煤矿机械设备的维修及故障诊断

随着我国煤矿事业的不断进步,煤矿的安全技术越来越受到重视,因为当前煤矿机械设备的维护和故障诊断分析可以更好的为企业的发展服务,它能够降低企业事故的发生率,提高企业安全生产的效率,同时也可以减少企业的维修费用支出,提高企业的利润。所以在对煤矿的安全进行维护时,首先就要加强煤矿机械设备的维修和故障诊断,本文通过对该技术进行探讨,从而提高煤矿的安全性。     

数据挖掘技术在机械设备故障诊断中的应用

信息技术发展迅速,一日千里,人们利用各种方法与手段让信息更加丰富,且收集数据手段日益高明。不过怎样才能从这些大量收集来的数据中找到有用的数据并进行分析呢?这是一件相当困难的事情,尤其是找出来的数据还能够有效分析出故障原因更是难上加难。但是随着计算机广泛应用,功能日益强大,可以融合各种指令来分析各项数据,以解决上述难题,本文就数据挖掘技术在机械设备故障诊断中的应用进行详细分析。     

数据挖掘技术在机械设备故障诊断中的应用

介绍了一种基于数据挖掘技术的机械设备故障诊断方法,介绍了数据挖掘技术在故障诊断中的实现步骤.以数据挖掘系统在煤矿风机监控系统中的应用为例,建立了数据挖掘模型,详细论述了关联规则方法的挖掘过程,对挖掘结果进行了分析,表明此方法可以很好的对设备故障进行预警.     

EMD滤波在煤矿电动机故障诊断中的应用

针对煤矿电动机信号故障特征难以提取的问题,提出将EMD滤波方法应用于煤矿电动机的振动信号分析,通过分析电动机故障特征频率的分布特征,采取不同的EMD滤波方法来去除振动信号中的噪声。现场应用结果表明,该方法可以有效降低噪声,提高信号的信噪比。     

故障诊断技术在煤矿电气设备绝缘故障诊断中的应用

分析、介绍了在煤矿电气设备绝缘故障诊断中应用诊断技术的方法和步骤。     

振动监测分析仪在煤矿机电设备故障诊断中的应用

针对传统振动监测仪在煤矿应用中存在着整机体积大、功耗高、现场安装复杂及离线诊断等问题,设计了一种在线的矿用本安型智能振动监测分析仪,介绍了该分析仪的工作原理,重点阐述了分析仪在煤矿通风机现场的使用情况。该分析仪利用包络解调技术与故障定量识别技术提取故障特征频率并对其进行量化标定,实现轴承在线监测与定量诊断。实际应用表明,该分析仪满足了煤矿大型机电设备运行状态与在线诊断的实时性和精确性要求,具有广泛的推广价值。     

表面技术在煤矿机械中的应用

介绍了表面涂层技术中的热喷涂、电刷镀、堆焊等几项技术在煤矿中的应用情况及发展前景。     

计算智能在机械设备故障诊断中的应用分析

在20世纪60年代初期,设备故障诊断技术开始在美国兴起,经过几十年的发展,如今设备故障诊断技术已经有了一条完备的理论和技术体系.目前来说,智能诊断将是未来机械设备故障诊断的主要发展趋势.本文通过对智能故障诊断系统分类进行总结,论述了计算智能在机械设备故障诊断中的实际应用.     

近似熵及其在机械设备故障诊断中的应用

近似熵从衡量时间序列复杂性的角度提供了一种表征信号整体特征的无量纲指标，具 有计算所需数据短、抗噪及抗野点能力强、对确定性信号和随机信号都适用等特点．本文介 绍了近似熵的概念、性质及其快速算法，并对某汽轮机组轴瓦松动维修前后不同状态下的振 动信号进行了分析，结果表明，近似熵在表征信号的复杂性方面具有很强的能力，从而为机 械设备状态监测与故障诊断提供了一种行之有效的新方法．     

基于RCM理论的电气设备故障诊断专家系统

大工业生产牵一发而动全身,如何降低设备故障率,使设备安全、稳定、长周期地运行是每个企业迫切需要解决的问题.过去采用的传统故障诊断方法已经越来越不适应现代设备诊断的需要,而专家系统作为一个较为成熟的理论,由于其能产生巨大的经济效益,已经被越来越多地应用在设备故障诊断上.与故障诊断相对应,人们也越来越注重设备的维修,诊断的目的就是为了维修.以可靠性为中心的维修,即RCM理论,是近年来人们提出的一种新的设备维修管理模式,与普通的维修方式相比,RCM更加注重维修结果.本文根据RCM理论和专家系统的发展历史和基本理论,认为将专家系统基本理论与RCM理论结合起来,可构造出极为有效并且实用的电气设备故障诊断专家系统.这类系统能在最短的时间内运用逻辑推理和专家经验对设备进行故障诊断,在指出症结的同时,给出有效的处理意见.这样在故障发生前就对设备采取一定的预防性维修策略,从而从根本上避免了故障的发生,真正做到防患于未然.     

煤矿旋转机电设备的量子神经网络故障诊断技术

针对煤矿旋转机电设备故障模式相互干扰的问题,基于量子神经网络理论,提出了一种量子神经网络故障诊断算法。以量子学中的相移门和受控非门为基本计算单元,构造出3层量子神经网络故障诊断模型,采用梯度下降法作为该模型的学习算法,对刮板输送机减速器的多种故障进行识别诊断。初步研究结果表明,所提出的量子神经网络故障诊断技术是可行的,有助于提高煤矿旋转机电设备的故障诊断率。     

多层感知器在机械故障诊断中的应用

提出一种动态调整学习率和附加梯度变化量与动量项相结合的权值优化方法,同时引入绝对误差函数用于对多层感知器中BP算法的改进,并将改进算法用于旋转机械故障诊断实例样本的学习。仿真结果表明,改进的BP算法可显著加速网络训练速度,学习过程具有较好的收敛性,并能正确地诊断出存在的故障,具有一定的实用价值。     

基于支持向量机的旋转机械故障诊断

为了解决旋转机械故障的在线诊断识别问题，用小波包从旋转机械的震动信号中提取特征向量，给出了一种基于支持向量机的故障诊断分类方法。该方法通过有限的学习样本，建立旋转机械故障特征与其运行状态之间的关系。利用获得的矿井提升机减速箱齿轮数据建立了多级故障分类器，通过对样本的分类输出检验，验证了该故障诊断方法的可行性。     

基于RIPPER的旋转机械故障诊断知识获取

数据挖掘技术能够从大量、不完全、有噪声、模糊、随机的实际应用数据中,提取隐含在其中的、人们事先不知道的本质的规律。为了有效地发现旋转机械故障诊断过程中的故障征兆知识,引入数据挖掘技术和方法。针对旋转机械,构建了基于重复增量修枝算法RIPPER（Repeated Incremental Pruning to Produce Error Reduction）的故障诊断知识获取系统。通过收集故障现象并整理成由故障征兆、故障类型等组成的故障信息样本,应用RIPPER算法对故障进行分析得到故障诊断规则集文件,实现故障诊断系统知识的获取和自动更新,并能对旋转机械的常见故障进行诊断,验证了算法的合理性。     

基于矢谱和模糊Petri网的旋转机械故障诊断研究

讨论了矢谱融合技术和模糊Petri 网的相关理论,提出了基于矢谱和模糊Petri网的旋转机械故障诊断方法,建立了基于矢谱的旋转机械常见故障诊断Petri网模型。模拟实验结果表明：与基于单通道数据的诊断结果对比,矢谱和模糊Petri网应用于旋转机械常见故障进行诊断,可有效提高旋转机械故障诊断的准确率。     

一种煤矿机械轴承故障诊断方法

针对现有煤矿机械轴承故障自适应诊断方法易受高频噪声和间断噪声干扰而导致原始信号分解和特征提取精度较低的问题,提出了一种基于改进局部均值分解的煤矿机械轴承故障诊断方法。该方法在局部均值分解方法的自适应分解部分采用噪声辅助分解方法,将高斯白噪声加入原始信号,然后进行局部均值分解,以抑制高频噪声及间断噪声对信号分解的影响;在特征参数提取部分对乘积函数分量进行Hilbert变换,然后进行特征参数提取,以实现在全部取值范围内提取特征参数。仿真及测试结果表明,该方法对轴承故障信号分解和特征参数提取的效果较好,对轴承内外圈故障诊断的准确性较高。     

电动机故障诊断技术探讨

介绍了电动机常见电气故障和机械故障的类型及产生原因,详细阐述了短时傅里叶变换、小波变换、小波包变换、经验模态分解等基于信号处理的诊断方法,以及基于专家系统、模糊理论、支持向量机、神经网络等的智能诊断方法在电动机故障诊断中的应用,指出多种诊断方法相结合以及信息融合方法是电动机故障诊断技术的发展趋势。     

煤矿机械振动信号预测研究

根据煤矿机械振动信号高低频组成成分变化规律的差异,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的煤矿机械振动信号组合预测方法。将滚动轴承振动信号进行EMD分解,得到相对平稳的本征模态函数(IMF)分量,并将波动程度相近的IMF分量进行重构,得到高频子序列和低频子序列,采用SVM分别对高频子序列和低频子序列进行预测,将2个预测结果叠加,得到最终预测值。选取轴承实验数据对组合预测方法的有效性进行验证,结果表明该方法的均方根误差、平均绝对误差和平均绝对百分比误差均小于直接预测方法。将该组合预测方法应用于某选煤厂主井带式输送机滚动轴承状况预测,预测结果与实际情况相符。     

A subspace learning-based feature fusion and open-set fault diagnosis approach for machinery components

Open-set fault diagnosis is an important but often neglected issue in machinery components, as in practical industrial applications, the failure data are in most cases unavailable or incomplete at the training stage, leading to the failure of most closed-set methods based on fault classifiers. Thus, based on the subspace learning methods, this paper proposes an open-set fault diagnosis approach with self-adaptive ability. First, for feature fusion, without using traditional dimensionality reduction methods, a data visualization method based on t-distributed stochastic neighbor embedding is employed for its ability in mining and enhancing the fault feature separability, which is the key in fault recognition. Then, for open-set fault diagnosis, to detect unknown fault classes and recognize known health states in only one model, the kernel null Foley-Sammon transform is applied to build a null space. To reduce the misjudgment rate and increase the detection accuracy, a self-adaptive threshold is automatically set according to the testing data. Moreover, the final recognition results are described as distances, which helps the operators to make maintenance decision. Case studies based on vibration datasets of a plunger pump, a centrifugal pump and a gearbox demonstrate the effectiveness of the proposed approach.