截齿磨损程度的多特征信号融合识别研究

为了解决采煤机开采过程中截齿磨损程度在线监测和状态识别的工程难题,提出一种基于多特征信号融合的截齿磨损程度识别方法。搭建截齿磨损程度监测实验台,分别测试提取不同磨损程度截齿截割过程中的振动加速度信号、声发射信号、红外热像信号和电机电流信号,建立了截齿截割的多传感信号数据样本库;针对数据样本库中两相邻磨损状态截齿特征样本存在数据交集、系统识别精度低的问题,构建最小模糊度优化模型并计算各特征信号的最优模糊隶属度函数,获取特征样本最大隶属度。构建截齿磨损程度的神经网络识别模型,运用多特征数据样本对Back-Propagation（BP）神经网络进行学习和训练。实验结果表明：BP神经网络识别模型的识别结果和试样的实际磨损程度类别相同,此识别模型能够对截齿磨损程度类型进行实时监测和准确识别。研究结果为实际工程中截齿监测和更换提供了解决方案。