用于煤矸识别的振动传感器设计

目前自动化放顶煤开采煤矸识别技术中,伽马射线成本太高且对人体有害;红外技术受环境温度影响较大;雷达探测在煤层较厚时信号衰减严重;声音技术成本低、难度小,但受外界声音信号干扰严重;图像技术在煤矸颜色差别大时有效,但受粉尘、光线因素影响较大;振动技术具有声音技术的优点,同时又可以避免环境噪声干扰,具有较高的检测精度。顶煤和矸石的性能有所不同,落到液压支架尾梁上时产生的振动信号也表现出不同的特征。针对该特征,设计了一种振动传感器,该传感器安装在液压支架尾梁的腹板处,对顶煤或矸石砸到液压支架上产生的振动信号进行感知,通过信号处理和分析辨识出放煤过程中的煤块和矸石。该传感器利用加速度计采集尾梁振动信号,并对采集数据进行前端滤波处理;利用傅里叶变换对数据进行功率谱分析,得到单位时间内的最大振动频率、幅值及功率谱能量。实验室测试结果表明,该传感器测量误差在1%以内。井下测试结果表明,振动传感器采集的信号大部分是煤块落下时的振动信号,其频率范围为100～200Hz,而矸石落下时的振动信号频率在200 Hz以上,根据振动信号特征能够识别出顶煤和矸石。     

基于EMD特征提取与随机森林的煤矸识别方法

基于振动信号辨识是实现综放开采煤矸识别的有效手段,现有方法在识别准确性和有效性方面有待进一步研究。提出了一种基于经验模态分解(EMD)特征提取与随机森林(RF)的煤矸识别方法。采用加速度传感器及数据采集仪采集了某综放工作面煤和矸石冲击液压支架尾梁产生的振动信号,分别对2种信号进行EMD,得到一系列本征模态函数(IMF);根据EMD结果选取有效IMF,分别提取IMF能量、峭度、矩阵奇异值及对应熵作为特征向量,采用各特征向量独立训练RF模型,根据各RF模型对测试样本的识别结果筛选特征向量,并建立特征数据集;采用特征数据集训练RF模型,采用训练好的RF模型实现煤矸识别。测试结果表明:该方法对200组煤矸测试样本的识别准确率达96.5%,且当RF模型中决策树数量设置为100或150时识别准确率最高,对测试样本进行特征提取与识别的耗时不超过0.2s,满足综放工作面煤矸识别准确性和实时性要求。     

基于Mel频率倒谱系数和遗传算法的煤矸界面识别研究

针对现有的煤矸界面识别技术采用的γ射线法不适用于顶板不含放射性元素或者放射性元素含量较低的工作面,而雷达探测法探测范围小、信号衰减严重的问题,提出了一种基于Mel频率倒谱系数和遗传算法的煤矸界面识别方法。该方法利用煤矸放落过程中产生的声波信号的特征差异进行煤矸识别,采用Mel频率倒谱系数将去噪后的煤矸声波信号变换到频域进行处理,提取出煤矸声波信号的32维特征参数;采用遗传算法优化处理32维特征参数,得到最优参数组合;采用支持向量机和BP神经网络对最优参数进行识别。实验结果表明,该方法能够准确识别出煤矸下落状态。     

基于小波和独立分量分析的煤矸界面识别

为了解决综采工作面放顶煤开采过程中煤矸界面识别问题,给出了一种基于小波去噪和独立分量分析相结合的煤矸放落声信号特征提取算法.利用小波分析对传声器实时采集的声信号进行降噪处理,提高信噪比.利用独立分量分析方法片煤矸混合声信号进行盲源分离,分别提取出煤和矸石的独立声谱特征信号.选取该信号的统计特征值作为神经网络分类器的输入...     

高压变电站主变压器振动波谱实时监测系统研究

介绍了一种基于VC++用加速度传感器实时测量高压变电站主变压器振动位移信号的方法.首先将加速度谱进行频谱变换,计算每个频率分量对应的幅值,进而对这些幅值比较检测出振动信号频率,然后将所需幅值进行叠加运算,根据时域信号和频域信号能量对应关系即可求出简谐振动信号位移幅值和加速度幅值.验证试验结果表明该方法可行,实时性、精度可满足工程实践的需要.     

基于倒谱距离的采煤机煤岩截割振动信号识别

在基于煤岩截割振动信号分析的煤岩界面识别过程中,针对常规时频域分析方法对噪声敏感、振动信号能量变化适应性差等问题,提出一种基于倒谱距离的采煤机煤岩截割振动信号识别方法。通过分析振动传感器采集的采煤机不同负载状况下的截割振动信号,得出结论:与采煤机割岩状态相比,割煤状态下得到的振动信号与空载状态下的标准信号的倒谱距离更大;割岩状态下振动信号的倒谱距离呈明显的周期性,且周期为滚筒旋转1周的时间,而割煤状态下的振动信号无此特征。工业试验结果表明,该方法在煤岩硬度差大于10 MPa时,识别准确率达75%。     

综放工作面煤矸自动识别系统设计及应用

提出了一种基于振动信号的综放工作面煤矸自动识别系统,介绍了系统结构及工作原理,重点阐述了煤矸识别设备的软、硬件设计方案及煤矸识别算法。该系统由煤矸识别设备依据煤与矸石跌落到液压支架上时的振动信号不同来辨识煤矸,液压支架电液控制器根据辨识结果控制液压支架动作。该系统在某煤矿进行了煤矸的可辨识性和自动放煤过程的可控性测试,并已应用于部分煤矿,效果较好。     

经验模态分解与EOSA方法的滚动轴承故障诊断

提出了一种利用经验模态分解(EMD)与Teager能量算子解调算法(EOSA)相结合的滚动轴承故障诊断方法;故障轴承振动信号往往是多分量AM-FM信号,首先对滚动轴承内圈故障调制信号进行EMD分解,得到若干个不同特征时间尺度的内禀模态信号(IMF),然后利用Teager能量算子解调法计算各个内禀模态信号的瞬时幅值,对主要内禀模态信号的瞬时幅值包络谱进行分析,可提取轴承故障信号特征信息;实验分析结果表明,利用经验模态分解与EOSA相结合的方法,可有效提取6205-2RS型深沟球滚动轴承的内圈特征频率fi=162.2Hz及其倍频。     

基于局部特征尺度分解与瞬时频率谱的齿轮故障诊断

齿轮故障振动信号具有非平稳、非线性特征,且可视为多个调幅-调频分量的叠加,单个调幅-调频分量的瞬时频率蕴含了齿轮的故障特征;为了将信号准确分解、获得单分量的瞬时频率,进而根据瞬时频率谱进行齿轮故障诊断,提出了局部特征尺度分解与瞬时频率谱相结合的故障诊断方法;该方法首先对齿轮振动信号运用局部特征尺度分解,得到若干个瞬时频率有物理意义的内禀尺度分量,然后分别应用希尔伯特变换技术求取每个分量的瞬时频率,并对瞬时频率进行傅里叶变换得到瞬时频率谱,最后根据瞬时频率谱进行故障诊断;对齿轮断齿故障实验数据进行了方法有效性分析,分析结果表明:该方法不仅能够准确诊断出齿轮箱故障情况,还能定位发生故障的齿轮,该方法可有效地应用于齿轮故障诊断。     

基于FBG传感器的变压器振动信号检测与分析

为了早期发现电力变压器的振动故障问题,需要选择有效位置对变压器的振动状态进行检测.针对电力变压器铁芯-绕组振动特性,通过有限元分析,仿真得到铁芯-绕组测点位置.以型号为S13-12500/35型油浸式无励磁调压35 kV电力变压器为试验对象,将光纤Bragg光栅(FBG)振动传感器安装于铁芯-绕组的测点位置,对不同负载下变压器振动信号进行检测与频谱分析,结果表明:变压器振动信号频率集中在100 Hz及其倍频处;在80％,90％,100％负载下,幅频信号100 Hz处的振动幅值随着变压器负载的增大而增大.     

基于HHT倒谱系数的说话人识别算法

针对LPCC只反应语音静态特征且不能突出其低频局部特征问题,提出一种以HHT倒谱系数为特征的说话人识别算法,HHT的经验模态分解使语音的低频局部特征得到更好的描述,Hilbert变换能够刻画语音动态特性,改进了LPCC的不足。用经验模态分解将语音分解为一系列固有模态函数分量并做Hilbert变换求得Hilbert边际谱,计算总边际谱的对数功率谱并做DCT得13维倒谱系数,将此特征送入高斯混合模型进行说话人识别。仿真实验结果表明,基于HHT倒谱系数的说话人识别算法,相较LPCC识别率提高了12.59%,但特征提取时间增加了19.27 s。     

基于Hilbert-Huang Transform的心音信号谱分析

心音信号是一种典型的非平稳信号,传统信号处理方法的应用受到很大限制.针对此本文提出了基于Hilbert-Huang Transform(HHT) 的心音信号的分析方法,对冠心病患者的心音信号进行了分析.通过把心音信号分解为内蕴模式函数,利用Hilbert变换建立了心音信号的时间-频率-能量三维Hilbert谱分布以及边界谱分布;Hilbert谱及其边界谱在时域以及频域以较高的分辨率表征了心音信号的时频变化特性,揭示了冠心病患者心音信号的病理特征;为冠心病的早期无损诊断奠定了坚实基础,临床实践中有较大的指导价值.     

基于HHT的汽车动态称重数据分析方法

将希尔伯特-黄变换（Hilbert—huang transform，HHT）引入到汽车动态称重数据的分析中，针对动态称重信号的特点运用了极值延拓法来抑制边界效应，提出了利用经验模分解（Empirical mode decomposition，EMD）剩余分量的平均值求汽车动态称重真实轴重的方法，并将该方法与滤波法进行比较；进一步求出信号的Hilbert边际谱，将其与傅里叶幅值谱进行比较。实验结果表明Hilbert边际谱准确地反映了汽车通过称重台时振动系统的频率分布情况，汽车自振频率由此求出；当汽车通过台板的时间大于车辆振动的基频周期时，用该方法处理汽车动态称重信号能得到较理想的结果，车速≤15km／h时最大误差为5．63％。     

基于MED和边际谱的自动倾斜器轴承故障诊断

针对直升机自动倾斜器轴承早期微弱故障特征易被强烈背景噪声淹没的问题，提出了一种基于最小熵反褶积（Minimum Entropy Deconvolution，MED）和边际谱的自动倾斜器轴承故障诊断方法。采用MED对采集的振动信号进行滤波降噪，提高了信号的信噪比，突出了轴承早期微弱故障特征；通过Hilbert变换和经验模态分解（Empirical Mode Decomposition，EMD）获取去噪包络信号的本征模态函数（Intrinsic Mode Functions，IMF）集，并引入峭度筛选准则选取合理IMF集计算局部Hilbert边际谱，有效地提取了故障特征频率，能够通过故障特征频率进行故障类型判别。通过某型直升机自动倾斜器故障诊断试验系统验证了该诊断方法的合理性和可行性。     

希尔伯特-黄变换在表音故障诊断的应用

针对钟表表音信号提取与分析存在较大困难的问题,提出了双麦克降噪采集装置和基于经验模态分解的手表表音希尔伯特-黄变换(Hilbert-Huang)方法。该方法提取机械手表的故障信号进行经验模态分解,进而对内禀函数进行希尔伯特变换得到希尔伯特谱和希尔伯特边际谱。仿真实验结果表明,边际谱能识别出故障信息,该方法能够定位误差并实现故障诊断。     

基于HHT的液压管路裂纹故障诊断方法研究

将HHT方法应用于液压管路裂纹的故障诊断,提出基于HHT的液压管路裂纹故障诊断方法,并以正常液压管路和有裂纹液压管路为例进行实验验证。首先进行EMD（经验模态分解法）振动信号分解。将EMD和HHT方法引入航空发动机液压管路裂纹的振动信号分析,某发动机液压管路的裂纹振动信号的分析结果表明,该方法能够克服傅里叶谱无法同时获得时域和频域信息的缺陷。同时边际谱能够比较真实客观地反映有裂纹液压管路的频率和幅值分布情况。此外由边际频谱图中可知,无裂纹液压管路、有裂纹液压管路振动信号的频率能量分别集中于25 Hz,有裂纹的整体系统刚度大于无裂纹的。据此,有裂纹的管路,其振动加大的现象得以由HHT方法明显呈现。     

基于改进方法EEMD的HHT脉搏信号分析

针对传统希尔伯特-黄变换(Hilbert-Huang Transform.HHT)中经验模态分解(EmpiricalMode Decomposition.EMD)存在的模态混叠问题,提出一种基于总体经验模态分解(Ensemble EmpiricalMode Function.EEMD)的脉搏信号分析方法.谊方法通过对原...     

基于Hilbert边际能量的舒张期心音诊断算法

针对心音信号的病理特性及傅里叶频谱分析的局限性,提出了以多频率阈值下的Hilbert边际能量比值作为特征集区分正常和异常心音的方法.利用希尔伯特—黄变换(HHT)获取边际能量谱,将高频能量占总能量的比值作为特征.对比正常和异常心音能量谱以及各频率点能量比值的差异,确定频率阈值范围,构造特征集,通过主成分分析(PCA)降维去除冗余特征,结合支持向量机(SVM)分类.对18例正常人和18例冠心病人进行分析,结果表明:在多频率阈值80~160 Hz下,构造的特征集在两类样本中具有显著性差异.     

改进MFCC算法在朱鹮鸣声个体识别中的应用

朱鹮鸣声信号具有非平稳性,针对FFT不能反映信号的瞬时性以及无法摆脱基函数的问题,提出了一种基于HHT变换的MFCC参数特征提取算法,通过对信号进行EMD分解,得到每一帧固有模态函数后进行HT变换,频率合成后的边际谱通过Mel滤波器;然后取对数能量,经过DCT变换后得到改进的MFCC系数,采用高斯混合模型分别在纯净和加噪两种环境以及不同信噪比下进行朱鹮鸣声的个体识别。实验结果表明,改进算法不仅能更好地体现鸣声信号的瞬时性,朱鹮个体的平均识别率也提高了4%。