基于AI技术的矿用带式输送机驱动装置故障诊断预警研究

针对矿用带式输送机驱动装置采用传统人工检修方法劳动强度大、准确率低、覆盖面小、监测手段单一等问题,提出一种基于AI智能专家算法的矿用带式输送机驱动装置故障诊断预警系统,通过AI识别和分析驱动装置齿轮不对中,游移、偏心、磨损、游移、破裂或断齿等齿轮组合状态异常工况故障的啮合频率(GMF)特征,经过学习和训练最终建成GMF特征专家库。试验表明,结合AI技术与特征专家库的故障诊断平台识别率为92.3%,准确率为90.4%,响应时间为29 ms,较高的准确率和快速的响应时间能够避免设备故障积累导致事故发生,大幅提高带式输送机各部件故障诊断效率,有力保障了煤矿井下运输安全。     

模糊神经网络技术在带式输送机故障诊断中的应用

介绍了模糊规则网络的原理及算法,并用该网络对带式输送机液压张紧装置的故障进行了趋势预测,实验证明:用模糊神经网络技术能够及时准确地预报机器故障,为机器的尽快维修提供了可靠的依据。     

矿用带式输送机故障监测与诊断系统设计

矿用带式输送机故障停机将严重影响煤炭安全高效开采。考虑到矿用带式输送机长期在高速、重载工况下运行,故障频率高,人工巡检难度大,基于C/S结构和B/S结构设计了具备面向用户和企业的远程故障监测与诊断系统。针对潞安化工集团下属煤矿使用的长距离大运量带式输送机中故障发生频率较高的轴承,提出应用本质安全型振动监测分析仪和温度巡检仪监测各轴承的温度与振动情况,对建立故障监测系统所涉及的关键零部件进行了选型,并详细介绍了带式输送机故障监测与诊断系统的功能和特点。该系统的设计与选型,为解决实际工程问题和煤矿智能化建设提供了一种方案,有助于指导矿用带式输送机关键零部件的定期维修与更换。     

基于模糊推理的带式输送机打滑故障诊断系统

由于带式输送机运行机理的复杂性,对其运行状态的判断非常困难,传统的故障判断方法无法及时有效地预告故障。运用模糊推理的方法对带式输送机运行系统进行故障诊断,可使操作人员对当前带式输送机系统的运行状况有所了解。     

矿用钢绳芯带式输送机实时工况监测与故障诊断技术

对钢绳芯带式输送机接头断裂、纵向撕带、火灾、张力超限等常见重大事故的起因及工况条件进行了深入的调研和分析,并对目前出现的各类监测与诊断方法以及它们的优缺点和可行性进行了系统全面的介绍和分析.     

基于VMD的带式输送机齿轮箱故障诊断

针对高湿、高粉尘、易腐蚀的恶劣工作环境下管状带式输送机齿轮箱早期微弱故障特征提取困难的问题,提出了基于改进变分模态分解（VMD）的带式输送机齿轮箱故障诊断方法。首先利用齿轮箱故障机理模型确定模态分量个数,通过优化搜索选择最优的频带惩罚因子,得到最优的满足适应度函数的分解参数组合,克服了人为随机设置分解参数对分解结果带来的不确定性;然后利用参数优化后的VMD对齿轮箱故障信号进行分解,并对各个分量进行包络解调分析来提取齿轮故障特征。仿真信号和工程实际信号的分析结果表明,该方法能够准确、清晰地提取齿轮箱故障特征。     

矿用带式输送机跑偏机理及纠偏系统设计

矿用带式输送机是常用的矿藏开发工具,广泛应用在选煤厂、铁矿等工程,分析了矿用带式输送机常见的跑偏故障机理以及影响因素,并在此基础之上,总结了相应的纠偏方法,通过对纠偏原理、纠偏实施策略2个方面进行了矿用带式输送机纠偏的改进,并对纠偏系统在某煤炭传送中进行实际验证。结果表明,使用本文总结的纠偏方法可以大幅度提升煤炭的传输效果,可为后续相关工程应用提供借鉴。     

矿用带式输送机磁流变液软启动器的研制

矿用带式输送机的发展方向是高速度、大运量、大功率、长距离,由此导致电机在启动过程中的瞬时电流过大,对线路的冲击大、电压降增加,从而造成电机启动困难,甚至出现无法启动的现象。同时,直接启动情况下,负载设备的速度发生突变,加速度过大,致使输送带松边的张紧装置出现滞后现象,功率传递不平衡,无法实现平稳启动。针对以上不足,采用磁流变液实现矿用带式输送机的软启动,控制设备启动的加速度,实现矿用带式输送机平稳增速,达到软启动的目标。     

带式输送机智能故障诊断系统的设计

针对带式输送机减速器和电动机故障发生率较高,故障识别、故障维护困难的问题,提出基于BP神经网络和D-S证据理论的智能故障诊断系统。给出带式输送机故障诊断模型,并根据理论设计对减速器智能故障诊断进行实例分析。结果表明,所设计的智能故障诊断系统能够提高故障识别精度、减少故障发生率。     

基于贝叶斯网络的带式输送机故障诊断研究

针对带式输送机的故障诊断问题,首先通过建立带式输送机的故障树,获得带式输送机故障发生的逻辑关系,然后将故障树转化为贝叶斯网络,根据故障树中的基本逻辑关系,获得贝叶斯有向无环图及其强度联系表,再依据贝叶斯传播信念公式推断出各个父节点概率,进而获取各个故障事件发生的概率,实现对带式输送机的故障诊断。     

基于小波包和BP神经网络的滚动轴承故障诊断

基于Matlab平台,利用小波包技术对滚动轴承典型故障的振动信号提取特征值,再借助BP神经网络对特征值进行分类,经验证该方法能够准确识别故障。     

基于离散元法的带式输送机托辊结构优化分析

基于离散元理论,在建立带式输送机离散元模型的基础上,利用赫兹接触理论分析输送机物料装载点的落煤颗粒的能量传递过程,通过对比分析不同槽角输送带在物料输送过程中的底边与侧边的受力情况,得到最优槽角区间,为输送机托辊组的设计提供理论依据与参考。     

基于神经网络的煤矿机械滚动轴承故障诊断研究

滚动轴承失效是煤矿机械常见的故障之一,一旦出现此类故障较难及时发现并修复,造成极大的经济损失。为此提出了一种可在滚动轴承故障发生早期进行及时预测诊断的方法,可以根据滚动轴承故障早期振动信号的各种特征分量进行模式匹配,从而识别出故障类型以便及时采取措施。在进行故障预测和模式识别时,采用了原始BP神经网络和经过遗传算法优化的GA-BP神经网络,经过仿真比较显示,后者的性能更强。     

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。     

基于RBF神经网络的滚动轴承故障诊断研究

介绍了RBF神经网络的模型及原理,阐述了滚动轴承故障的机理;通过滚动轴承的故障特征数据,构建的RBF神经网络,实现了轴承的智能故障诊断。     

基于神经网络的采煤机变频器故障诊断

针对采煤机变频器ACS800的常见故障进行分析,指出导致变频器故障的主要原因,利用RBF神经网络的诊断技术对其内部进行诊断,运用小波技术对输入信号进行处理,从而可进一步提高变频器的安全率,并为其实际维修提供参考。     

基于Maxwell煤矿带式输送机永磁直驱滚筒失磁故障分析

永磁电滚筒是煤矿直驱带式输送机的关键部件,发生失磁故障时,影响着整个输送机安全、可靠的运行。以某矿用200 kW电滚筒为研究对象,基于Maxwell建立了失磁故障有限元二维仿真模型,通过模型分析了健康状态、失磁35%和失磁70%下的永磁电滚筒的特性,验证了不同程度均匀失磁故障对永磁电滚筒的失磁故障风险,为该矿用电滚筒电器保护设置提供数据参考。     

基于遗传神经网络的矿井通风机故障诊断研究

为了提高矿井通风机机械故障诊断的准确性,提出了一种基于遗传神经网络的矿井通风机故障诊断模型。利用BP神经网络的自学习、自适应、强容错性,并通过遗传算法优化BP神经网络的连接权重和阈值。弱化了故障诊断中的人为因素,提高了评价结果的准确性和权威性。仿真结果表明,该诊断方法具有准确度高、诊断速度快等优点,是一种实用的故障诊断方法。     

基于BP神经网络的矿井通风机故障诊断系统

提出基于三层BP神经网络的诊断模型,提取反映矿井通风机故障信息的振动信号频谱特征,用来训练神经网络。实测证明矿井通风机故障诊断系统高效、准确,可以推广应用。