摘 要目前正处于煤矿智能化建设的关键阶段，而通风机作为煤矿的“矿井之肺”，负责将井下对矿工有害的气体排出并带来新鲜的空气。如果发生故障，将会给企业造成巨大的经济损失，并严重威胁井下人员的生命安全，故针对煤矿通风机故障诊断的研究具有重要意义。本文以通风机轴承为切入点，分析了当前通风机轴承的主要故障形式，针对故障诊断流程中的特征向量提取和故障类型识别两方面来改进现有的故障诊断模型。主要研究内容和创新如下：（1）针对经验模态分解中端点效应和模态混叠问题，分别使用改进后的极值点对称延拓法、集合经验模态分解（EEMD）进行改善。针对 EEMD 中虚假分量数目多的问题，对固有模态函数的筛选准则进行改进，并引入到自适应白噪声的完备总体经验模态分解算法中。（2）针对遗传算法（GA）收敛速度和收敛精度差的问题，对遗传算法的遗传算子进行改进。针对支持向量机（SVM）参数不易确定的问题，使用改进后的遗传算法（IGA）来改善 SVM 参数寻优过程，构建 IGA-SVM 模型。结果表明，模型有更好地收敛速度和收敛精度，提高了故障识别准确率。（3）针对 SVM 模型样本训练用时长的问题，使用极限学习机（ELM）来替代 SVM。针对粒子群算法（PSO）早熟收敛、局部最优的问题，对 PSO 的惯性因子进行改进，构建了一个类 S 形递减的惯性因子变化曲线。使用改进后的粒子群算法（IPSO）与 IGA 算法相融合，构建 IGA-IPSO-ELM 模型。结果表明，模型具有训练用时短、故障识别准确率高、鲁棒性强等特点。该论文有图 59 幅，表 16 个，参考文献 77 篇。关键词：煤矿通风机轴承；故障诊断；经验模态分解；SVM；ELM IAbstractAt present, it is in the key stage of intelligent construction of coal mine. As the "lung of coal mine", the ventilator is responsible for exhausting the harmful gas and bringing fresh air. If the ventilator breaks down, it will cause huge economic loss to the enterprise, and seriously threaten the life safety of the underground personnel. So the research on the fault diagnosis of coal mine ventilator is of great significance.This article takes the ventilator bearing as breakthrough point, and analyzes the main fault forms of the current ventilator...
