摘 要

带式输送机广泛应用于各类行业，在实际生产中扮演着十分重要的角色，但其故障不易检测，现有诊断方法容易出现误报和漏报等情况。针对现状，本文首先对带式输送机的故障机理和检测方法进行了研究，对比现有故障诊断方法后，在基于遗传算法理论和神经网络的基础上，借助MATLAB软件研究了BP神经网络在带式输送机故障诊断中的应用。文中分别研究了普通神经网络和遗传算法优化后的神经网络在故障诊断中的应用，并将二者进行比较，结果表明遗传算法优化后的神经网络学习效率更高，诊断精度也更高。神经网络模型的仿真结果表明普通神经网络诊断会发生漏报和误报等现象，而遗传算法优化后的神经网络则不会发生此类现象。论文结果表明遗传算法优化后的BP神经网络在带式输送机故障诊断上相比于其他方法具有较大优势，对实际生产有一定指导意义。

关键词：带式输送机；故障诊断；BP神经网络；遗传算法

Abstract

Belt conveyors are widely used in various industries and play a very important role in actual production, but their faults are not easy to detect, and existing diagnostic methods are prone to false positives and false negatives. In view of the existing situation, this paper first studies the fault mechanism and detection method of the belt conveyor. After comparing the existing fault diagnosis methods, based on the genetic algorithm theory and neural network, the BP neural network is studied by means of MATLAB software. Application in belt conveyor fault diagnosis. In this paper, the application of neural network and genetic algorithm optimized neural network in fault diagnosis is studied respectively, and the results are compared. The results show that the genetic algorithm optimized neural network has higher learning efficiency and higher diagnostic accuracy. The simulation results of the neural network model show that the general neural network diagnosis will have the phenomenon of false negatives and false positives, but the neural network optimized by the genetic algorithm will not happen. The results show that the BP neural network optimized by genetic algorithm has great advantages in the fault diagnosis of belt conveyor compared with other methods, and has certain guiding significance for actual production.

Key words：Belt conveyor；fault diagnosis；BP neural network；genetic algorithm

目 录

第一章 绪论 1

1.1 研究目的及意义 1

1.2 研究现状 2

1.2.1 国内研究现状 2

1.2.2 国外研究现状 3

1.3 本文主要研究内容 3

第二章 带式输送机故障机理的研究 5

2.1 带式输送机简介 5

2.1.1 带式输送机结构 5

2.1.2 带式输送机工作原理 5

2.2 带式输送机故障机理研究 6

2.2.1 皮带打滑机理及故障检测方法研究 6

2.2.2 输送带跑偏机理及故障检测方法研究 7

2.2.3 输送带纵向撕裂机理及故障检测 10

2.3 带式输送机故障诊断方法 11

2.4 本章小结 12

第三章 基于BP神经网络的故障诊断 13

3.1 人工神经网络模型 13

3.2 BP神经网络 14

3.2.1 BP神经网络理论 14

3.2.2 BP神经网络的推导 15

3.2.3 L-M(Levenberg-Marquardt)算法 17

3.3 基于BP神经网络的故障诊断模型建立 18

3.3.1 基于MATLAB的BP神经网络 18

3.3.2 基于BP神经网络的故障诊断 19

3.4 优化算法与BP神经网络的结合 22

3.4.1 遗传算法 22

3.4.2 优化BP神经网络故障诊断 24

3.5 本章小结 27

第四章 皮带机故障神经网络诊断的实现 28

4.1 通讯系统的设计 28

4.1.1 PLC与上位机的通信 28

4.1.2 组态王与数据库的通信 30

4.1.3 参数的采集 30

4.2 PLC的控制 31

4.3 上位机系统的设计 32

4.3.1 开发平台简介 32

4.3.2 登录界面 33

4.3.3 运输现场模拟 33

4.3.4 故障监测 34

4.3.5 数据查询 35

4.4 本章小结 35

第五章 环境影响及经济性分析 37

5.1 环境影响 37

5.2 经济性分析 37

第六章 总结与展望 39

6.1 总结 39

6.2 展望 39

参考文献 40

致谢 41

第一章 绪论

随着工业的发展，生产自动化越来越普及，带式输送机应用越来越广泛，体积越来越庞大，构造越来越复杂多样，在企业生产中的作用越来越大，大幅提高了企业的生产效率，但在生产运输中某些问题也慢慢显现出来，例如设备的运行安全可靠性、故障诊断的精确度和维修保养的技术难度等，因此故障诊断变得十分重要。随着科技的飞速发展及行业要求的不断提高，故障诊断应更加精确高效。为了提高企业的经济效益和运转效率，故障诊断应走向智能化。

研究目的及意义

带式输送机的结构较为简单，输送能力强，输送距离短，对工作环境要求不高，广泛应用于各行各业，同时便于程序化控制和操作。

与此同时，带式输送机的故障种类多，且故障有时不能直接被肉眼观察到，因此我们需要应用先进的监控观测设备，记录保存物料流量和带速等原始数据并用先进的分析方法和设备进行分析处理，通过这部分数据及时发现设备中潜在的故障，准确地判断故障类型及故障发生的部位，并对可能发生的故障进行诊断，使带式输送机的诊断更简易智能，保证带式输送机的安全运转。因此，带式输送机的故障诊断应具有以下几点的研究意义：