基于迁移学习的采煤机摇臂传动故障研究

针对传统故障诊断方法无法有效识别并自动分类实际工况中采煤机摇臂传动故障多的非线性、非平稳信号,提出一种基于迁移学习的采煤机摇臂传动故障诊断模型。基于迁移学习思想,构建基于深度迁移学习的采煤机摇臂传动故障诊断模型;采用多标签分类及sigmoid函数,对模型进行改进,实现对采煤机摇臂传动复合故障的识别与分类;最后,通过仿真实验验证了改进模型性能,并对比了提出模型与传统智能故障诊断模型DCNN、SVM、LSTM、CNN在迁移任务中的分类准确率。结果表明,相较于传统智能故障诊断模型,基于深度迁移学习的采煤机摇臂传动故障诊断模型具有更高的诊断精度,且收敛速度更快,可提高采煤机摇臂传动系统的工作可靠性。     

基于深度迁移学习的采煤机摇臂部滚动轴承故障诊断方法

针对长期正常服役的采掘装备典型故障数据少、有标签数据不足,故障诊断模型训练效果不好等问题,提出一种基于深度迁移学习的采煤机摇臂部传动系统故障智能诊断方法。利用该方法将模拟平台故障数据训练后获取的故障诊断模型参数迁移至采煤机智能故障诊断模型中,从而在不同设备之间进行迁移学习,实现基于小样本数据的采煤机摇臂部智能故障诊断。通过构建预训练的卷积神经网络,将转换为二维时频分布的图像数据集作为预训练模型的输入,并将预训练模型的网络参数迁移至采煤机摇臂传动系统故障诊断模型中,通过保证低层网络不变保留模型的泛化能力,将含有标签的数据集作为采煤机摇臂传动系统智能故障诊断模型的训练数据集对模型进行训练,通过微调高层网络参数进行模型优化和权值更新,得到采煤机摇臂传动系统迁移故障诊断模型,提高了模型的特征提取能力减少了误差。为验证方法有效性,以传动系统滚动轴承为研究对象,采用西储大学轴承数据作为训练集,DDS传动系统平台模拟井下采煤机摇臂部传动系统工况得到滚动轴承监测数据,作为测试集进行试验验证。试验结果表明：滚动轴承平均故障识别精度达到99.59%,与传统的智能故障诊断方法相比,提出的智能故障诊断方法收敛...     

基于EMD能谱熵和概率神经网络的采煤机摇臂齿轮故障诊断

采煤机摇臂齿轮是采煤机故障高发区,对其进行故障诊断研究可提高摇臂可靠性,提高工效。结合摇臂工作特点,提出基于EMD能谱熵和概率神经网络的齿轮故障诊断方法,提取振动信号EMD分解的前9个IMF分量的能谱熵作为故障特征信息,并将其作为概率神经网络的输入向量进行齿轮故障的分类与识别。结果证明该方法可实现齿轮故障准确诊断,是一种有效的摇臂齿轮故障诊断方法。     

多传感器检测技术在摇臂传动系统的应用研究

为了研究采煤机摇臂传动齿轮的故障诊断方法,采用多传感器在线检测技术,对摇臂振动信号在不同载荷状态下进行时域和频谱分析,获取边频带信号频谱特征,依据边频带特征频率下的振幅结果确定故障齿轮的转动频率。最后对频谱和时域的结果进行综合分析,锁定故障齿轮的准确位置。对某采煤机摇臂齿轮传动系统进行了振动测试与信号分析,结果表明,本振动分析方法可以实现对采煤机摇臂故障齿轮的准确定位,为复杂齿轮传动系统的故障快速定位和现场定点维修提供了方法支持。     

基于改进粒子群的采煤机齿轮箱故障诊断

采煤机截割部摇臂齿轮箱承担着综采工作面截割部动力传动的重任,其故障与否直接影响采煤机正常工作。而传统的故障诊断方法-BP神经网络采用基于梯度下降的算法,存在容易陷入局部极小值、收敛速度慢等不足,这些不足严重影响了BP网络的应用。然而粒子群算法(PSO)有很好的全局收敛特性。因此,为了提高网络的性能,采用粒子群算法来优化BP神经网络,将改进的PSO引入神经网络的拓扑结构,用PSO的迭代代替BP中的梯度修正。结果表明:提出的改进方案可以有效地优化神经网络,提高其在采煤机齿轮箱故障诊断中的应用价值。     

基于LabVIEW的采煤机摇臂故障诊断系统设计

根据电牵引采煤机摇臂工作特性及故障诊断系统要求,完成了故障诊断系统的硬件和软件设计。该电牵引采煤机摇臂故障诊断系统基于LabVIEW平台,实现了信号监测分析软件的开发,并在此基础上根据故障特性实现了故障类型识别和诊断。系统可根据传感器测量信号完成采煤机摇臂工作状态的动态监测,实现振动分析和诊断分析等功能,同时可对采煤机不同工况下的工作状态进行评估,提升了采煤机运行可靠性。     

基于稀疏表示的采煤机摇臂轴承故障诊断方法研究

为了有效地对采煤机摇臂轴承进行状态监控和故障分析,对稀疏分解方法字典的选取进行了深入研究。首先对稀疏表示常用分析字典进行分析,并结合采煤机摇臂滚动轴承故障机理及信号特征,选取符合单边衰减冲击响应的Laplace小波作为基原子,构造一种Laplace小波字典;通过加噪信号仿真分析,验证了基于Laplace小波字典稀疏表示方法的有效性;最后通过实验验证,将该方法应用于采煤机摇臂轴承故障诊断中,能有效提取滚动轴承故障特征。结果表明,该稀疏编码的方法在采煤机摇臂滚动轴承故障诊断方面具有良好的实用性。     

基于振动信号分析的采煤机摇臂轴承故障诊断研究

针对采煤机摇臂轴承故障频发,严重影响采煤工作面安全生产的现状,进行了基于振动信号分析的采煤机摇臂轴承故障诊断研究。为准确识别采煤机摇臂轴承故障,采用集合经验模态分解方法(EEMD)对原始振动信号进行分解,提取前8个本征模态函数的能量占信号总能量的比例作为故障特征信息,并输入到支持向量机(SVM)进行故障模式识别。试验结果表明,结合集合经验模态分解和支持向量机的故障诊断方法,适用于处理采煤机摇臂轴承产生的非平稳、非线性振动信号,总体故障识别率达到88.33%,可实现轴承故障的准确诊断。     

基于小波能谱熵-BP_Adaboost的采煤机摇臂轴承故障诊断

针对煤矿井下工作环境恶劣,摇臂轴承经常发生故障,提出一种基于小波能谱熵-BP_Adaboost的采煤机摇臂轴承故障诊断方法。对振动信号进行小波分解,提取各小波系数的能谱熵,以此作为故障特征信息。利用Adaboost算法联合多个BP神经网络,构建BP_Adaboost强分类器。通过实验验证,该方法相比单BP神经网络识别率有很大提高,总体识别精度达到92%,其中外圈轴承故障识别率达96%,具有较好的采煤机摇臂轴承故障诊断能力。     

基于双树复小波变换和奇异谱熵的采煤机摇臂轴承故障诊断

该文提出基于振动信号分析的采煤机摇臂轴承故障诊断方法,对振动信号进行双树复小波变换(Double Tree Complex Wavelet Transform,DTCWT),将原始振动信号分解为不同频带的7层信号;针对各频带信号,结合奇异谱熵实现从信号奇异成分能量分布角度的故障特征量化提取,通过分析比较各频带奇异谱熵,可实现采煤机摇臂滚动轴承故障准确诊断。     

基于振动与声发射融合的采煤机截割部故障诊断研究

采煤机截割部传动齿轮的工作状态影响着传动系统的工作效率。对齿轮故障监测与诊断进行研究,采用CATIA建立故障齿轮模型,利用仿真软件ADAMS与COMSOL仿真齿轮啮合瞬间产生的振动与声发射信号,对信号进行特征提取,采用BP神经网络对采煤机截割部齿轮故障进行诊断。仿真结果表明,振动与声发射融合对微小齿轮裂纹的识别具有较高准确性,对采煤机故障诊断具有一定的指导意义。     

基于盲源分离的采煤机摇臂轴承故障诊断方法

针对采煤机摇臂轴承故障,介绍了一种基于盲源分离算法的轴承故障识别方法。该方法采用优化滑动平均长度,以最大信噪比为目标函数对振动信号进行盲源分离,分离后的信号进一步加速度包络处理,信号特征可用于识别轴承故障。通过采煤机摇臂加载试验台进行试验验证,采集采煤机摇臂两个不同部位的振动加速度信号,运用该方法对振动信号进行处理后判别故障类型和位置。结果表明：与单纯的加速度包络法相比较,该方法处理后的信号特征更加明显,对轴承部位的识别率较高。研究结果对于采煤机摇臂的故障预测具有较好地效果,能够进一步提高采煤机在故障领域方面的智能化。     

采煤机摇臂传动系统可靠性稳健优化设计

采煤机摇臂传动系统为采煤机的关键动力传递部件。以MG300/700-WD型采煤机摇臂传动系统为研究对象,根据实际工况建立了系统的有限元模型,利用Matlab软件对传动系统进行了非线性动力学特性分析,得到了系统危险部位的应力谱。在此基础上对摇臂传动系统进行了疲劳分析,建立了摇臂传动系统疲劳寿命可靠性模型。依据可靠性理论,采用四阶矩法对摇臂传动系统进行可靠性及可靠性灵敏度分析,分析了系统结构参数对系统可靠性的影响程度。对于摇臂传动系统疲劳寿命敏感的结构参数,进行了可靠性稳健优化设计,与单目标优化方法进行对比,并针对优化结果使用蒙特卡洛模拟的方法对可靠性进行了验证。结果表明,对采煤机摇臂传动系统进行可靠性稳健优化设计是一种实用、有效的方法。     

基于振动信号的采煤机煤岩截割状态识别

为了准确识别采煤机截割状态,提出了一种基于小波包分解和学习向量量化(LVQ)神经网络的模式识别方法。将振动信号进行小波包分解,实现振动信号的预处理,得到若干个子频带。在此基础上,计算各个频带的方差,并将其作为特征向量。然后将计算得到的频带方差作为特征向量,输入到LVQ神经网络进行采煤机煤岩截割状态识别。通过实验验证了该方法的有效性,实验结果表明:该方法能够实现采煤机典型煤岩截割状态的识别,平均识别准确率较高,对实现综采工作面的"无人化"具有重要意义。     

采煤机摇臂减速箱齿轮传动系统动力学仿真

为了分析采煤机摇臂减速箱齿轮动态啮合力及其振动特性,首先运用UG5.0建模软件建立齿轮传动系统三维模型并将其导入ADAMS软件中,在ADAMS环境下建立齿轮传动系统动力学仿真模型,对模型设置接触参数。利用井下实测电流计算出采煤机截5轴齿轮所受截割扭矩并在该环境中加载于截5轴齿轮上,对模型进行动力学仿真并进行结果分析,得出各级齿轮受到的啮合力及其运动状态。     

基于小波双谱的矿用齿轮箱故障诊断

针对矿用齿轮箱振动信号的非平稳、非高斯等特点,提出了一种小波双谱分析的齿轮箱故障诊断方法。利用小波分解可将齿轮箱的振动信号分解到对应不同特征频率的频带,以提高频率分辨率和信噪比,然后有针对性地选择故障特征频率较明显的频带信号进行重构,并做双谱分析,以实现齿轮箱的有效故障诊断。实例表明,小波双谱分析是一种十分有效的齿轮箱故障诊断方法,它更能揭示故障齿轮箱振动信号的非平稳和非线性相位耦合特点。     

小波包-BP神经网络在采煤机滚动轴承故障诊断中的应用

针对采煤机在正常工作中经常发生轴承故障的问题,提出了小波包和BP神经网络相结合的故障诊断系统。即运用小波包的分解方法提取检测信号的故障信息作为BP神经网络的输入样本,经过训练的神经网络可对采煤机上轴承的工作状态进行诊断和分类。试验结果表明,此方法对轴承的常见故障可进行有效的识别和诊断,方法简单可靠。     

基于小波包分析和最小二乘支持向量机的电机转子故障诊断研究

采用小波包分析和支持向量机来诊断电机故障。针对电机中常见的故障,如电机振动故障,电机转子断条故障,电机转子偏心故障等,进行频谱分析,提取故障信号在动态条件下各频带能量作为故障特征向量。构建多个最小二乘支持向量机组成的多值故障分类器,将故障特征向量作为学习样本,并且输入支持向量机进行训练,分类器可以建立故障特征向量和故障类型的映射关系,从而达到电机故障诊断的目的。