小波和神经网络在采煤机故障诊断中的应用

进行采煤机截割部齿轮传动系统的振动测试,采用小波变换对振动信号进行去噪处理,经过小波去噪后的振动信号作为BP网络的输入,采用三层BP神经网络结构对采煤机截割部齿轮传动系统的故障进行了趋势预测,取得了满意的诊断效果。     

基于卷积神经网络的采煤机截割部传动系统故障识别

为提高采煤机截割部传动系统故障识别的精度,将采煤机截割部传动系统中齿轮振动信号作为研究方向,针对振动信号具有非线性、强耦合、关联性不强等特点,提出了一种多标签分类卷积神经网络故障识别模型。首先对卷积神经网络的全连接层进行改进,然后设计了多标签的分类器以便在识别故障类型的同时判断故障严重程度。仿真实验表明,该模型对传动系统典型故障以及故障严重程度有较好的识别能力,优于传统信号分析技术,可以实现对传动系统的故障智能识别和实时监测。     

基于IGWO优化LSSVM的采煤机截割部齿轮箱故障诊断

为准确诊断采煤机截割部齿轮箱故障,提出一种新型故障诊断模型。振动信号经变分模态分解得到本征模态函数(IMF),计算IMF分量的样本熵构造特征向量;采用改进灰狼算法(IGWO)优化最小二乘支持向量机(LSSVM)模型的高斯径向基核函数参数和惩罚因子,建立IGWO-LSSVM故障诊断模型进行采煤机截割部齿轮箱故障识别。实验数据对比表明,IGWOLSSVM的采煤机截割部齿轮箱故障诊断模型故障分类性能更好,准确率更高。     

较薄及中厚煤层采煤机截割部的设计改进

针对采煤机截割部常出现的问题及故障,通过对截割部齿轮传动机构的强度、制造工艺及各传动件的受力进行分析,探讨总结了综采工作面采煤机截割部运行过程中出现的故障原因,提出对采煤机截割部进行改进设计,使采煤机截割部强度及工作可靠性有了很大的提高,也为今后较薄及中厚煤层采煤机截割部的结构设计提供参考依据。     

考虑齿侧间隙的采煤机截割部扭转角加速度分析

为了研究齿侧间隙对采煤机截割部各齿轮扭转角加速度的影响,利用AMESim软件建立了采煤机截割部传动系统模型,采用ANSYS Workbench计算出截割部每级齿轮副的扭转刚度。对整个传动系统扭转角加速度进行仿真分析,得到各齿轮扭转角加速度仿真结果。结果表明齿侧间隙增大了各传动齿轮的扭转角加速度,同时提出了齿轮扭矩修正系数,为截割部齿轮设计提供了更为可靠的理论依据。     

基于遗传算法的采煤机截割部优化设计

为提高采煤机的安全性、可靠性和工作效率,论文采用遗传算法,以MG500/1180-WD型电牵引采煤机为基础,对其截割部齿轮传动系统进行优化,以期降低传动部体积质量;同时通过空载振动试验,对比优化前后采煤机截割部空载振动情况,试验得出,优化后的采煤机截割部振动幅度小于优化前的截割部。在实际工业试验中,优化后的MG500-1180型采煤机工作性能良好,表明采用遗传优化方法进行现有采煤机改进性设计是可行的。     

基于小波包分析的采煤机振动信号去噪探讨

为实现采煤机截割部振动信号的分析与处理,提出基于能量-相关性关系以及小波包分析方法建立处理模型,设计了采煤机截割部振动信号在线去噪系统,提高了复杂工况下采煤机截割部振动信号采集的可靠性。     

突变工况下采煤机截割部齿轮传动系统特性研究

为研究采煤机截割部齿轮传动系统在突变工况下的动力学特性,建立了截割电动机、齿轮传动系统和截割滚筒的采煤机截割部传动系统动力学模型。以电动机输出转速为驱动,以截割滚筒所受转矩为负载,研究了系统在稳定工况、截割负载突变和牵引速度变化情况下采煤机截割部齿轮传动系统动力学特性。结果表明:受负载转矩的影响,稳定工况下低速级行星齿轮部分受外部载荷直接作用,振动最大,随着传动链中阻尼的消振作用,高速部分齿轮副的振动逐渐减弱;截割负载突变和牵引速度的增加使传动系统中高速级齿轮的振动和受力明显加剧。     

滚筒式采煤机截割煤层过程中截割部的仿真分析

针对目前采煤机截割系统运动规律难掌控等问题,对采煤机截割煤层进行了仿真分析研究。构建了采煤机滚筒及截割部截割煤层力学仿真模型,然后以采煤机不同牵引速度为例对其进行仿真分析,研究摇臂上节点26767的x、y向位移及加速度以分析截割部在截割过程中的振动特性,这为全面掌控采煤机截割部的动力学特性奠定了研究基础。     

电牵引采煤机截割部动力学分析

应用UG软件建立了某型号电牵引采煤机截割部的三维实体装配模型,然后把该装配模型导入到ADAMS中,建立了采煤机截割部的虚拟样机,并对其齿轮传动系统齿轮间啮合力进行了仿真计算,为采煤机截割部的设计和改进提供了依据。     

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。     

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NX6.0的采煤机销轨轮故障诊断与研究

销轨轮是采煤机行走机构中的重要组成部件,行走机构是采煤机牵引部的执行机构,一旦出现问题将导致整个采煤机停止运行,因此对采煤机销轨轮故障诊断进行深入地分析具有十分重要的意义。利用NX6.0软件对采煤机行走机构进行动力学分析,为采煤机销轨轮的故障诊断及设计提供一定的理论依据。     

基于神经网络的齿轮箱故障诊断

煤矿机械齿轮传动系统在低速重载等恶劣工况下极易发生故障,齿轮箱部分尤为突出。因此展开对恶劣工况下的齿轮箱故障诊断研究具有重要的意义。以齿轮箱中齿轮为研究对象,通过提取与齿轮箱振动相关的故障特征,经过神经网络的学习训练实现对齿轮箱故障的分类。经检验,该诊断神经网络对齿轮箱故障有很高的辨识度。     

采煤机作业时摇臂齿轮箱故障分析及诊断技术研究

以7LS06型采煤机摇臂齿轮箱为对象,在对齿轮箱主要结构进行介绍的基础上,分析了齿轮箱常见的故障问题,其中齿轮和轴承的故障问题最为显著。对齿轮和轴承工作时的振动机理及其常见故障类型进行了详细的介绍。引起齿轮和轴承振动的原因包含2方面：(1)结构件的工作原理决定;(2)结构件表面存在故障缺陷,从而改变结构原有的振动状态。可以对齿轮和轴承的振动信号进行分析,从而判断其是否存在缺陷故障。利用振动测试平台对摇臂齿轮箱的振动状态进行实际测验,并将测验结果与实际结果对比,验证了故障诊断技术的科学性与合理性。     

行星齿轮箱虚拟样机故障动力学仿真研究

针对2K-H(NGW)行星齿轮传动系统,利用点驱动绘制齿轮齿廓并建立行星齿轮箱模型。在ADAMS中分别建立正常工况、太阳轮单齿磨损工况模型并进行动力学仿真分析。仿真结果与理论值、试验结果分别进行对比,验证了构建模型的准确性和可靠性。经过验证的行星齿轮模型可以模拟实际工作中多种故障工况,研究结果对行星轮系虚拟样机仿真方法、振动特性及故障预判等后续研究具有一定的指导意义。     

基于改进深度置信网络的采煤机摇臂传动系统故障诊断研究

采煤机是一个集机械、电气和液压为一体的大型复杂系统,工作环境恶劣,如果出现故障将会导致整个采煤工作的中断,造成巨大的经济损失。采煤机摇臂传动故障作为整机的主要故障,是故障监测研究的重点。提出一种基于改进深度置信网络的采煤机摇臂传动系统故障诊断方法,对摇臂传动信号进行频段分解,通过不同的频段阈值进行降噪处理,提取故障特征信息,完成采煤机摇臂传动故障分类。将深度置信网络引入故障诊断,通过对采集的故障状态信号进行迭代训练深度学习,得出与故障模型的对应关系,并采用粒子群优化算法对故障模型进行迭代优化,应用于摇臂传动的故障诊断识别。结果表明,故障特征提取准确,故障诊断精度高。     

振动诊断在机械设备齿轮故障诊断中的应用

介绍了利用振动信息进行故障诊断的优势及齿轮故障振动诊断方法,列举了齿轮故障振动诊断标准,通过诊断实例介绍了振动诊断在齿轮故障诊断中的具体应用。实践证明振动诊断在机械设备齿轮故障诊断中具有重要意义。     

基于UG的采煤机破碎装置行星头运动仿真分析

基于大型工程软件UG建立了某型号采煤机破碎装置行星头虚拟样机,并对其进行了运动仿真分析。运动仿真分析表明:所研究的采煤机破碎装置行星头各构件未发生干涉、各构件运动平稳,其传动比符合设计要求,验证了该采煤机破碎装置行星头设计的正确性。     

采煤机牵引部故障诊断智能专家系统

牵引部是采煤机主要部件,如果发生故障将会影响采煤机的工作,严重影响出煤量。通过对采煤机牵引部常见故障及其原因进行分析,BP神经网络为内核,以VC++6.0作为编程平台,建立采煤机牵引部故障诊断的专家系统。利用该系统可确定采煤机牵引部的运行状态、降低故障率、提高生产率和使用寿命。