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EMD-SVM的刚性罐道故障诊断研究

探讨了基于经验模态分解(EMD)和支持向量机(SVM)的提升机刚性罐道故障诊断方法。首先利用EMD对采集的振动信号进行分解以获得内蕴模态函数(IMF),并结合小波降噪对其高频分量进行降噪。然后,提取降噪后IMF分量中的典型信息作为故障特征向量,使用SVM进行故障模式识别。     

基于小波神经网络的矿用主通风机故障诊断研究

通过小波包分析对通风机转子的振动信号降噪分解,提取各频带重构信号的能量作为故障特征向量,并以此当做BP神经网络的训练样本和测试样本,进行网络训练和故障模式识别。以MATLAB为平台,测试了网络对通风机常见故障类型的识别验证率,结果表明方法可行有效,有较高精度,为旋转设备故障诊断提供了新的思路。     

基于小波包神经网络的电机故障诊断分析与研究

由于传统基于傅立叶变换的利用频域对电机故障的信号分析中无法对奇异信号点的时域信息进行检测。针对上述问题,提出基于小波包神经网络的电机故障诊断的方法。结合电机振动的非平稳随机性的特点。利用小波包多分辨率分析方法对电机的采样信号进行分解,提取电机故障状态特征并作为BP神经网络输入样本的特征向量,利用神经网络的自学习和模式识别的特点最终输出电机故障类型。通过MATLAB仿真结果可以证实该方法可行性。     

基于改进的HHT边际谱齿轮箱故障诊断

针对信号经验模态分解(EMD)过程中存在波形混叠现象,提出一种基于聚合经验模态分解(EEMD)和Hilbert边际谱相结合的方法对齿轮箱故障进行故障诊断。首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理,提高EEMD分解的精确度;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对2种工况信号进行Hilbert变换并计算得到边际谱,确定故障信号的故障频率。研究表明该方法在避免EMD分解带来的模态混叠现象方面具有可行性,能提高齿轮箱故障诊断的准确率。     

基于包络谱分析的滚动轴承故障诊断方法研究

分别用小波分解、小波包分解和EMD分解处理滚动轴承故障数据,并结合Hilbert变换进行包络谱分析实现滚动轴承故障诊断。对滚动轴承故障数据进行小波阈值降噪。小波阈值降噪后分别进行小波分解、小波包分解和EMD分解。分别求出小波分解、小波包分解和EMD分解后各个频带的能量谱。再根据能量谱确定故障频带范围并对其进行信号重构。采用Hilbert变换对重构信号进行包络谱分析实现滚动轴承故障诊断。通过对滚动轴承内圈故障信号的分析验证了小波分解、小波包分解和EMD分解结合Hilbert变换进行包络谱分析的滚动轴承故障诊断方法的有效性。     

钢绳芯输送带的磁记忆信号特征提取方法研究

利用金属磁记忆(MMM)技术进行故障检测时,较弱的故障信号提取成为检测准确度高低的关键。采用小波分析和奇异值分解相结合的方法,对金属磁记忆信号经行故障特征提取。通过小波分析将故障信号分解为不同尺度的分量,以形成初始向量特征矩阵,并对该矩阵进行奇异值分解,选择代表特征信号的奇异值分量重构,从而实现对故障信号的特征提取。经过实验证明该方法有效。     

基于参数优化VMD和GSA-SVM的带式输送机轴承故障诊断研究

针对带式输送机轴承故障难以精确诊断的问题,提出一种基于参数优化变分模态分解(VMD)和引力搜索算法优化支持向量机(GSA-SVM)的轴承故障诊断方法。首先以样本熵为适应度值,遗传算法优化VMD参数,得到最优模态参数K和惩罚因子α的组合;然后利用优化后的VMD分解振动信号,得到K个模态分量,并将模态分量的散布熵作为特征向量;最后将特征向量带入GSA-SVM中进行故障模式识别,得到故障诊断结果。实例验证可知,该方法能够实现轴承准确故障诊断,且优于对比方法。     

基于EEMD的齿轮箱故障诊断

主要介绍了集合经验模态分解方法(EEMD),利用EEMD的自适应恒比例带通滤波器特性,以及分解后的噪声信号与故障信号在各阶IMFS中的不同特性,将齿轮箱故障信号进行整体的EMD分解,解决了EMD的频谱混叠问题,提取出了齿轮箱的故障特征。研究结果表明EEMD优越于EMD方法,是一种很有效的齿轮箱故障诊断方法。     

多尺度下矿用制冷装置电机轴承故障诊断的研究

提出了一种多尺度下针对矿用制冷装置防爆电机轴承故障诊断的方法。根据轴承信号的特点,系统自适应地选择在能量上与信号最接近的基函数对信号进行分解。基函数的多尺度性对处理非平稳信号有很大的优越性。在非稳态情况下,当电机轴承出现故障时,故障信号频率会随轴承转速的变化而变化,利用多尺度线调频基的信号分解能得到在变速情况下轴承故障特征的变化情况,然后对故障特征进行识别。     

一种露天矿卡车故障的NLP技术挖掘与分析方法

受制于国内露天矿设备的智能化故障诊断水平,露天矿卡车故障信息以人工采集方式为主,故障信息的标准化和故障管理的程序化程度不够,难以进行深入的故障分析工作。为此,提出了基于自然语言处理技术的故障分析方法。该方法首先对故障文本信息进行预处理,利用向量空间模型对处理结果进行统计,从而获得初始特征向量;然后利用主成分分析算法对初始特征向量进行降维处理,建立故障特征空间模型;最后利用这些特征向量训练故障挖掘模型,对露天矿卡车故障信息进行挖掘与分析。通过矿山实际数据验证了该方法的合理性,为露天矿卡车故障信息分析与管理提供了新方法。     

矿井供电系统串联型故障电弧仿真分析及诊断方法

因接触不良或机械损伤,煤矿供电系统会产生串联型故障电弧,串联型故障电弧是引发煤矿电气火灾的原因之一,目前缺少有效的检测手段,影响了井下的供电安全。井下可能存在瓦斯和煤尘等易燃易爆物质,不宜开展串联型故障电弧实验,无法获得大量故障电弧电流样本,加大了井下串联型故障电弧诊断工作的难度。为研究矿井供电系统串联型故障电弧的典型特征及诊断方法,论文首先在Mayr-Schwarz电弧数学模型的基础上,建立了矿井供电系统串联型故障电弧仿真模型,并结合实验结果对仿真模型的性能进行了评估;然后对矿井供电系统的采煤系统、胶带输送系统、泵房排水系统、照明系统的串联型故障电弧、过电压、单相接地、两相接地短路、两相短路、三相短路电气故障进行仿真分析、特征分析,以电流信号的过零点数、峰峰值、方差、峭度系数、裕度因子、谐波畸变率、单边功率谱频率方差、小波包系数能量熵、小波包系数峰峰值为特征量,建立了矿井供电系统串联型故障电弧特征参数数据库;最后综合比较决策树、K近邻、Bagged trees多分类模式识别方法在故障电弧诊断、选相及抗负载电流波动扰动、抗背景噪声扰动方面的性能,提出了K近邻矿井供电系统串联型故障电弧诊断方法。结果表明,建立的串联型故障电弧仿真模型能够用于仿真分析矿井供电系统串联型故障电弧,所建立的特征参数数据库能够反映矿井供电系统串联型故障电弧的典型特征,提出的K近邻串联型故障电弧诊断方法可用于矿井供电系统串联型故障电弧诊断及选相。     

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。     

基于模型识别的小电流接地选线方法

煤矿6 kV～10 kV电网中发生单相接地故障时,其消弧线圈的补偿作用使得故障信号变得很微弱,给故障选线技术带来很大困难。提出一种采用模式识别的小电流接地选线方法,即对每条线路分别建立故障数学模型,各条线路同时利用采集的电流电压数据求最小二乘意义下模型方程的解,依据得到的线路对地电容判断实际发生故障是否符合所建立的模型,进一步识别出故障线路。现场记录的数据验证了该方法的正确、可靠性。     

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。     

采动底板断层“活化”的解析计算及其工程应用

在材料力学和矿山压力理论的基础上,建立了采动底板断层活化突水的解析力学模型。综合考虑断层面及其附近的受力条件,并结合水压力推导出采动底板断层活化突水的相关公式,得出了在临界突水条件下断层活化突水的水压和开采深度的相关公式,并对该公式相关参数进行了讨论。结合郑州矿区超化煤矿22081工作面断层活化突水实例进行应用,通过计算得出其理论与实际情况是基本吻合的。进而说明该力学模型及其相关公式可以作为采动底板断层活化的判据之一。     

基于广义回归神经网络的采煤机故障诊断的研究

针对采煤机故障征兆和故障的非线性对应关系,采用广义回归神经网络作为故障诊断的智能分类器。输入层为采煤机的故障特征参数,中间层为径向基神经元,感知待诊断故障向量与训练样本的相似度,输出层为故障模式分类。分析了广义回归神经网络的优越性和结构特征,建立了不同光滑因子和训练样本数目的采煤机故障诊断模型,并在MATLAB进行了仿真。     

基于信号分析技术和人工智能算法的电力线路故障定位研究

针对基于行波分析的故障定位方法存在的部署成本高,且在串补电路中精度不足的问题,提出一种基于信号处理技术和人工智能算法相结合的低成本故障定位方法。使用双曲S变换对故障电流进行时频转换以提取故障特征,使用能量谱分析技术对故障特征进行降维处理,并将所得到的故障特征输入反向传递人工神经网络（BP-ANN）模型,实现对电力线路故障距离的识别。仿真实验表明,在不同故障类型、不同过渡电阻的条件下,该方法均能够实现准确的故障定位。     

风力发电站高压输电线路故障定位方法

针对目前方法对高压输电线路进行故障定位时,由于未能基于信息熵指标提取输电线路故障的信号特征,导致该方法在进行故障定位时,存在定位精度低、定位误差大、定位时间长、定位效果差的问题,提出基于数据驱动的风力发电站高压输电线路故障定位方法。对风力发电系统进行具体分析,基于数据驱动方法构建发电系统的系统模型;以模型为基础,获取故障信号的信息熵指标以及近似熵指标,根据获取指标提取故障的信号特征;利用多点的数据故障定位方法,对风力发电站高压输电线路中的故障进行定位。实验结果表明,运用该方法进行故障定位时,定位精度高、定位误差小、定位时间短以及定位效果好。     

基于LabVIEW的矿井提升机故障诊断系统设计

为了保障矿井提升机设备安全运行,运用LabVIEW为平台设计矿井提升机故障诊断系统,实现对提升机各组成部件运行状态监测与故障诊断。设计了基于图形化编程语言LabVIEW的故障诊断系统,运用Matlab Script节点建立基于遗传算法的推理机,实现提升机故障信号识别。仿真表明:在缺乏先验知识和样本数据很少的情况下对故障做出判断,减小了知识不足对诊断结果的影响,根据故障数据确定了提升机故障部位及原因,对及时排除设备安全隐患具有重要意义。