论文部分内容阅读
连续采煤机减速器(continuous miner speed reducer)作为综采工作面关键矿山设备的核心部件,它的合理设计和可靠运行是保证现代化矿井高产高效的必要条件,而模态分析(1modal analysis)技术是新产品设计中进行结构动态特性的预估及优化设计的主要手段。通过模态分析,能够获得产品结构在某一易受影响的频率范围内各阶主要模态的特性,进而可以对结构在此频段内由外部或内部各种振源作用下的实际振动响应进行预判断,从而为结构系统的振动特性分析、振动故障诊断和预报以及结构动力特性的优化设计等提供依据。遗传算法(Genetic Algorithm)在进行系统参数识别时,采用概率搜索机制使得目标函数朝着减小的方向进化,它不依赖于梯度信息,具有较强的自适应性、鲁棒性和全局搜索能力。本文研究对象某连采机装运减速齿轮箱传动级数多,实际结构复杂,并且由于设计、制造和安装误差的存在,致使算法的搜索空间非常复杂,因而在传统遗传算法群体进化中引入了拉马克学习(Lamarckian Learning)机制。该机制通过模拟生物体在生命周期内自身的学习行为,强化了局部搜索能力,使得个体在生命周期内取得了更高的适应度并将其以“基因”的表现型遗传给下一代,以提高算法的收敛效率。本文的主要工作分为以下几个方面:首先介绍了模态分析技术的发展与现状以及遗传算法在模态参数识别中的应用情况,同时系统了解了各种混合遗传算法进行参数辨识的效率;第二,对齿轮箱的振动原因与机理进行了系统分析,基于模态分析理论,本文将所研究齿轮箱简化为具有n个自由度的粘性比例阻尼振动系统,导出它的模态展式;第三,根据遗传算法的数学原理,构建了基于混合遗传算法的实验模态参数识别模型,规划了正确的遗传方案,引入了拉马克策略,并基于Powell法制定了拉马克算子,以对标准遗传算法生成的每一个染色体进行学习爬山(局部搜索);第四,建立了齿轮箱的有限元模型并对其进行了预分析,根据预分析结果确定传感器的布置方案;搭建起相应的测试试验平台,制定了详细的试验方案以实现对数据的采集;第五,采集数据并对采集的数据进行了基于奇异值分解技术(Singular Value Decomposition,简称SVD)的降噪,然后分别用标准遗传算法、混合遗传算法、LMS Test. Lab进行了实验模态参数识别。与标准遗传算法的识别结果相互对比,验证了本文提出的混合遗传算法性能更平稳,与LMS Test. Lab实验模态系统识别结果进行对比,混合遗传算法以较高的精度识别出模态参数,这得益于其在拉马克学习机制的作用下,具备了深度的局部搜索能力。将经拉马克学习机制改进后的混合遗传算法应用于连采机装运减速齿轮箱的实验模态参数识别中,取得了良好的效果,实践证明,该方法是准确、有效的。