一种带式输送机故障诊断方法

针对传统浅层神经网络用于带式输送机故障诊断时存在故障状态样本数据不足、准确率不高等问题,提出了一种基于合成少数类过采样技术(SMOTE)和深度置信网络(DBN)的带式输送机故障诊断方法.该方法利用SMOTE生成带式输送机故障状态样本数据,克服样本数据分布不平衡现象;将样本数据输入DBN,利用无监督逐层训练方式提取数据中的故障特征,并通过有监督微调来优化故障诊断能力,实现带式输送机故障精确诊断.仿真结果表明,该方法提高了带式输送机故障诊断准确率.     

基于差分振子的带式输送机故障诊断方法

针对带式输送机运行状态信号微弱而不易提取故障特征的问题,提出了一种基于差分振子的带式输送机故障诊断方法。该方法采用Hilbert对信号进行解调,揭示隐含在信号中的设备故障特征,然后利用差分振子相图的变化实现对故障特征的提取。若信号中含有故障特征,则差分振子相图收敛于极环状态,反之则收敛于极点状态。应用结果验证了该方法的有效性。     

矿用带式输送机托辊音频故障诊断方法

现有矿用带式输送机托辊故障诊断方法一般是对托辊信号进行分解并转换至频域,从频域提取特征进行故障诊断,而常用的信号小波分解和经验模态分解方法存在小波基选择困难、易出现频谱混叠和端点效应的问题,导致故障诊断准确率较低。针对上述问题,提出了一种基于变分模态分解（VMD）-BP神经网络的矿用带式输送机托辊音频故障诊断方法。首先通过音频传感器采集矿用带式输送机沿线托辊的音频信号,并对音频信号进行预处理,以抑制音频信息中的噪声信号;然后采用VMD将音频信号按照中心频率分解成不同的IMF（本征模态函数）分量,提取各个IMF分量的峭度、重心频率、频率标准差等特征值;最后将特征值输入到已经训练好的BP神经网络,根据IMF分量特征值的差异,可以实现通过音频对矿用带式输送机托辊故障进行诊断,并可根据音频信号对应的传感器编号确定出故障托辊位置。以某煤矿实际采集的带式输送机托辊音频信息对基于VMD-BP神经网络的矿用带式输送机托辊音频故障诊断方法进行分析验证,结果表明：该方法在分解、提取音频信号特征时,可以避免分解过程中的频谱混叠与端点效应,总体故障诊断准确率达到96.15%,与采用BP神经网络的故障诊断方法和...     

井下带式输送机减速器振动故障诊断研究

利用测振记录仪进行了煤矿井下带式输送机减速器的振动监测试验;通过分析现场振动数据时域特征指标的变化趋势和功率谱,发现该减速器输入轴齿轮存在严重磨损和蹦齿故障。检修结果验证了分析的正确性和记录仪记录数据的真实有效性。     

带式输送机系统故障诊断方法综述

输送带和驱动装置是带式输送机的主要组成部分且为故障高发部位,以输送带故障和驱动装置故障为切入点,分析了输送带跑偏、打滑、损伤、堆料撒料等故障及驱动装置滚筒、托辊、减速器等故障的机理,重点阐述了知识驱动和数据驱动的带式输送机故障诊断方法研究进展。知识驱动法以知识处理技术为基础,实现符号处理和数值处理的统一、推理过程和算法过程的统一,主要包括专家系统、故障树分析法。数据驱动法采用机器学习和数据挖掘等技术对历史数据进行分析处理,建立诊断模型,达到故障诊断目的,主要包括支持向量机（SVM）、比差法、基于声音和视觉的诊断方法。分析了带式输送机故障诊断方法目前存在的挑战和未来发展趋势：(1)结合历史故障数据和实时数据推断设备健康状况,预测早期微小故障,提醒工作人员进行预测性维护。(2)揭示带式输送机耦合故障的关联关系,利用人工智能等新兴技术研究耦合故障联合诊断方法。(3)利用多模态机器学习技术研究带式输送机多模态信息融合利用机制,开发带式输送机多模态信息融合故障诊断方法。(4)将故障知识图谱和带式输送机领域知识相结合,实现带式输送机设备故障追踪、故障超前预警,通过知识查询、知识推理和辅助决策功能,...     

模糊信息融合在带式输送机故障诊断中的应用

针对带式输送机故障诊断过程中单个传感器获得的信息具有不确定性和局部性的问题,提出了一种基于多传感器模糊信息融合的故障诊断方法。该方法将温度、粉尘和烟雾传感器所获得的带式输送机信息模糊化,经过融合中心的合成运算和决策规则将其融合,从而得到精确的带式输送机状态估计与判断。实验结果表明,该方法提高了带式输送机故障诊断的准确性和可靠性。     

信息融合在带式输送机故障诊断中的应用

针对带式输送机输送距离长、运量大、速度快等特点,为克服带式输送机系统的复杂性和单一传感器很难判断出故障所在,在分析D-S证据理论信息融合算法的基础上,将信息融合技术应用于带式输送机故障诊断中,实现多个传感器采集并充分利用多个传感器资源,提高故障诊断率。仿真结果表明,该方法能准确诊断出系统的故障,有效克服单个信息源的主观性,使故障检测误报率降低,提高检测系统的可靠性。     

煤矿带式输送机轴承监测诊断系统及其应用

针对煤矿现有带式输送机轴承故障诊断存在的问题,提出了一种新型的煤矿带式输送机轴承监测诊断系统的设计方案。该系统以矿用本安型振动监测分析仪与矿用本安型振动加速度传感器为核心,结合数据库服务器与组态王上位机软件,实现了煤矿带式输送机轴承的振动、温度信号采集与处理、故障实时分析与智能诊断、趋势分析、报告生成等功能。实际应用表明,该系统可实时监测煤矿带式输送机轴承的运行状态并进行故障诊断,满足了煤矿带式输送机运行状态监测与在线诊断的实时性和准确性要求。     

煤矿用带式输送机的设计

介绍煤矿用带式输送机的设计,包括驱动方式及工作机制,并就输送带跑偏和打滑问题提出解决办法.     

带式输送机托辊故障检测方法

针对现有带式输送机托辊故障检测方法采用接触式测量、不便于安装操作、不适合于井下大范围故障检测等问题,提出了一种基于小波去噪和BP-RBF神经网络的托辊故障检测方法。采集托辊运行时的音频信号,采用结合了软阈值法和硬阈值法的折中法对音频信号进行小波去噪处理;将每一层小波分解信号的能量和作为该层的特征值,通过处理系数对低频部分的特征值进行转换,以减小其在总能量中的占比,使故障特征更加明显;将提取的特征向量输入BP-RBF神经网络模型中进行故障检测。测试结果表明,对于正常托辊信号、托辊表面存在裂痕、托辊表面磨损3种情况,该方法的故障识别率达到96.7%。与传统的频谱分析诊断技术相比,该方法所需的工作量更少、准确率更高;相较于基于温度检测等的故障检测技术,该方法采用非接触安装方式,安装更方便,检测范围更大,具有良好的应用前景。     

煤矿带式输送机健康诊断方法

针对基于多传感器信息融合的煤矿带式输送机健康诊断方法运用D-S证据理论在处理冲突证据时失效的问题,提出了一种基于模糊证据理论的带式输送机健康诊断方法。该方法首先利用多种传感器采集带式输送机信息,并根据隶属度函数获取基本概率赋值,从而提取信息特征;然后通过对冲突证据进行修正并应用D-S证据理论的合成规则,实现基于模糊证据理论的信息融合;最后根据决策规则判断带式输送机运行状态。通过实例验证了该方法的有效性。     

一种煤矿机械轴承故障诊断方法

针对现有煤矿机械轴承故障自适应诊断方法易受高频噪声和间断噪声干扰而导致原始信号分解和特征提取精度较低的问题,提出了一种基于改进局部均值分解的煤矿机械轴承故障诊断方法。该方法在局部均值分解方法的自适应分解部分采用噪声辅助分解方法,将高斯白噪声加入原始信号,然后进行局部均值分解,以抑制高频噪声及间断噪声对信号分解的影响;在特征参数提取部分对乘积函数分量进行Hilbert变换,然后进行特征参数提取,以实现在全部取值范围内提取特征参数。仿真及测试结果表明,该方法对轴承故障信号分解和特征参数提取的效果较好,对轴承内外圈故障诊断的准确性较高。     

煤矿输送带传输故障实时监测技术

分析了断带、纵向撕裂、跑偏、水煤和碎煤堆积等常见的煤矿输送带传输故障及其原因,总结了目前针对煤矿输送带常见传输故障的监测技术及其存在的主要问题;为了解决现有输送带传输故障实时监测技术只能事后报警、不能提前预警的局限性,提出了一种基于机器视觉技术的煤矿输送带传输智能监测及预警系统。     

一种钢丝绳芯输送带早期故障检测方法

针对传统小波变换分析金属磁记忆信号奇异性时易受噪声干扰的问题,将经验模态分解(EMD)和小波变换(Wavelet)相结合,提出了一种EMD-Wavelet早期故障检测模型。将钢丝绳芯输送带的金属磁记忆信号经过经验模态分解得到本征模函数分量,利用小波变换模极大值法提取信号奇异性特征。实验结果表明,该模型抗干扰能力强,能够较好地反映信号局部特征,可有效判断钢丝绳芯输送带异常应力集中区位置,为早期故障诊断提供依据。     

输送带煤流量短时预测方法研究

对煤流量短时间内的趋势进行预测,是实现带速与运量匹配的前提条件,而现有输送带煤流量短时预测方法存在实时性不好和精度不高的问题。针对上述问题,提出了一种基于支持向量机的输送带煤流量短时预测方法。该方法首先利用支持向量机算法选择实时煤流量作为因变量、统计数据时间作为自变量,然后对实际采集到的煤流量数据进行归一化处理,利用交叉验证方法选择出最优的参数,利用最优参数训练支持向量机,拟合出理想的短时间内煤流量预测曲线,最后通过进一步对比拟合均方误差、相关系数等预测指标来分析煤流量预测曲线与原始数据曲线的拟合程度,得到最佳预测曲线。Matlab仿真结果表明,该方法能够较好地预测输送带短时间内的煤流量,预测数据与真实值之间的偏差很小,均方误差为0.000 152 563,相关系数为99.784 8%。