一种新的SPE统计量计算公式。最后本文将此方法应用到了连续采煤机的截割部减速器故障检测当中,并通过Matlab进行了仿真研究,实验结果表明改进的KICA有效地捕获了变量中的非线性动态特征,并成功检测到故障的发生。