基于深度迁移学习的采煤机摇臂部滚动轴承故障诊断方法

针对长期正常服役的采掘装备典型故障数据少、有标签数据不足,故障诊断模型训练效果不好等问题,提出一种基于深度迁移学习的采煤机摇臂部传动系统故障智能诊断方法。利用该方法将模拟平台故障数据训练后获取的故障诊断模型参数迁移至采煤机智能故障诊断模型中,从而在不同设备之间进行迁移学习,实现基于小样本数据的采煤机摇臂部智能故障诊断。通过构建预训练的卷积神经网络,将转换为二维时频分布的图像数据集作为预训练模型的输入,并将预训练模型的网络参数迁移至采煤机摇臂传动系统故障诊断模型中,通过保证低层网络不变保留模型的泛化能力,将含有标签的数据集作为采煤机摇臂传动系统智能故障诊断模型的训练数据集对模型进行训练,通过微调高层网络参数进行模型优化和权值更新,得到采煤机摇臂传动系统迁移故障诊断模型,提高了模型的特征提取能力减少了误差。为验证方法有效性,以传动系统滚动轴承为研究对象,采用西储大学轴承数据作为训练集,DDS传动系统平台模拟井下采煤机摇臂部传动系统工况得到滚动轴承监测数据,作为测试集进行试验验证。试验结果表明：滚动轴承平均故障识别精度达到99.59%,与传统的智能故障诊断方法相比,提出的智能故障诊断方法收敛...     

基于改进深度置信网络的采煤机摇臂传动系统故障诊断研究

采煤机是一个集机械、电气和液压为一体的大型复杂系统,工作环境恶劣,如果出现故障将会导致整个采煤工作的中断,造成巨大的经济损失。采煤机摇臂传动故障作为整机的主要故障,是故障监测研究的重点。提出一种基于改进深度置信网络的采煤机摇臂传动系统故障诊断方法,对摇臂传动信号进行频段分解,通过不同的频段阈值进行降噪处理,提取故障特征信息,完成采煤机摇臂传动故障分类。将深度置信网络引入故障诊断,通过对采集的故障状态信号进行迭代训练深度学习,得出与故障模型的对应关系,并采用粒子群优化算法对故障模型进行迭代优化,应用于摇臂传动的故障诊断识别。结果表明,故障特征提取准确,故障诊断精度高。     

基于EMD能谱熵和概率神经网络的采煤机摇臂齿轮故障诊断

采煤机摇臂齿轮是采煤机故障高发区,对其进行故障诊断研究可提高摇臂可靠性,提高工效。结合摇臂工作特点,提出基于EMD能谱熵和概率神经网络的齿轮故障诊断方法,提取振动信号EMD分解的前9个IMF分量的能谱熵作为故障特征信息,并将其作为概率神经网络的输入向量进行齿轮故障的分类与识别。结果证明该方法可实现齿轮故障准确诊断,是一种有效的摇臂齿轮故障诊断方法。     

基于卷积神经网络的采煤机截割部传动系统故障识别

为提高采煤机截割部传动系统故障识别的精度,将采煤机截割部传动系统中齿轮振动信号作为研究方向,针对振动信号具有非线性、强耦合、关联性不强等特点,提出了一种多标签分类卷积神经网络故障识别模型。首先对卷积神经网络的全连接层进行改进,然后设计了多标签的分类器以便在识别故障类型的同时判断故障严重程度。仿真实验表明,该模型对传动系统典型故障以及故障严重程度有较好的识别能力,优于传统信号分析技术,可以实现对传动系统的故障智能识别和实时监测。     

基于EEMD降噪和HMM的采煤机摇臂滚动轴承故障诊断

提出一种集合经验模态分解(EEMD)降噪与隐马尔科夫模型(HMM)的采煤机摇臂滚动轴承故障诊断方法。采用基于峭度准则的EEMD对采集到的振动信号进行降噪预处理,筛选出包含主要特征频率的本征模态函数(IMF),通过求取IMF信息熵提取出敏感特征集,结合训练好的HMM分类模型,对滚动轴承故障类型进行诊断识别。实验数据分析表明,所提出的基于EEMD降噪和HMM的故障诊断方法可以准确区分滚动轴承故障类型,对于4种状态轴承的识别率达到90%以上,是一种有效的采煤机摇臂滚动轴承故障诊断方法 。     

基于LabVIEW的采煤机摇臂故障诊断系统设计

根据电牵引采煤机摇臂工作特性及故障诊断系统要求,完成了故障诊断系统的硬件和软件设计。该电牵引采煤机摇臂故障诊断系统基于LabVIEW平台,实现了信号监测分析软件的开发,并在此基础上根据故障特性实现了故障类型识别和诊断。系统可根据传感器测量信号完成采煤机摇臂工作状态的动态监测,实现振动分析和诊断分析等功能,同时可对采煤机不同工况下的工作状态进行评估,提升了采煤机运行可靠性。     

采煤机摇臂齿轮箱故障诊断研究

先对采煤机摇臂齿轮箱及常见故障诊断方法予以简单介绍,继而就采煤机摇臂齿轮箱故障诊断展开深入分析,最后基于采煤机摇臂齿轮箱在采煤作业中的运作原理,针对于故障产生原因,提出几点采煤机摇臂齿轮箱故障规避措施。     

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。     

基于振动信号分析的采煤机摇臂轴承故障诊断研究

针对采煤机摇臂轴承故障频发,严重影响采煤工作面安全生产的现状,进行了基于振动信号分析的采煤机摇臂轴承故障诊断研究。为准确识别采煤机摇臂轴承故障,采用集合经验模态分解方法(EEMD)对原始振动信号进行分解,提取前8个本征模态函数的能量占信号总能量的比例作为故障特征信息,并输入到支持向量机(SVM)进行故障模式识别。试验结果表明,结合集合经验模态分解和支持向量机的故障诊断方法,适用于处理采煤机摇臂轴承产生的非平稳、非线性振动信号,总体故障识别率达到88.33%,可实现轴承故障的准确诊断。     

采煤机关键零部件智能融合故障诊断方法与实现

针对当前采煤机故障诊断系统诊断技术落后、无法精准确定故障位置及诊断结果片面等问题,提出了传统参数诊断法与神经网络相融合的智能故障诊断方法。通过对采煤机实时状态参数进行分析,保证诊断的及时性,同时借助深度残差网络强大的特征提取能力对故障部位进行分析,细化诊断结果,快速确定故障位置。2种方法相互融合,全面提高了系统的诊断效果。通过实验验证,参数诊断法和深度残差网络的准确率分别达到了100%和99.7%。基于该方法开发了采煤机关键零部件智能融合故障诊断系统,实现了采煤机关键零部件的在线监测和故障诊断,提高了采煤机故障诊断的智能化程度。     

基于DL联合信息融合技术的刮板转载机故障诊断

采用深度学习(DL)算法和信息融合技术对刮板转载机进行故障诊断。对刮板转载机故障类型进行分类,建立刮板转载机故障诊断模型。为提高信息融合技术的准确率与效率,将一种典型的DL算法——深度置信网络(DBN)应用于数据层信息融合,提出基于DL联合信息融合技术的故障诊断流程。对比MATLAB仿真结果与真实情况,基于DL联合信息融合技术故障诊断结果的准确率比信息融合技术的高。     

基于模态分解-PSO-DNB深度学习的短期负荷预测研究

针对传统负荷预测模型对高维非线性电力负荷的特征提取效果不理想的问题,为有效提高电力负荷短期预测精度,提出了基于模态分解-PSO-DNB深度学习的负荷预测模型。结合模态分解方法和PSO算法特征并充分融入到深度学习模型中,构造了量化深度学习模型训练效果的误差评价函数,由此建立短期负荷预测的系统模型。以某地区电网监测的电力负荷数据开展短期预测研究,通过算例效果表明,所提的预测方法可实现24 h内滚动式短期电力负荷预测,且预测误差能控制在合理范围内,相较于传统负荷预测的方法更能提升预测精度。     

采煤机作业时摇臂齿轮箱故障分析及诊断技术研究

以7LS06型采煤机摇臂齿轮箱为对象,在对齿轮箱主要结构进行介绍的基础上,分析了齿轮箱常见的故障问题,其中齿轮和轴承的故障问题最为显著。对齿轮和轴承工作时的振动机理及其常见故障类型进行了详细的介绍。引起齿轮和轴承振动的原因包含2方面：(1)结构件的工作原理决定;(2)结构件表面存在故障缺陷,从而改变结构原有的振动状态。可以对齿轮和轴承的振动信号进行分析,从而判断其是否存在缺陷故障。利用振动测试平台对摇臂齿轮箱的振动状态进行实际测验,并将测验结果与实际结果对比,验证了故障诊断技术的科学性与合理性。     

基于盲源分离的采煤机摇臂轴承故障诊断方法

针对采煤机摇臂轴承故障,介绍了一种基于盲源分离算法的轴承故障识别方法。该方法采用优化滑动平均长度,以最大信噪比为目标函数对振动信号进行盲源分离,分离后的信号进一步加速度包络处理,信号特征可用于识别轴承故障。通过采煤机摇臂加载试验台进行试验验证,采集采煤机摇臂两个不同部位的振动加速度信号,运用该方法对振动信号进行处理后判别故障类型和位置。结果表明：与单纯的加速度包络法相比较,该方法处理后的信号特征更加明显,对轴承部位的识别率较高。研究结果对于采煤机摇臂的故障预测具有较好地效果,能够进一步提高采煤机在故障领域方面的智能化。     

基于Stacking模型融合的失压故障识别算法

计量故障中的失压故障是目前电力计量系统常见的故障问题之一,传统的失压故障判定以终端告警为依据,判定维度单一,且终端告警存在误报、漏报的情况,导致了故障无法及时发现、无法实时处理。为了解决失压故障识别维度单一和终端漏报误报的问题,采用比较研究法,在前人使用机器学习算法解决故障识别问题的基础上,结合真实计量数据,构建失压关键指标,提出了一种基于Stacking模型融合的计量故障监测算法。经反复实例论证和理论测算,该算法相较于传统的机器学习算法,能够提升失压故障识别的效果,平均精确率0.99以上。该种算法的提出为计量故障识别提供了一种新的解决方案,为失压故障后电量追补提供了一种依据,为提升计量系统管理水平增加了一种手段。     

基于机器学习算法的煤矿汽车机械设备故障诊断模型

研究基于机器学习算法的煤矿汽车机械设备故障诊断模型,提升故障诊断抗干扰能力,有效保障煤矿汽车机械设备安全稳定运行。采用判别结构描述功能较强、拥有全局资源描述功能的、基于低秩鉴别投影的特征提取算法,提取衡量煤矿汽车机械设备故障时域特征和时频特征的最优投影矩阵的列向量;设计了墨西哥草帽函数改进ART神经网络学习算法,并逐渐削弱幂函数,改善收敛、聚类效果,将最优投影矩阵的列向量作为改进ART神经网络的输入,经过两阶段学习训练后,实现了对煤矿机械设备的故障诊断。实验结果也验证了该模型的泛化错误少、识别率可达96%,故障诊断精度高且拥有较好的抗噪声能力。     

基于ANSYS的采煤机摇臂双列圆锥滚子轴承配合精度分析

分析了采煤机摇臂行星机构的结构组成,对采煤机摇臂行星机构的受力情况进行了分析,阐述了双列圆锥滚子轴承内外圈配合精度的选择方法。通过建立三维模型,在ANSYS软件中对比分析了H7/k6和H7/m6配合精度下采煤机摇臂行星机构的刚性数据,得出了摇臂行星机构双列圆锥滚子轴承内圈更适宜采用H7/m6配合精度的结果。     

基于支持向量机的故障诊断方法研究

故障样本缺乏是制约智能故障诊断发展的重要原因。支持向量机是近10 a来提出的一种基于小样本的统计学习方法。将支持向量机分类算法用于滚动轴承的多类故障分类并与RBF神经网络进行对比研究。实验表明,在有限样本条件下,支持向量机算法比RBF神经网络具有更好的分类性能。     

刮板输送机故障诊断方法研究

为了提高刮板输送机故障诊断准确度,降低事故发生率,分析了刮板输送机常见的故障,研究了基于支持向量机的刮板输送机故障分类,介绍了刮板输送机故障数据处理方法以及基于SVM的故障诊断流程,并对支持向量机参数进行了选择,采用网格搜索交叉法得到模型的最佳参数模型,使用该模型对刮板输送机故障数据进行预测。研究表明,采用支持向量机和网格搜索交叉法相结合的方法,可以对刮板输送机故障进行有效诊断。