深海底集矿机故障诊断与传感器容错系统研究

《深海底集矿机故障诊断与传感器容错系统研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中南大学硕士学位论文摘要深海底集矿机是一个复杂的液压动力机械系统，传统的故障诊断方法由于需要建立对象精确的数学模型，从而在集矿机故障诊断中难以实现。为此本文采用智能诊断的理论和方法，将集成神经网络和传感器容错技术相结合，对集矿机进行状态监测与故障诊断，这对稳定深海采矿过程，提高集矿机运行可靠性，具有非常重要的意义。集矿机包括集矿系统、行走机构、液压系统三大部分。在分析各部分可能故障的基础上，总结了车辆打滑、转向故障、前后倾角超限、履带马达故障、液压泵故障、电机故障等十种主要故障，并针对这些故障的特点，进行了集矿机故障

2、诊断系统的研究和设计。本文首先提出了系统的结构框架，并总结了其功能特点；然后对集矿机传感器故障容错方法进行了研究，通过把传感器硬件冗余技术、加权融合算法以及灰色预测模型结合起来，构建具有故障检测、分离和冗余能力的传感器容错单元，保证了集矿机双传感器在不同时发生故障的情况下其输出始终有效；接着建立三个诊断子网络，从集矿系统、行走机构、液压系统三个不同的侧面对集矿机故障进行诊断，并利用决策融合网络将诊断子网络的诊断结果进行融合会诊，得到系统最终的诊断结论，提高了故障确诊率。仿真试验表明系统能有效地实现集矿机的故障诊断和传

3、感器容错，为即将进行的“海试”打下了良好的基础。论文最后进行了系统软件的设计。系统软件开发平台选用Windows2000，采用VISUALC++6．0和SQLServer7．0编制，提供了信息输入、数据查询、故障诊断和故障仿真等功能，可用于深海采矿过程中集矿机的故障诊断。关键词：集矿机，故障诊断，集成神经网络，传感器容错中南大学硕士学位论文ABSTRACTDeep—seabedminingrobotisflquitecomplexmechanicalsystemwithhydraulicdrives．Thetradi

4、tionalfaultdiagnosismethodsgenerallyneedrelativeaccuratemathematicsmodel，SOtheirapplicationsinminingrobotfaultdiagnosiscomeupagainstmanydrawbacks．Byadoptingintelligentdiagnosistheorytothisfaultdiagnosissystem，sensor‘fault—toleranttechniqueandintegratedneuralnet

5、workarecombinedintoanimplementforminingrobotconditionsmonitoringandfaultdiagnosis．‘Ithasthecountformuchmeaningtostabledeep-seaminingprocessandraisetothewholedependabilityofthedeep-seaminingsystem．Inthispaper,theminingrobotiscomposedofthreeparts，includingminings

6、ystem，runningoutfitandhydraulicsystem．Consideringthecharacteristicsofeachpart’Sfault，thedeep-seabedminingrobotfaultdiagnosissystemisstudiedanddesigned．Firstly,thestructureandfunctionsofthesystemarepresented．Secondly,amethodoftransducerfaulttolerancefordeepseabe

7、dminingrobotisproposedinthispaper．Bycombiningthehardwareredundanttechnologywithweightedfusionalgorithmandgrayforecastmodel，thetransducerfault-tolerantunitisconstructed，whichiswithsensorfaultdetection，faultisolationandredundancy,anditensuresthatthesensor’soutput

8、isalwaysvalidwhensensor’Sfaultsarenothappenedsimultaneously．Thirdly,thefaukdiagnosisonminingrobotisrealizedbyfoundingmulti-childneuralnetworkandsyncretizingdiagnosisresuksof