基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。     

某含锌锡多金属硫化矿石锌浮选试验研究

某含锌锡多金属硫化矿石Zn、Sn、Fe、S含量分别为6.04%、1.05%、29.33%、19.08%，锌主要以铁闪锌矿、闪锌矿的形式存在，锡主要以锡石的形式存在，铁主要以黄铁矿、磁黄铁矿等形式存在，其中的金属矿物共生关系密切，相互包裹现象普遍。为确保不影响后续选锡，对锌浮选流程进行了试验研究。结果表明：矿石在磨矿细度为-0.074 mm占80%的情况下，采用预先脱硫—锌硫混浮再分离流程处理，在选择硫酸铜为锌矿物活化剂、丁基黄药为捕收剂、松醇油为起泡剂、石灰为黄铁矿抑制剂的情况下，经1段脱硫、2粗1扫锌硫混浮、1粗2精锌硫分离，锌硫分离精选尾矿与锌硫混浮扫选精矿2次精选后锌硫分离，最终获得锌精矿Zn品位47.06%、回收率90.76%，试验指标良好。