MED结合分层模糊熵在刮板输送机故障识别中的应用

对刮板输送机进行故障识别可保障刮板输送机实现快速故障定位与维修,减少故障维修带来的经济损失。对刮板输送机故障类型进行分类,以表征各个易损部件状态的参数作为故障诊断的输入信号,构建基于最小熵解卷积(MED)和分层模糊熵的刮板输送机故障诊断模型。分析基于MED结合分层模糊熵的刮板输送机故障诊断流程,对比采用MED、分层模糊熵和MED结合分层模糊熵算法在不同样本集中的准确率。结果表明,采用MED结合分层模糊熵得到的诊断结果准确率更高且更为稳定,在复杂结构的故障诊断中表现出明显的优势。     

基于CEEMD-Teager的刮板转载机轴承故障识别

阐述了刮板转载机轴承故障诊断的原理,分别分析了采用互补集合经验模态分解(CEEMD)和Teager能量算子进行信号处理的原理。先采用CEEMD获得振动信号的IMF分量,再采用Teager能量算子得到故障信号的能量谱,并与故障信号频率匹配判断故障类型。通过对比实验数据和仿真结果可知,基于CEEMD-Teager的故障识别具有较高的正确率和可靠性,相比传统的CEEMD准确率更高。     

基于混沌差分进化FCM的刮板输送机故障诊断

针对煤矿刮板输送机减速器故障耦合性强、传统诊断方法准确率较低的问题,提出了一种基于混沌差分进化模糊c均值(FCM)刮板输送机故障诊断方法。利用差分进化算法的全局优化能力和均匀遍历的优势,弥补了FCM对初始中心敏感、易收敛至局部极值点的不足,可以解决故障诊断难度大、准确率低的问题。以减速器故障为例,仿真实验结果表明,该方法能够高效完成故障诊断,准确率高,为进一步提高刮板输送机故障诊断的智能化水平提供了支持。     

基于GWO-CNN的刮板输送机减速器故障诊断

刮板输送机减速器故障诊断对于井下正常有序生产至关重要。首先基于振动分析、温度检测与油液分析建立刮板输送机减速器故障诊断指标体系;然后运用深度学习中的卷积神经网络(CNN)搭建模型框架,结合灰狼优化(GWO)算法优化模型超参数,建立基于GWO-CNN的刮板输送机减速器故障诊断模型;最后建立BP、GWO-BP、支持向量机(SVM)、GWO-SVM、CNN模型进行对比验证,GWO-CNN模型预测结果的准确率最高,能够有效地挖掘数据中的关联特征,并具备强大的泛化能力,能够有效减少刮板输送机事故的发生并保障矿工的安全。     

基于深度迁移学习的提升机主轴故障在线诊断系统研究

实际工业场景下的提升机状态监测与在线故障诊断,存在缺少足量有标签故障样本以及变工况导致的测试样本与训练样本间分布差异的问题,限制了智能故障诊断算法应用于实际工程。文章提出一种面向实际提升机的融合边缘节点的迁移故障诊断架构,包括多源信息采集层,边缘节点层,网络层和中央云服务器层。以提升机轴承为对象,提出基于ResNet与多核联合分布差异的深度迁移故障诊断算法,实现变工况下的提升机轴承故障状态识别,采用两种轴承故障数据进行算法有效性与适应性验证,结果表明所提出算法能够达到理想的迁移故障诊断准确率。最后,设计构建了提升机检测诊断平台,部署于煤矿地面中央云服务器中心,实现了对矿井提升机运行状态的监测与在线诊断。     

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。     

基于模糊神经网络的刮板输送机故障诊断

对刮板输送机常见故障类型进行总结与分类,介绍基于模糊神经网络的故障诊断流程,分析刮板输送机故障的影响因素,建立基于模糊神经网络的刮板输送机故障诊断模型,研究模糊聚类的依据以及RBF神经网络的学习流程。为了验证基于模糊神经网络故障模型的有效性,以刮板输送机减速器的诊断过程为例,采用MATLAB进行仿真,仿真结果表明,基于模糊神经网络的故障诊断结果与实际情况一致,相比传统RBF神经网络,迭代次数更少,性能更优。     

基于ISAE的磨煤机故障预测与诊断方法研究

针对难以从火电厂实际运行数据中获得大量磨煤机故障数据,以及磨煤机精准数学模型难以求取,从而影响其故障诊断策略制定的问题,提出了一种基于简化机理模型的深度学习故障诊断算法,用于有效检测磨煤机的运行状态。基于磨煤机机理模型和状态空间预测控制器,构建了闭合控制系统,通过对不同故障类型的分析和模拟,在充分接近磨煤机的实际运行状态下,获得了大量的故障数据。并通过改进堆叠自动编码器(ISAE)将模拟的故障数据与深度学习算法相结合来建立深度学习故障诊断策略,ISAE以无监督的方式逐层提取故障数据的本质特征,具有很好的学习和识别故障特征的能力,同时通过将磨煤机系统变化快速且显著的变量作为ISAE输入变量,使ISAE兼具了故障诊断和预测的能力。仿真结果也表明,提出的ISAE能够很好地检测出磨煤机的故障,故障诊断准确率高达98.46%,并能提前发出预警。     

面向知识工程的提升机智能故障诊断方法

针对传统提升机故障诊断系统中知识获取困难、知识表示单一且故障诊断推理方法自适应能力弱从而导致诊断推理结果不稳定等问题,研究了面向知识工程的提升机智能故障诊断方法。重点针对提升机故障诊断过程中的三大关键科学问题,即知识获取、知识表示和知识推理技术进行了深入研究：提出了基于融合差别矩阵和属性重要度的提升机故障诊断规则知识获取方法,为提升机故障诊断提供了数据基础;构建本体知识库,提出了基于OWL DL的故障诊断知识表示方法和基于SWRL的故障诊断规则知识表示方法,实现了提升机系统结构及诊断知识的集成;对本体知识进行了概率扩展,提出了基于本体和贝叶斯网络的不确定性知识融合推理方法,提高了推理的效率和准确率。开发了面向知识工程的智能故障诊断系统,通过实例验证和企业应用证明了该方法的可行性和准确性。     

基于ADAMS的采煤机牵引部轴承故障诊断方法

针对采煤机牵引部结构复杂、紧凑,致使采煤机牵引部轴承故障诊断工作困难的问题,提出了基于ADAMS的采煤机牵引部轴承故障诊断方法。首先,以MG210/485-WD型薄煤层采煤机牵引部惰轮轴承为研究对象,利用虚拟样机技术采集正常、内圈故障、滚动体故障、外圈故障等4种状态下轴承的仿真振动信号;然后,将仿真信号导入MATLAB进行基于经验模态分解(EMD)的时频联合处理;最后,针对时频联合处理结果进行特征提取,并利用多种主流分类算法对提取的特征进行训练与测试。信号处理与算法分类结果均表明,基于ADAMS的采煤机牵引部轴承故障诊断方法可以有效地实现轴承故障类别的分类,为采煤机牵引部轴承故障诊断提供了新方法。     

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。     

带式输送机故障准确诊断方法

针对带式输送机运行过程中的典型故障，提出了一种基于特征级与决策级的双层融合故障准确诊断方法。建立了带式输送机故障诊断信息融合模型，提取带式输送机故障信息的基本特征和小波包特征，实现特征级融合，并使用量子粒子群优化的核极限学习机与支持向量机2种分类器进行特征级的故障诊断；采用D-S证据理论将2种分类器的特征级故障诊断结果再融合，实现决策级的故障诊断。利用2种分类器的概率输出构造基本概率赋值函数，有效解决了D-S证据理论中基本概率赋值函数的构造。搭建带式输送机实验台，使用MATLAB进行实验验证，结果表明该方法的故障识别准确率可达97%，提高了故障诊断的准确度。     

基于FASTICA与PNN的齿轮箱故障诊断研究

机械设备运行中得到的诊断信息往往存在信噪比低、信号混叠等问题,严重影响提取真实的故障信号特征,降低了诊断准确率。针对上述问题,提出一种新的基于快速独立分量分析与概率神经网络的设备故障诊断方法,FASTICA对振动信号降噪处理后提取特征,PNN实现故障识别。通过算法仿真以及LMS齿轮箱实验证明,该融合算法处理后的动态故障诊断能力和诊断精度都明显提高。     

分布式电源配电网络系统故障诊断方法优化设计

针对分布式配电网故障诊断过程中因信号丢失导致的诊断准确率下降问题,以分布式电源配电网络故障定位拓扑结构为基础,采集不同时段不同区段故障发生后的配电网络节点信息,形成故障信息数据集群,并对其数据特性进行分析,提取故障特征量,最后,采用粒子群寻优算法对支持向量机模型参数进行参数寻优,在Matlab仿真平台构建了分布式配电网络故障诊断算法模型,其中对区域故障信号因子进行反馈校正,剔除非区域故障的冗余计算。仿真结果表明,该故障诊断策略提升了配电网络的故障诊断运算速度和准确率。     

矿用刮板输送机运行时在线监测及故障诊断系统应用研究

为了提高煤矿用刮板输送机设备的自动化水平,设计了一种刮板输送机自动监测和诊断系统。刮板输送机的故障会直接影响到日常生产。提出了一种小波包分解（WPD）和支持向量机（SVM）相结合的带式输送故障诊断方法,重点是托辊故障的检测。由于托辊的数量可能很大,采用一个加速度传感器来收集多个托辊的振动信号,以减少传感器的数量。用WPD对振动信号进行分解,提取各频带的能量作为特征,并利用这些特征训练SVM,实现托辊故障的检测。首先在试验台上对该故障诊断方法进行了测试,设计了一种针对刮板输送机的在线监测和故障诊断系统。在运行中的刮板输送机上进行了实验,验证了该系统可以用有限数量的传感器定位故障托辊的位置,这对刮板输送机的运行很重要。     

基于SMO-SVM算法的变压器故障诊断

支持向量机是一种基于统计学理论的机器学习算法,它能在训练样本很少的情况下达到很好的分类效果。针对变压器的特性,提出了以RBF为核函数的非线性支持向量机的二叉树多分类变压器故障诊断模型,利用序贯最优化算法(SMO)对样本进行训练,准确率较高。试验结果表明,SMO-SVM在变压器故障诊断中具有很大的应用潜力。     

基于数据融合的变电站电气设备安全运行一体化检测技术

变电站设备安全运行一体化检测技术中信息管理系统与运维业务之间数据融合度低,严重影响检测过程中故障定位精度,对此设计一种基于数据融合的变电站电气设备安全运行一体化检测技术。对采集到的电气设备运行数据中的缺失数据和异变的数据进行处理,完成数据融合前的预处理,建立数据融合故障诊断模型,结合最短距离法聚类树确定故障存在情况,通过计算明氏距离划分变电站电气设备安全运行扰动区域,根据故障扰动区域划分结果,检测故障,从而完成变电站电气设备安全运行中故障的精准定位。在实验中设计无NLOS传播和有NLOS传播2种场景下检测技术的定位精度,实验结果表明,与无NLOS传播相比,在有NLOS传播情况下定位精度稍差,但是2种场景下的定位误差均在合理范围内。