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。     

多传感器检测技术在摇臂传动系统的应用研究

为了研究采煤机摇臂传动齿轮的故障诊断方法,采用多传感器在线检测技术,对摇臂振动信号在不同载荷状态下进行时域和频谱分析,获取边频带信号频谱特征,依据边频带特征频率下的振幅结果确定故障齿轮的转动频率。最后对频谱和时域的结果进行综合分析,锁定故障齿轮的准确位置。对某采煤机摇臂齿轮传动系统进行了振动测试与信号分析,结果表明,本振动分析方法可以实现对采煤机摇臂故障齿轮的准确定位,为复杂齿轮传动系统的故障快速定位和现场定点维修提供了方法支持。     

基于小波神经网络的采煤机摇臂故障诊断的研究

针对采煤机机械系统故障信号诊断的问题,在小波分析和神经网络的基础上,采用了一种基于小波神经网络诊断采煤机摇臂故障的方法。根据摇臂振动的信号通过小波分析检测出信号奇异点和突变情况,利用小波基函数作为小波神经网络的激励函数对故障信号做进一步的诊断,判断出故障特点和程度。结果证明此方法在故障诊断中的诊断准确率较高。     

采煤机摇臂齿轮箱振动信号及故障类型分析

采煤机的摇臂齿轮箱是经常发生故障的典型部件。针对该部件的故障现象,分析研究了齿轮振动机理,以及由齿轮各种失效导致的齿轮振动信号调制原理,同时介绍了齿轮及滚动轴承不同失效形式引起的各种故障类型,进而为确定故障位置以及故障形式提供了理论依据,从而能够预知引起振动信号变化的故障因素,预防事故的发生,提高摇臂齿轮箱工作的可靠性,进一步提高采煤机工作效率和产量。     

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。     

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。     

基于嵌入式的采煤机摇臂数采系统

现有的采煤机摇臂数采系统存在没有针对摇臂振动信号进行监测,系统采样频率低,人机交互性较差等问题。从电牵引采煤机摇臂数据采集及分析的研究意义和背景入手,针对现有系统的不足,重点对摇臂振动信号采集、数据分析处理、嵌入式系统以及总线通信等技术进行了研究。采用基于ARM和DSP的双CPU微处理器结构,并开发了数据采集及分析软件,对系统进行了整体测试,测试表明系统能够实现数据采集、小波分析降噪、文件传输等功能,运行稳定。     

基于嵌入式技术的采煤机摇臂监测系统研究

设计了一种基于嵌入式技术的采煤机摇臂监测系统,该系统以S3C6410微处理器为控制核心,通过RS485串行总线从采煤机顺槽控制箱处读取摇臂的振动信号,并且可以通过工业以太网和上位机进行实时通信。本系统具备实时采集、显示、故障报警等功能,具有较好的实时性和稳定性。     

基于振动图像和DCNN的采煤机滚动轴承故障诊断

在煤矿井下实际工况中,由于开采煤层的起伏,采煤机作业常伴随着噪声干扰以及工作载荷突变的情况,所以采集到的采煤机故障振动信号是非常复杂的,往往掺杂噪声信号的干扰。如何从原始信号中提取到有用的特征信息成为了井下设备故障诊断的研究难点。这种情况下难以直接使用一维振动信号进行滚动轴承故障诊断,提出了基于振动图像和动态卷积神经网络(DCNN)的采煤机滚动轴承故障诊断模型,将DCNN对于图像识别的高性能引入采煤机轴承的故障诊断中。测试实验结果表明,该故障诊断模型可实现对滚动轴承多种故障模式的特征分类,验证了该方法的正确性和高效性。     

基于时域参数的连续采煤机截割臂振动特性分析

为了获得连续采煤机截割臂的工作特性,首先通过试验采集得到了连续采煤机截割臂在井下工作过程中的振动信号,然后采用普适的时域参数描述了连续采煤机截割臂在实际工况下的振动特征,通过计算裕度因数等参数并进行对比分析,得出在选取的时域参数中,峭度指标对工况的变化较为敏感且稳定性较好,可以作为反映工况依据的结论,为连续采煤机截割臂振动信号提取和载荷识别提供了理论依据。     

基于BP神经网络的采煤机摇臂异声故障诊断技术研究

通过检测摇臂的振动参数,采集数据信息,通过BP神经网络的处理方法,对采煤机摇臂故障部位进行预测和准确定位,提高摇臂异音问题的处理速度,增强采煤机运转的可靠性。     

基于双树复小波变换和奇异谱熵的采煤机摇臂轴承故障诊断

该文提出基于振动信号分析的采煤机摇臂轴承故障诊断方法,对振动信号进行双树复小波变换(Double Tree Complex Wavelet Transform,DTCWT),将原始振动信号分解为不同频带的7层信号;针对各频带信号,结合奇异谱熵实现从信号奇异成分能量分布角度的故障特征量化提取,通过分析比较各频带奇异谱熵,可实现采煤机摇臂滚动轴承故障准确诊断。     

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...     

基于振动信号的矿用旋转类设备状态监测系统

为保证石圪台煤矿旋转类设备的可靠安全运行,对矿用旋转类设备故障原因进行分析。矿用设备运行环境差和长期高负荷运行是其故障的主要原因。采用在线监测的方式对设备的振动信号进行监测,通过数据采集、处理及分析几个阶段评估设备潜在的故障及其运行状态。采用加速度传感器对高频(2~20 000 Hz)和低频(2~2 000 Hz)加速度信号进行数据采集。矿用旋转设备状态监测系统采用C/S架构,由11个采集站实现对除采煤机外的所有主要旋转类设备的监测。现场应用表明:监测系统可以有效避免设备的非计划停机,延长设备的使用寿命,保证了设备的使用效率。     

基于迁移学习的采煤机摇臂传动故障研究

针对传统故障诊断方法无法有效识别并自动分类实际工况中采煤机摇臂传动故障多的非线性、非平稳信号,提出一种基于迁移学习的采煤机摇臂传动故障诊断模型。基于迁移学习思想,构建基于深度迁移学习的采煤机摇臂传动故障诊断模型;采用多标签分类及sigmoid函数,对模型进行改进,实现对采煤机摇臂传动复合故障的识别与分类;最后,通过仿真实验验证了改进模型性能,并对比了提出模型与传统智能故障诊断模型DCNN、SVM、LSTM、CNN在迁移任务中的分类准确率。结果表明,相较于传统智能故障诊断模型,基于深度迁移学习的采煤机摇臂传动故障诊断模型具有更高的诊断精度,且收敛速度更快,可提高采煤机摇臂传动系统的工作可靠性。     

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 。     

基于振动分析的矿用通风机故障预警技术研究

分析了矿用通风机的典型故障及特征,讨论了振动分析的常用方法和基本规范,提出了一种基于振动分析的矿用通风机故障预警方法。以MCM-100高精度振动信号采集分析平台配合宽范围、高灵敏加速度传感器,在线动态采集通风机振动信号,采用频谱分析+强度判定的故障识别策略解决通风机故障诊断的问题。实验结果表明,该方法具有信号采集精度高、故障识别算法简单、可靠等特点,为矿用通风机故障监测与预警提供了有效的技术解决方案。     

电牵引采煤机摇臂振动测试与故障分析

以EDW-150-2L型电牵引采煤机的摇臂机械故障为例,对其结构和传动特点进行了介绍,通过比较出厂时均振动信号和_T-作247d时的振动信号,可知其摇壁某些零部件可能出现了机械故障,利用包络解调谱法对所获取的故障信号进行处理,通过与故障特征频率的比较,确定了故障的具体部位,验证了该方法的有效｜}生和优越}生。为采煤机的检测提供了理论依据。