矿井提升系统担负着煤炭开采过程中煤炭、设备和人员等运输任务。刚性罐道作为提升容器运行的导向装置,是立井提升系统安全运行的保障,其能否正常工作将直接影响到煤矿的安全高效生产,因此开展刚性罐道健康监测的研究对于煤矿生产具有十分重大的意义。首先,通过研究立井提升系统工作原理后对其结构进行合理的简化,搭建了立井提升系统实验台,该实验台是由以电机、卷筒、提升容器、滚轮罐耳和罐道等构成的机械部分和以PLC、变频器、触摸屏、编码器和传感器等构成的监控部分组成。设计立井提升系统刚性罐道动态测试系统,分别模拟刚性罐道无故障激励、台阶激励和接头缝隙激励三种状态,并采集提升容器振动加速度信号。其次,采集的提升容器加速度信号是非平稳信号,因此采用小波包和EMD-SVD两种方法提取信号故障特征参数。采用小波包方法对采集到不同状态提升容器加速度信号进行3层小波包分解,并将计算3层小波包分解得到8个频带信号的能量值作为故障特征参数。运用EMD对采集到不同状态提升容器加速度信号进行分解,选取前4个固有模态函数,运用SVD方法计算出每一个固有模态函数的奇异值作为故障特征参数。然后,将采用小波包和EMD-SVD两种方法提取的信号故障特征参数分别作为BP神经网络和SVM的训练样本和测试样本。通过基于小波包和BP神经网络、小波包和SVM、EMD-SVD和BP神经网络以及EMD-SVD和SVM的四种方法实现刚性罐道故障模式识别,分别定义BP神经网络的置信度和SVM的平均分类准确率做为模式识别的效果评估准则。仿真表明BP神经网络可以实现刚性罐道故障诊断,但考虑到SVM在小样本中优势,采用SVM方法进行模式识别更加可靠。分析得出EMD-SVD和SVM的组合方式在故障识别中效果更好。最后,考虑到采用K-CV方法对SVM参数c和g进行寻优存在分类效果不佳和扩大寻优范围增加计算量的问题,因此,采用GA对SVM中参数c和g进行寻优,将优化得到的最优参数c和g带入SVM中重新计算分类准确率,通过分析优化前后结果可知平均分类准确率提高了7%。分析结果表明采用EMD-SVD作为故障特征参数提取的方法和GA优化SVM作为故障模式识别的组合方式可以对刚性罐道故障模式进行有效的分类。图[36]表[18]参[80]