基于小波包熵和流形学习的垮落煤岩识别

针对垮落煤岩识别的技术问题,基于垮落煤岩冲击液压支架后尾梁的振动信号,提出了一种基于小波包熵和流形学习的特征提取方法。该方法首先对振动信号进行小波包分解并单支重构,计算该信号的小波包能量熵,从而确定信号能量分布的复杂度,计算各频带的样本熵,从而确定各频带小波包系数的复杂度。以小波包能量熵和频带样本熵构造特征向量,输入BP神经网络识别垮落煤岩。然后利用局部线性嵌入(LLE)挖掘特征向量的低维流形结构,并输入神经网络对比其识别效果。并提出了未知样本低维估计方法以得到其低维嵌入。结果表明:基于小波包熵和LLE提取的特征向量准确又简单,输入神经网络识别率达到92.5%;基于低维估计方法得到的未知样本低维嵌入也较准确。     

基于独立量分析和小波包能量谱的滚动轴承故障诊断

滚动轴承是煤矿机械中很重要的零部件,也是最容易发生故障的零部件之一。对煤矿机械滚动轴承的故障诊断研究是一个很热的方向。提出了一种将独立量分析和小波包能量谱相结合的故障特征提取方法,并采用此方法对滚动轴承进行了故障特征提取。实验结果说明采用独立量分析和小波包能量谱相结合的方法对滚动轴承故障进行提取的效果要明显优于单独使用小波包能量谱的方法。这种故障特征提取方法对其他设备的故障诊断也都适用。     

基于小波能谱熵-BP_Adaboost的采煤机摇臂轴承故障诊断

针对煤矿井下工作环境恶劣,摇臂轴承经常发生故障,提出一种基于小波能谱熵-BP_Adaboost的采煤机摇臂轴承故障诊断方法。对振动信号进行小波分解,提取各小波系数的能谱熵,以此作为故障特征信息。利用Adaboost算法联合多个BP神经网络,构建BP_Adaboost强分类器。通过实验验证,该方法相比单BP神经网络识别率有很大提高,总体识别精度达到92%,其中外圈轴承故障识别率达96%,具有较好的采煤机摇臂轴承故障诊断能力。     

轴承振动信号特征提取及故障诊断研究

为了快速准确地识别轴承故障,研究了轴承振动信号时域特征和小波包能量特征提取方法,通过实验分析最终选择的轴承故障特征为无量纲时域特征和小波包能量特征,并采用"一对多"支持向量机分类算法对轴承的正常、外圈故障、内圈故障和滚动体故障四类数据进行了故障诊断实验,诊断准确率为96%。     

基于MED-AMMF的提升机天轮轴承故障诊断

针对矿井提升机天轮轴承故障信号微弱、背景噪声强、故障特征难以提取问题,提出了将最小熵反褶积(Minimum Entropy Deconvolution,MED)和自适应多尺度形态滤波(Adaptive Multi-scale Morphological Filtering,AMMF)相结合进行微弱故障特征提取的方法。MED作为前置滤波器,可以突出信号中较大的脉冲,弥补强噪声背景下AMMF对微弱故障信号提取的局限性。然后再对预处理后的信号进行AMMF处理,可以克服MED无法将微弱信号突显出来的不足。2种方法相互作用,充分利用了各自的优点,补偿了彼此在强噪声环境下的不足,最终得到了良好的降噪效果。仿真和实验结果表明,该方法能有效提取强噪声环境下低速重载轴承的微弱故障特征。     

基于小波包的轴承信号降噪和特征提取的研究

为有效识别轴承故障特征,以轴承内圈故障的信号为例,采用在非平稳信号消噪和以频带能量分布作为故障特征方面有着广泛应用的小波包进行Mat-lab仿真,获得小波包降噪后的信号和作为内圈故障特征的频带能量分布。通过分析频带能量,其结果与实际故障相一致,得出小波包在轴承故障特征提取方面有着一定的优越性。     

基于小波包能量相对熵的电机振声信号故障检测

电机的振声信号包含了丰富的状态信息,利用电机的声音信号进行故障检测,并提出了综合小波包能量相对熵的概念。对采集的声音信号进行小波包分解,利用重构系数计算故障信号与正常信号小波能量包相对熵,并得到综合小波包能量相对熵,确定电机是否有故障;并通过比较各频带的综合小波包能量相对熵大小判断故障所处的频带位置,从而确定电机为何种故障。电机振声信号诊断实例验证了该方法的有效性。     

基于卷积型小波包能量矩的机械故障特征提取

故障特征参数的准确提取是故障诊断的一个关键性问题。提出了一种基于卷积型小波包能量矩的特征提取方法。相比传统的小波包能量特征提取方法,基于卷积型小波包能量矩的特征提取方法能更有效地提取信号在各频带上的能量分布特征。仿真和实验验证了利用小波包能量矩进行故障诊断是一个有效的方法。     

基于改进阈值小波结合稀疏自动编码器的煤矿提升机轴承智能故障诊断方法

提升机是煤矿生产的关键设备,轴承作为提升机的核心旋转部件,其良好的健康状况是设备安全运行的必要保障。针对滚动轴承振动信号数据不稳定、耦合度高而导致特征提取和故障类型识别困难等问题,提出一种基于改进阈值小波结合稀疏自动编码器的煤矿提升机轴承智能故障诊断方法。实验结果表明,该方法可以有效提高小样本条件下轴承故障诊断的效率。     

矿用车辆变速箱圆柱滚子轴承故障诊断

矿用车辆变速箱的运行状态判断主要依靠人工拆卸、观察的方式,检测诊断的效率低下,甚至隐含着较大的安全隐患。以矿用车辆变速箱圆柱滚子轴承为研究对象,利用小波包对轴承故障振动信号进行分解,区分比较不同状态信号的总能量熵,利用支持向量机原理对矿用车辆变速箱圆柱滚子轴承故障进行诊断。试验表明,应用SVM和小波包能量熵可以对轴承故障进行有效诊断,且准确率较高,研究对矿用车辆变速箱圆柱滚子轴承的故障诊断有着现实的指导意义。     

基于卷积型小波包能量矩的机械故障提取

故障特征参数的准确提取是故障诊断的一个关键性问题.提出了一个基于卷积型小波包能量矩的特征提取方法.相比传统的小波包能量特征提取方法,基于卷积型小波包能量矩的特征提取方法能更有效地提取信号在各频带上的能量分布特征.仿真和实验验证了利用小波包能量矩进行故障诊断是一个有效的方法.     

基于小波神经网络的煤矿提升机轴承故障诊断

轴承故障严重地影响设备的使用寿命、效率及安全性。以某型煤矿提升机轴承为研究对象,采集煤矿提升机轴承实时数据,基于小波神经网络建立煤矿提升机轴承故障诊断模型,运用MATLAB对煤矿提升机小波神经网络模型进行数值计算,对煤矿提升机轴承故障进行诊断。诊断结果表明,不同运行时间下,煤矿提升机轴承振动信号不同;基于小波神经网络可以精确、高效对煤矿提升机轴承故障进行诊断。该研究为煤矿提升机轴承故障诊断、维修等方面提供理论依据。     

矿用风机故障诊断方法研究

为了保障煤矿通风安全，提高矿用风机故障诊断的准确性，采用时域统计分析方法对风机轴承振动数据进行分析，综合利用峰值因子、均方根值、峭度指标和裕度系数对煤矿风机轴承进行在线监测；利用小波包络的方法对风机轴承信号进行处理分析，设计并训练了收敛速度快、精度高的BP神经网络。结果表明，峭度指标和裕度系数对轴承的缺陷比较敏感，不受轴承型号、载荷、转速等条件的影响；小波包络的方法对于处理强噪声环境下的非平稳振动信号有良好的效果，能够准确地提取信号中的故障特征。运用小波包和神经网络相结合的方法能够高效诊断出风机故障类型，指导设备维护。     

煤矿排水泵故障与维护

排水泵是煤矿企业生产中排除井下涌水的主要设备,其可靠运行直接关系到煤矿的安全高效生产。针对煤矿排水泵常见的电机转子故障和轴承故障进行具体分析,并从运行和节能两方面提出降低水泵故障率的具体措施,可供生产实际参考。     

基于小波包分析和概率神经网络的往复泵的故障诊断研究

往复泵的正常工作是确保煤矿生产顺利进行的关键,由于工作环境恶劣,往复泵的故障诊断是非常重要的,因此,深入地研究了小波包分析和概率神经网络在往复泵故障诊断中的应用。分析了基于小波包的往复泵故障提取机理,设计了基于小波包分析的往复泵故障特征提取流程;构建了基于概率神经网络的往复泵的故障诊断模型,设计了概率神经网络的基本结构。对往复泵进行了故障诊断分析,仿真结果表明小波包和概率神经网络能够准确地获得故障诊断的类型。     

矿井提升机轴承实时状态监测及故障诊断系统设计与应用

针对矿井提升机轴承计划预防维修存在的过剩维修与欠维修问题,使用中值滤波与小波包分析相结合的振动信号分析方法,设计了一种矿井提升机轴承实时状态监测及故障诊断系统。该系统以下位机PLC数据采集和上位机MCGS组态软件数据分析处理为核心,实现了对轴承状态的实时监测和故障诊断。在岱庄煤矿对轴承SKF6205进行的系统应用表明,该系统能够对轴承的实时运行状态进行监测并对故障进行诊断与报警。     

基于小波包变换和支持向量机的提升机故障诊断

在介绍小波包变换和支持向量机原理的基础上,阐述了如何利用小波包变换和支持向量机对提升机进行故障诊断的方法,该方法将故障信号经小波包变换后的频带能量作为特征向量,利用训练样本训练过的多故障分类器对特征向量进行故障识别与分类,并以提升机轴承故障为例进行了论证,试验证明.该方法对故障具有很好的诊断效果及实际运用价值.     

小波变换在轴承故障诊断中的应用

针对轴承故障诊断中非平稳信号的特征提取问题,采用小波变换理论对其进行处理。构建了减速器轴承故障实验平台,采集了大量实验数据。通过滚动体点蚀的典型故障实验与小波变换处理及轴承故障频率分析,获取了该故障的特征频率参数,表明小波变换在非平稳信号处理方面的有效性。     

小波神经网络在双吸式离心水泵轴承故障诊断中的应用

提出了采用小波包的方法对供暖双吸式离心水泵轴承振动信号进行去噪和提取表征相应轴承故障的频带能量,并采用BP神经网络进行训练和故障识别,通过MATLAB进行了仿真,经试验验证该方法能够有效地识别出轴承故障。     

基于ITD和MED的滚动轴承故障特征提取方法

针对强背景噪声下的滚动轴承故障振动信号,提出了固有时间尺度分解(ITD)和最小熵解卷积(MED)相结合的故障特征提取方法。首先对信号进行ITD分解,通过计算各分量与原信号的相关系数,去除虚假分量后重构信号;再利用MED的方法对重构后的信号进行降噪处理;最后对降噪后的信号进行频谱分析,提取故障特征频率。仿真分析和实验结果表明,该方法可以有效降低信号中的背景噪声,提高故障诊断的准确率。