基于混合遺傳算法的連采機減速器實驗模態(tài)參數(shù)識別.pdf

1、連續(xù)采煤機減速器(continuous miner speed reducer)作為綜采工作面關(guān)鍵礦山設(shè)備的核心部件，它的合理設(shè)計和可靠運行是保證現(xiàn)代化礦井高產(chǎn)高效的必要條件，而模態(tài)分析(modal analysis)技術(shù)是新產(chǎn)品設(shè)計中進行結(jié)構(gòu)動態(tài)特性的預估及優(yōu)化設(shè)計的主要手段。通過模態(tài)分析，能夠獲得產(chǎn)品結(jié)構(gòu)在某一易受影響的頻率范圍內(nèi)各階主要模態(tài)的特性，進而可以對結(jié)構(gòu)在此頻段內(nèi)由外部或內(nèi)部各種振源作用下的實際振動響應進行預判斷，從而為結(jié)

2、構(gòu)系統(tǒng)的振動特性分析、振動故障診斷和預報以及結(jié)構(gòu)動力特性的優(yōu)化設(shè)計等提供依據(jù)。遺傳算法(Genetic Algorithm)在進行系統(tǒng)參數(shù)識別時，采用概率搜索機制使得目標函數(shù)朝著減小的方向進化，它不依賴于梯度信息，具有較強的自適應性、魯棒性和全局搜索能力。本文研究對象某連采機裝運減速齒輪箱傳動級數(shù)多，實際結(jié)構(gòu)復雜，并且由于設(shè)計、制造和安裝誤差的存在，致使算法的搜索空間非常復雜，因而在傳統(tǒng)遺傳算法群體進化中引入了拉馬克學習(Lamarck

3、ian Learning)機制。該機制通過模擬生物體在生命周期內(nèi)自身的學習行為，強化了局部搜索能力，使得個體在生命周期內(nèi)取得了更高的適應度并將其以“基因”的表現(xiàn)型遺傳給下一代，以提高算法的收斂效率。
　　 本文的主要工作分為以下幾個方面：首先介紹了模態(tài)分析技術(shù)的發(fā)展與現(xiàn)狀以及遺傳算法在模態(tài)參數(shù)識別中的應用情況，同時系統(tǒng)了解了各種混合遺傳算法進行參數(shù)辨識的效率；第二，對齒輪箱的振動原因與機理進行了系統(tǒng)分析，基于模態(tài)分析理論，本文將

4、所研究齒輪箱簡化為具有n個自由度的粘性比例阻尼振動系統(tǒng)，導出它的模態(tài)展式；第三，根據(jù)遺傳算法的數(shù)學原理，構(gòu)建了基于混合遺傳算法的實驗模態(tài)參數(shù)識別模型，規(guī)劃了正確的遺傳方案，引入了拉馬克策略，并基于Powell法制定了拉馬克算子，以對標準遺傳算法生成的每一個染色體進行學習爬山(局部搜索)；第四，建立了齒輪箱的有限元模型并對其進行了預分析，根據(jù)預分析結(jié)果確定傳感器的布置方案；搭建起相應的測試試驗平臺，制定了詳細的試驗方案以實現(xiàn)對數(shù)據(jù)的采集；

5、第五，采集數(shù)據(jù)并對采集的數(shù)據(jù)進行了基于奇異值分解技術(shù)(Singular Value Decomposition，簡稱SVD)的降噪，然后分別用標準遺傳算法、混合遺傳算法、LMS Test.Lab進行了實驗模態(tài)參數(shù)識別。與標準遺傳算法的識別結(jié)果相互對比，驗證了本文提出的混合遺傳算法性能更平穩(wěn)，與LMS Test.Lab實驗模態(tài)系統(tǒng)識別結(jié)果進行對比，混合遺傳算法以較高的精度識別出模態(tài)參數(shù)，這得益于其在拉馬克學習機制的作用下，具備了深度的局部