基于ELM神经网络的采煤机截割载荷软测量建模方法

采煤机是煤矿综采工作面的关键设备,由于煤层结构复杂,导致截割载荷复杂多变,并且截割载荷难以直接测量。因此,针对采煤机截割载荷难以直接检测难题,研究了采煤机交流异步电机的机械特性,提出了基于软测量建模技术的截割载荷预测方法。首先,通过分析采煤机交流异步电机的机械特性,得出截割载荷与截割电机的转速、电流符合非线性关系,运用软测量建模方法可以预测截割载荷。然后,以截割电机的转速和电流作为输入变量,运用ELM神经网络的软测量建模方法建立采煤机截割载荷软测量模型。最后,运用ELM,BP,RBF3种神经网络软测量建模方法对采煤机电机载荷进行预测,以均方误差和相关系数作为预测评价指标,结果表明:ELM神经网络软测量建模方法在预测精度和预测速度方面都优于BP神经网络和RBF神经网络软测量建模方法。运用ELM神经网络软测量建模方法能够准确、快速预测采煤机截割载荷,为采煤机恒功率截割和牵引智能调速提供了理论基础。     

采煤机无人自适应变速截割控制方法

为了实现采煤机的无人自动化采煤,并使采煤机在截煤时的块煤率及截割比能耗等截割性能参数综合较优,通过分析现有采煤机的工作原理及特性并建立采煤机变速截割仿真模型,得到煤层截割阻抗与截割电机定子电流的关系。在此基础上,提出一种适用于滚筒采煤机的自适应变速截割控制方法,通过划分煤层截割阻抗范围,对采煤机的牵引速度和滚筒转速进行分级优化调节,根据采煤机截割电机定子电流及时间信号,结合所制定的控制策略实现采煤机对煤层截割阻抗的自动识别及自适应调速控制,最后进行仿真分析及试验进行验证。研究结果表明:该控制方法可取得较好效果并具有可行性,为实现采煤机自适应变速截割及无人化自动采矿提供参考。     

采煤机滚筒截割复杂煤层的突变分析

为研究采煤机滚筒截割复杂煤层时载荷的变化规律,在构造复杂煤层结构形式的基础上进行了实验研究。根据实验载荷建立了截割载荷的本构模型,并建立了不同结构形式煤层的力学模型。同时,根据井下实际工况建立了滚筒截煤的力学模型,基于突变理论建立了截割过程的尖点突变力学模型,获得了滚筒截煤的刚度和能量条件。分析结果表明:煤层的阻侵刚度需大于采煤机牵引系统的刚度,否则采煤机将出现强烈的振动,使得传动系统损坏;同时,煤层破碎所需的能量应不大于截割滚筒的能量释放率,否则采煤机滚筒将出现堵转现象,严重时截割电机将被损害。     

基于综合截割性能优化的采煤机变速截割控制

针对目前滚筒采煤机在生产过程中采用单一牵引调速影响截割性能的问题,对采煤机的变速截割进行了探索研究.考虑变速截割的可行性及可靠性,按截割阻抗的大小对煤层硬度进行了平均划分;综合考虑不同截割性能指标的要求,对其进行加权平均作为优化目标,对截割运动参数进行了优化;在此基础上,对由截割阻抗变化引起的不同工况的调速策略进行了比较分析,得到了截割性能最优的变速截割调速控制策略.研究结果可为采煤机高效变速截割奠定理论基础.     

基于采煤机截割路径的动态三维地质模型构建方法

针对虚拟综采工作面难以构建实时动态煤层的问题，提出了一种根据采煤机行走轨迹构建三维地质模型的方法.建立了初始三维地质模型和动态三维地质模型，并提取了目标煤层的轨迹曲线，为采煤机提供了目标截割路径;基于当前工作面采煤机的实际截割情况及未来发展趋势提出了三种采煤机截割方案，分别是采煤机记忆截割、人工干预的采煤机记忆截割和采煤机自主截割;建立了真实的虚拟综采工作面，构建了三种方案的实际煤层形态，并进行了仿真对比实验.结果表明:通过采煤机自主截割方案构建的实际煤层的总体平均误差为15.73mm，能够实现较小的割岩量和较高的回采效率.     

扭振测量在煤岩界面识别中的应用研究

为了更有效地进行煤岩界面识别,利用扭振信号来进行煤岩界面识别研究。首先从理论上分析了扭振信号与滚筒截割力的关系;应用小波包和模糊神经网络技术进行信息特征提取和数据融合,论证了扭振信号的有效性与可靠性,并与直线振动信号进行了对比。识别结果表明,扭振信号数据比较稳定,识别正确率达到92%;而直线振动信号的正确识别率为63%,理论分析与试验验证是一致的。通过滚筒轴扭振信号来监测采煤机运行状态是一有效手段。     

直行截割下采煤机截割部齿轮箱动态特性实验分析

目前对采煤机截割部齿轮箱振动特性的研究主要通过理论模型，但这些研究缺乏实验验证.通过实验室模拟井下真实的采煤机直行截割过程来分析齿轮箱非线性振动特性.以振动烈度为评判标准，与已有研究所得理论计算结果进行对比.以截深、牵引速度及煤岩体硬度为实验变量，分析它们对齿轮箱振动的影响规律.分析了煤岩体硬度突变冲击、拍振现象和电机启动冲击等影响齿轮箱可靠性的恶劣工况及其影响因素.本实验所得到的数据及相关结论可以为采煤机齿轮箱理论模型及可靠性分析提供参考和对照.     

复杂煤层采煤机滚筒载荷的数值模拟

为解决复杂煤层下工作的采煤机截齿磨损严重、缺失以及滚筒寿命低等问题,通过分析截齿与煤岩的接触位姿以及单齿的力学模型,建立了复杂煤层条件下采煤机滚筒的力学模型。为便于工程分析与应用,适当简化了截齿与煤岩的截割状态,以离散随机过程判断每一时刻截割过程中的受力状态,给出了复杂煤层下采煤机滚筒载荷的模拟算法。该模拟算法可实现任意旋转周期内滚筒三向载荷和负载扭矩的模拟,为采煤机滚筒的数字化设计提供条件。     

一种采用灰色马尔科夫组合模型的采煤机记忆截割算法

针对传统采煤机记忆截割策略需要频繁人工调整摇臂高度导致效率和精度低等不足,提出利用灰色马尔科夫组合模型的采煤机自适应记忆截割策略。当采煤机截割岩石时,首先根据截割高度先验数据,利用灰色模型得到截割高度预测数据,在此基础上,对该预测数据进行残差计算和状态划分,确定马尔科夫链状态概率矩阵。通过马尔科夫链状态概率矩阵对灰色模型进行反馈修正,得到采煤机截割高度自适应调整值。通过模拟采煤机工作面调整高度,对2种采煤机记忆截割策略进行仿真分析。研究结果表明:传统记忆截割模型可信度为96.26%,但需要5次人工调整,而灰色马尔科夫记忆截割模型的可信度在无人干预下高达99.20%;基于灰色马尔科夫组合模型的采煤机记忆截割策略不仅具有更高的控制精度,而且大大提高了采煤机的自动化水平。     

基于深度学习声谱图分类的"听声识风"

将深度学习与声谱图相结合,提出了一种新型的风级识别方法——"听声识风". 在实验室条件下模拟1~4级风并记录对应风声音频. 通过傅里叶变换等方法将风声音频转换成声谱图,共得到2 608幅二维声谱图像用作数据集. 将声谱图数据集导入深度卷积神经网络GoogLeNet中进行风力等级识别,测试准确率达到了99.6%. 为了进一步证明实验结果的可靠性,将声谱图数据集分别导入ResNet18、ShuffleNet中进行训练,均获得了99.2%的测试准确率,结果表明该方法可以有效地进行风级识别. "听声识风"研究首次通过深度学习声谱图分类实现了对风级的识别,这是一种智能的、快速的风级识别新方法.     

基于旋转电弧传感器的水下焊缝偏差识别算法

提出了基于旋转电弧传感器的Nu-SVR水下焊缝偏差识别算法.Nu-SVR通过对基于旋转电弧传感器采集到的不同偏差的水下焊接信号进行学习,然后对水下电流信号进行焊缝偏差识别得出偏差.相对于传统的回归算法--区间积分法和神经网络法,算法具有更好的识别能力.最后通过水下焊接实验,其最大的识别误差仅为0.554 mm,证明了该方法十分有效.     

一种基于深度学习的辐射源信号调制识别新算法

针对传统的辐射源信号调制识别方法需要大量特征提取的问题,提出一种基于深度学习的辐射源信号自动调制识别算法,该算法通过对辐射源信号进行幅-相域二维图像表征,基于卷积神经网络实现层次化地理解和识别电磁信号。仿真结果表明:相比基于时域的传统信号调制识别算法,所提算法在中、高信噪下识别率分别提升了2.5%和2.3%,单信号的识别时间不大于0.1 ms。     

基于旋转电弧传感器的NU-SVR水下焊缝偏差识别算法

文章提出了基于旋转电弧传感器的NU-SVR水下焊缝偏差识别算法。Nu-SVR通过对基于旋转电弧传感器采集到的不同偏差的水下焊接信号进行学习,然后对水下电流信号进行焊缝偏差识别得出偏差。相对于传统的回归算法-区间积分法和神经网络法,本算法具有具有更好的识别能力。最后通过水下焊接实验,其最大的识别误差仅为0.48mm,证明了该方法十分有效。     

云模型和集成极限学习机相结合的滚动轴承故障诊断方法

针对轴承振动信号的不确定性和非平稳性以及BP神经网络学习算法收敛速度慢、稳定性差等问题,提出了基于云模型和集成极限学习机的滚动轴承故障模式识别方法.将经预处理之后的信号进行云化,产生滚动轴承在不同状态下的信号云;提取出决定信号云分布的期望、熵和超熵三个参数作为表征轴承状态的特征量并依此构造出原始的轴承状态数据集;再将故障特征数据集经归一化处理后送入集成极限学习机进行识别.研究结果表明:云-集成极限学习机方法可以有效地实现轴承故障模式识别,与传统神经网络识别方法相比,该方法拥有更高的识别准确率和稳定性,并且集成极限学习机在抗噪性方面有较好的表现.     

基于支持向量机的气液两相流流型识别新方法

为准确识别两相流型，提出了基于小波包多尺度信息熵和支持向量机的流型识别方法．利用小波包变换对采集到的水平管空气-水两相流压差波动信号进行3层小波包分解，得到8个不同频带的信号，提取各频带信号的小波包多尺度信息熵作为流型的特征向量，运用支持向量机进行训练并识别流型．结果表明：与BP神经网络相比，采用支持向量机进行流型识别可以获得更高的识别率，表明该方法是有效、可行的．     

基于循环神经网络的微地震数据降噪方法

针对微地震信号中存在大量噪声干扰, 导致其识别困难的问题, 提出一种深度双向门控循环单元循环神经网络的方法, 并将其应用于微地震数据降噪中. 首先, 构建多层双向门控循环单元循环神经网络模型, 并设计该模型的网络结构及训练算法; 然后, 采用Ricker子波正演模拟微地震数据验证模型的有效性, 并将该方法与其他4种方法进行对比; 最后, 将真实的含噪声微地震数据输入到训练好的模型中, 即可得到降噪后的微地震数据. 仿真实验结果表明, 利用该方法降噪后与降噪前信号的峰值信噪比相比约提高36 dB, 且信号之间的相关系数值由0.088 6上升至0.933 5. 实际应用结果也表明, 该方法可有效降低实际微地震数据中的噪声.     

一种基于卷积神经网络的下肢动作模式识别方法

针对目前下肢动作模式识别技术存在的数据量少、识别率低的问题,提出了一种新的基于卷积神经网络的下肢动作模式识别方法。以下肢步态动作识别为对象,采集无负重平地行走,无负重上/下楼及负重上/下楼5种步态的表面肌电信号（surface electromyography,sEMG）,对sEMG进行特征提取,构建了一种以特征集作为输入的卷积神经网络,并比较了其与另外几种传统分类识别方法的识别准确率和工作特征。实验结果表明,新方法对于5种步态的平均识别准确率大于95%,错误率都低于8%,具有较高的准确性。因此所提方法的输入特征集更能代表预测模型特征,模式识别率更高,可为康复医疗机器人、助力机器人等设备改善下肢运动功能提供参考。     

基于神经网络的非侵入式电机故障检测方法

为了克服传统电机故障检测方法的准确率低、测量过程为侵入式、严重依赖先验知识的缺点,提出了一种基于卷积神经网络的非侵入式电机故障检测方法.通过将电机与其他设备共同工作时的总电源信号作为检测样本,实现检测过程的非侵入式,并基于残差优化卷积网络结构进行神经网络训练,最终实现电机超载、单相短路及相间短路故障的非侵入式检测与分类...     

古叙矿区煤体及其组合的测井曲线识别技术

不同测井曲线对于煤体结构识别具有多解性。为提高判识精度,通过对古叙矿区石宝矿段煤储层特征和常规测井响应特征分析,提取了对煤体结构反应敏感的8条测井曲线,包括自然伽马、井径Ⅰ、井径Ⅱ、深侧向电阻率、浅侧向电阻率、补偿密度、补偿中子、补偿声波,采用BP(back propagation)神经网络算法,通过MTALAB软件,建立了神经元数量为100、训练函数为TRAINLM,适应学习函数为LEARNGDM、误差分析为MSE的二层BP神经网络煤体结构定量识别模型,预测结果与矿区其他井岩心进行对比,结果表明,基于BP神经网络的煤体结构测井识别方法精确度达89%,效果好于传统的测井判识方法。     

基于信息融合的风电机组齿轮箱轴承故障诊断

针对风电齿轮箱轴承故障问题,提出一种基于信息融合将BP神经网络与D-S证据理论相结合的风电轴承故障诊断方法。首先基于大数据,挖掘SCADA(supervisory control and data acquisition)系统中与风电齿轮箱轴承故障有关的振动、温度、电流、转矩和转速信号等故障特征;然后将各信号故障特征量作为神经网络输入,将神经网络的输出归一化作为证据理论基本概率分配值(BPA值),为解决各证据之间冲突问题,采用一种基于加权的方法来改进各条证据,以减小冲突;最后利用组合规则将各条改进的证据融合,得出最终诊断结果。研究基于某风场2 MW风电机组的实际运行数据,结果表明:随着融合信号维度的增加,最终诊断结果的准确率也逐步提高,融合多维信号的可靠性明显高于单一信号。