基于模糊神经网络的通风机故障诊断系统

针对矿用通风机故障具有不确定性和复杂性的问题,利用风机的振动参数进行推理,提取常见故障振动信号的特征频谱值来组建及训练神经网络,以此建立诊断系统进行故障类型的识别。诊断结果与实际故障相符,表明基于模糊神经网络故障诊断方法能够快速准确地得到风机故障的特征和状态,增加了风机故障诊断的可靠性和实用性。     

煤矿轴流式通风机振动故障诊断

通过对煤矿轴流式通风机轴系不对中的振动特性分析，应用频谱分析技术诊断出了风机轴系存在的不对中故障。结果表明应用频谱分析方法可准确、有效诊断风机存在的故障，对煤矿通风机安全可靠运行具有重要意义。     

高压电动机在线状态监测与故障诊断技术探讨

以潘一东区矿建项目部压风机房所安装的高压电动机为研究对象,介绍高压电动机状态监测与故障诊断技术的原理、方法,特别对转子断条故障、电动机偏心故障以及匝间短路故障的诊断方法从理论上进行阐述,提出了在尽量不增加硬件的情况下,以电流监测为主,通过频谱分析的方法在线诊断电动机故障。     

基于支持向量机的矿用电机故障诊断

提出一种基于电流信号频谱分析和支持向量机(SVM)的矿用感应电机早期故障诊断方法。对定子电流采样后,经FFT变换后提取故障特征量作为支持向量机的输入,基于1对1算法和混合矩阵组合策略构造了多故障SVM分类,对不同类型的故障进行诊断和分类。实验结果表明,该方法能够有效解决电机故障诊断中小样本集、非线性、高维数时的故障分类问题,提高电机故障诊断的准确性。     

K-S检验在轴承故障诊断中的应用

将K -S检验应用于轴承故障诊断中 ,成功快速诊断出轴承微弱故障 ,然后通过小波分析结合频谱细化分析 ,精确得到轴承故障位置。实践证明 ,K -S检验是一种有效、实用和快捷的智能诊断方法。     

基于小波分析理论的风机故障诊断技术研究

基于小波分析理论,针对风机动静碰摩故障信号进行了小波分析,利用特定频带的信息进行故障诊断,并通过对实验数据分析有效地提取了故障特征,验证了该方法的正确性和有效性。该研究为对风机振动信号进行分析处理,进而为实施故障诊断提供了有效的方法。     

煤矿通风机轴承振动故障诊断技术的研究及应用

介绍了基于共振解调技术的滚动轴承故障诊断原理及方法,并研究了煤矿通风机典型故障的轴承特性振动频率。通过采集振动信号和频谱分析,有效、可靠地诊断出某矿通风机轴承的故障、类型和部位,及早发现了故障,避免了事故进一步恶化的危险。案例分析证明了共振解调技术在滚动轴承故障诊断中的可行性。     

无量纲参数在矿用低速重载齿轮故障诊断中的应用

研究了无量纲参数对低速重载齿轮不同故障的敏感性,据此在对齿轮减速箱进行初步诊断的基础上,结合频谱分析技术诊断出故障的具体部位。研究表明,无量纲参数在低速重载齿轮故障诊断的工程实际中具有一定的实用性,为煤矿现场齿轮减速箱故障诊断提供了一种有效的方法。     

齿轮故障诊断信息提取复合方法研究

针对齿轮故障发生早期信号微弱、难以诊断和现场干扰的问题,提出了一种基于相关性分析、峭度准则与小波变换包络谱分析相结合的齿轮早期故障诊断方法。该方法不仅有良好的降噪效果,而且能够实现故障频段的自动选择,提高诊断效率。仿真结果表明,该方法能有效去除噪声,对故障特征信号有很强的提取能力,为齿轮的故障诊断提供了一种快速有效的途径。     

概率神经网络在旋转机械故障诊断中的应用

概率神经网络是一种学习规则简单、训练速度快、应用广泛的人工神经网络。对该方法进行了理论分析,并将其应用于旋转机械—风机的故障诊断中。仿真结果表明用概率神经网络对风机振动故障进行诊断是可行而有效的。     

基于模糊专家系统的矿用风机故障诊断

针对矿用通风机故障具有不确定性和复杂性的问题,对矿用通风机的故障诊断提出一种基于模糊数学和专家系统的矿用通风机故障诊断系统。通过模糊关系矩阵及隶属函数的设定,实现了模糊理论在风机故障原因与征兆之间的模糊关系的表达。用风机转子的故障实例进行验证,结果表明该系统诊断效率、准确率高,为矿山风机的故障诊断提供了新的诊断方法。     

用噪声对提升机减速箱进行故障诊断

通过矿井提升机减速箱噪声的测试与分析，得到减速箱正常情况下噪声标准谱图和齿轮出现磨损故障的特征，提出用噪声进行齿轮磨损故障诊断的判断准则。实践证明，利用噪声频谱分析的方法，对提升机减速箱进行故障诊断简单方便，切实可行，能有效诊断出减速箱齿轮的磨损故障。     

基于小波包分析的机械故障特征提取方法研究

研究了一种基于小波包分析与信号能量分解的故障特征提取方法 ,运用这种方法提取了一风机轴不对中故障特征向量 ,为神经网络故障诊断提供了新的故障样本。实验结果表明这种方法比基于Fourier变换的故障特征提取方法更有效 ,很适合于机械故障诊断     

轴流式通风机叶轮不平衡特征及故障诊断

针对由通风机叶轮不平衡引发通风机运行故障的普遍现象,研究通风机叶轮不平衡产生的机理和特征,通过时域波形和幅值的频谱分析,提出风机叶轮不平衡的故障识别方法,为通风机故障诊断提供可靠的依据。     

基于人工智能的煤矿风机故障诊断方法

风机是煤矿企业安全生产的关键设备,其安全可靠、高效经济地运行将产生巨大的安全、经济和社会效益。故障诊断技术,特别是具有自学习、自适应、自推理等仿生能力的人工智能故障诊断方法在煤矿风机故障预警、故障识别、故障排除等方面发挥着越来越重要的作用。在对煤矿风机常见故障进行分析的基础上,对常用的煤矿风机人工智能故障诊断方法进行了分析与总结,最后对其未来的发展趋势进行了探讨。     

基于概率神经网络的风机故障诊断

针对风机常见故障征兆与故障类型之间的非线性映射关系,结合专家知识建立了风机系统故障知识库,提出了基于PNN神经网络的风机故障诊断方法,结果表明该方法能克服BP算法诊断过程中容易陷入局部极小的缺点,并能满足故障诊断的快速性和准确性要求,适用于在线检测,具有实际应用价值。     

基于Elman神经网络矿用通风机故障诊断的研究

介绍了一种基于Elman神经网络的通风机故障诊断的诊断原理,学习算法以及技术路线。通过对现场信号特征数据的采集以及归一化处理,对Elman神经网络选取最优的结构与参数,实现了煤矿主通风机故障类型的智能分类与诊断。与传统BP神经网络诊断结果相比较,Elman神经网络综合诊断性能更优。最后通过风机的故障诊断实例表明:Elman神经网络在提高学习速度上有了很大的改进,并且有效地抑制了传统神经网络容易陷于局部极小的缺陷,缩短了自主学习的时间,是风机故障诊断的有效方法。     

通风机故障诊断的研究

详细介绍了FFT频谱分析方法以及风机的几种典型故障的振动特性。利用FFT频谱分析方法对一矿井通风机的轴不对中及其由此引起的不平衡故障进行了精密诊断。结果表明该分析方法十分有效,对通风机安全运行具有重要的经济意义。     

基于粗糙集的矿井风机故障规则提取

为了提高矿井风机故障诊断的准确率,使用UCI数据库的机械故障分析数据集进行分析。根据矿井风机的特点确定通频垂直振幅、基频垂直振动速率、振动频率是检测矿井风机故障的关键检测参数。因此,提出了采用粗糙集进行矿井风机故障数据挖掘的方法,通过对数据集中数据选择、离散、决策表的构建及约简方法的介绍,以期提取出矿井风机故障诊断的规则,实现矿井风机故障诊断专家系统规则库的建立。     

基于神经网络风机监测诊断系统的设计

主要介绍了风机监测诊断系统的构成并针对风机故障形式多样化、难以诊断的特 点,介绍了将神经网络技术用于风机故障诊断的设计思想及方法。用此法建立的监测诊断系统在 设备运行异常后会自动进行诊断,并立即给出结果和建议,体现高度智能化行为。