基于XGBoost的采煤机健康状态评估方法研究

针对采煤机状态监测参数存在冗余性和数据类别不平衡等问题,在选取采煤机状态指标数据的基础上引入XGBoost集成学习算法对采煤机健康状态进行评估。首先,选择综合相关系数,即Spearman相关系数和Person相关系数进行综合用于表征采煤机状态数据变量间的相关关系,通过计算状态参数间的相关系数筛选出采煤机健康状态评估指标;根据专家经验对采煤机状态量进行等级划分,建立训练样本。整个样本采用XGBoost集成学习算法训练,通过交叉验证法选择合适参数,建立最优模型。最后,根据采煤机实例数据集进行模型验证和分析。实验结果表明：基于XGBoost的采煤机健康状态评估方法平均准确率可达98.50%,能有效解决数据集的不平衡问题和状态评估难题。     

基于组合赋权法的采煤机健康状态评估方法研究

采煤机作为煤矿开采的核心设备,结构复杂、运行环境恶劣、采煤落煤时受巨大负载冲击,易发生各种故障导致停机停产。因此,采煤机的健康状态直接影响煤矿企业生产效益。针对采煤机健康状态评估难的问题,提出一种基于组合赋权法的采煤机健康状态评估模型,根据采煤机运行特点构建其健康状态指标体系,采用基于层次分析法与熵权法的组合赋权法得到同时具有主观与客观意义的综合权重;依据灰色聚类法与模糊综合评价法分别完成对采煤机关键部件及整机的健康状态评估。仿真结果表明:基于组合赋权法所得状态评估结果准确率为84.33%,高于层次分析法或熵权法单一使用所得评估结果的准确率。该方法可有效解决采煤机状态评估困难的问题,为后续寿命预测与维护决策奠定基础。     

电力系统二次设备缺陷数据挖掘与分析方法研究

为了准确挖掘与分析电力系统二次设备缺陷数据,判断电网二次设备运行状态,提出基于缺陷数据挖掘的电力系统二次设备缺陷分析方法。基于层次聚类算法,获取电力系统二次设备缺陷数据挖掘,以原子聚类、原子簇合并、基于层次聚类算法的缺陷数据识别三步骤,将缺陷数据设成基于XGBoost的二次设备缺陷分类模型的输入数据,设置缺陷特征指标集、缺陷级别标签后,有效挖掘电力系统二次设备缺陷数据,然后通过XGBoost模型,实现二次设备缺陷级别识别。研究结果表明,所提方法对二次设备缺陷数据的挖掘结果和实际缺陷数据样本数一致,对二次设备缺陷级别识别后,识别结果的准确率、召回率、F₁值均高达0.99,且识别耗时低于400 ms,具备使用价值。     

基于K-means SMOTE和随机森林算法的陷落柱识别模型

为了克服单一地震属性在对陷落柱进行识别时出现多解性和不确定性问题以及样本数据不平衡带来的识别准确率偏移问题，构建了基于K-means SMOTE和随机森林二分类陷落柱识别模型，通过对多个地震属性进行联合分析以达到识别陷落柱的目的。以山西新元煤炭责任有限公司首采区东翼南部矿区作为研究区域，将前方解释人员通过三维地震勘探技术提取到的12种地震属性作为样本特征，并将实际揭露的陷落柱信息作为样本标签，构建地震多属性数据集；通过相关性分析和聚类分析评估以及随机森林重要性分析进行地震属性优选，最终优选相对独立的6种地震属性作为样本特征；利用K-means SMOTE算法对数据集进行平衡处理，补充得到8 992个数据，选取其中6 294个数据作为训练集，2 698个数据作为测试集；基于python语言平台搭建随机森林二分类模型，最终预测陷落柱的准确率可达到87%。通过对比3种常见机器学习分类算法，该模型识别陷落柱的准确率更高。     

融合传感数据和模型的采煤机VR系统研究

为了提高采煤机虚拟现实（VR）系统的场景显示效果，首先构建了采煤机姿态虚拟仿真方法流程，设计了采煤机VR系统总体架构；确定了以UDP网络协议为基础的采煤机实时传感数据流通信方法，提出了基于采煤机状态的实时模拟量数据插补推测融合算法；结合物理光照模型、实时渲染等新兴技术，提出了采煤机关键监测数据的实时特效渲染及传感数据和模型融合渲染方法，为采煤机VR监控提供了准确、直观和真实的表达方案。搭建了采煤机VR监控实验平台，验证了所设计采煤机VR系统的可行性和实用性。     

基于ISSA-FNN的采煤机健康状态评估

为了准确地评价采煤机的健康状况,提出一种改进麻雀搜索算法（ISSA）优化模糊神经网络（FNN）的评估模型。针对麻雀搜索算法（SSA）的不足,引入精英混沌反向学习策略生成初始麻雀种群,提高算法收敛性能,采用柯西高斯变异策略提升种群多样性保持能力和局部空间逃逸能力。实验表明,所提方法提高了FNN的收敛精度和泛化能力,ISSA-FNN在采煤机健康评估中优于SSA-FNN与PSO-FNN模型。     

基于改进BP神经网络的采煤机截割部传动系统故障监测与诊断

为了对采煤机截割部传动系统故障进行监测和诊断,提出一种基于改进BP神经网络的故障诊断方法。首先分析了采煤机截割部传动系统2种故障类型及其振动频率特性,在此基础上构建了基于L-M算法的BP神经网络故障诊断模型。其次,为了更准确地获得故障子类型以及故障严重程度的预测,设计了双层故障分类器。仿真结果表明,在公认数据集上测试,该神经网络模型对故障类型的分类预测准确率达99%,在故障子类型分类预测上也取得较好的效果,特别是对无故障情况的判断准确率达到100%,平均准确率为95%。验证了该方法的优越性。     

基于BO-XGBoost的煤自燃分级预警研究

为了精准快速预测矿井煤自燃等级,提出一种结合贝叶斯优化方法、极限梯度提升回归树(XGBoost)的煤自燃分级预警模型。以山东省某矿的煤自然发火实验数据为基础,依据指标气体曲线随温度的变化趋势,划分煤自燃预警等级。同时将数据划分为训练集与测试集,选取O₂、CO、C₂H₄、CO/ΔO₂、C₂H₄/C₂H₆指标气体作为XGBoost模型的输入,煤温等级作为模型的输出,同时采用贝叶斯优化方法对XGBoost模型中的学习率、n＿estimators、最大深度等超参数寻优,构建基于贝叶斯优化的XGBoost煤自燃分级预警模型(BO-XGBoost),并将测试集数据带入到BO-XGBoost、XGBoost、BO-RF、BO-SVM、BO-KNN模型中进行比较分析,结果显示,BO-XGBOOST模型预测准确率为91%,较BO-RF、BO-SVM、BO-KNN准确率分别提高3%、9%、12%。通过在唐山东欢坨煤矿煤自燃分级预警中...     

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LASSO-RBFNN的采煤机液压系统故障诊断研究

针对采煤机液压系统故障诊断精度不高的问题,提出一种套索（LASSO）算法与径向基函数神经网络（RBFNN）相结合的故障诊断模型。首先利用LASSO算法去除液压系统中冗余特征,筛选关键故障特征,减少模型过拟合风险;故障特征筛选后确定RBFNN拓扑结构,将采煤机液压系统故障数据输入模型中,进行故障诊断;最后将LASSO-RBFNN模型诊断结果与RBFNN模型和BP神经网络模型诊断结果进行对比。试验结果表明,该模型可用更短的网络训练时间得到较高的故障诊断精度。     

基于长短期记忆神经网络的采煤机摇臂轴承剩余寿命预测

为解决采煤机摇臂关键零部件的失效问题,基于长短期记忆神经网络（Long Short-Term Memory,LSTM）提出了一种创新性的方法,以预测采煤机摇臂轴承的剩余寿命。基于长短期记忆神经网络理论,通过建立轴承寿命退化指标,对轴承剩余寿命进行预测,同构利用分层抽样方法对数据集进行划分;通过引入粒子群算法优化LSTM,解决LSTM算法选择最优超参数的问题,提高轴承剩余寿命预测精度。研究结果表明,基于LSTM的轴承剩余寿命预测结果与实际轴承寿命变化情况基本一致,预测结果均在置信区间内,可以为轴承维修保养工作提供参考。     

分布式电牵引采煤机健康状态监控系统设计

为解决综采工作面用电牵引采煤机监控系统存在的数据响应时间过长、监测数据不完善的问题,设计基于DSP+ARM的分布式电牵引采煤机健康状态监控系统。试验结果表明,与传统以PLC控制器为核心的采煤机监控系统相比,该监控系统的数据平均响应时间低于500 ms;展示的采煤机运行状态、参数设置、故障等信息完善,满足采煤机监控系统设计要求,在提升采煤机智能化水平的同时有助于保障采煤机运行的可靠性和安全性。     

基于信道状态信息的井下人员行为识别方法研究

针对当前井下不安全行为识别率低的问题,提出了一种基于信道状态信息的井下人员行为识别方法。首先利用SOM聚类算法与多种滤波方法去除井下噪声,其次利用窗口函数和卷积神经网络优化状态判断模型,最后利用卷积神经网络输出行为识别结果。实验结果表明,所提方法数据分割准确率达98.4%,优于阈值法;行为识别准确率达到93%,优于HDFi,Wi-ACR算法。     

基于AdaBoost卷积神经网络的矿山边坡稳定性预测

为了准确快速地分析露天矿边坡的稳定性,本文提出 Adaboost卷积神经网络（Adaboost-CNN）建立露天矿边坡稳定性和影响因素之间的非线性关系。Adaboost-CNN是结合自适应Boosting算法(Adaboost)和卷积神经网络（CNN）的一种新的机器学习方法。其核心思想是将CNN的特征提取能力和AdaBoost处理非平衡数据的能力结合起来,具有高可靠性、高精度性、训练时间少等优点。Adaboost-CNN利用迁移学习,不仅消除了传统CNN需要大量训练样本的限制,而且解决了AdaBoost算法序列化过程中存在着的降低实际性能的问题。本文分别采用BP神经网络、支持向量机（SVM）、卷积神经网络以及Adaboost-CNN对工程实测数据进行建模与分析,通过对比均方根误差(RMSE)和相对预测误差（RPE）,发现Adaboost-CNN的预测精度最高、模型泛化能力最强。结果表明,Adaboost-CNN能够较精确对边坡的稳定性进行预测,是边坡稳定性预测的可靠性工具     

基于劣化度的采煤机健康状态评价方法研究

采煤机的调高调压部、截割部及牵引部作为采煤机的重要组成部分,其各部位的运行状态直接或间接反映着采煤机的运行状态。针对采煤机健康状态评价存在主观性强等问题,深入研究了采煤机易发故障部位并建立采煤机健康状态评价体系。构建采煤机实时评价模型,通过灰色模型对采煤机评价指标参数进行预测并计算各指标劣化度,构建多指标劣化度评价矩阵,利用AHP确定部件及各指标权重,求解采煤机健康评价向量,确定采煤机当前健康状态并进行预警。通过实例分析表明,此模型方法可以准确预测出采煤机的未来状态评价等级,对采煤机的健康维护有着重要意义。     

智能采运机组自主定位原理与技术

智采工作面装备运行的2个核心问题是控制工作面开采装备在煤层中自适应截割、保持采运机组在连续推进过程中的直线度。解决这2个问题必须实时获取采煤机在工作面空间的准确定位信息。通过对比分析国内外采煤机定位系统的技术原理和硬件架构,发现开发采煤机定位误差消减算法是在井下GPS拒止环境下保证采煤机长时定位精度的关键途径。根据采煤机定位原理可知,采煤机定位误差主要来源于惯性导航安装偏差和惯性导航系统随机误差。惯性导航安装偏差是确定性误差,采用基于两点法的确定性偏差补偿算法可使定位误差减小99.12%。针对采煤机运行状态的非完整性约束特点,基于采煤机运动学模型的闭合路径优化算法和动态零速校正算法分别使采煤机定位误差降低了50%和30%。采用信息滤波模型将闭合路径优化算法和动态零速校正算法进一步融合,抑制了惯性导航系统航向角的漂移,抑制了惯性导航系统航向角的漂移。利用UWB基站群自主迁移方法实现了采煤机在工作面端头定位,采用VB-UKF算法平滑采煤机定位过程中时变的测量噪声,增加了运动轨迹的平滑性,使得IMU/UWB紧融合的定位轨迹更加精确,为惯性导航系统提供校准的基准。基于采煤机定位轨迹的刮板输送机轨迹检测方法实现了刮板输送机形状在线监测,为综采工作面弯曲度自动化检测和校直提供理论基础和试验数据。     

智能采运机组自主定位原理与技术

智采工作面装备运行的2个核心问题是控制工作面开采装备在煤层中自适应截割、保持采运机组在连续推进过程中的直线度。解决这2个问题必须实时获取采煤机在工作面空间的准确定位信息。通过对比分析国内外采煤机定位系统的技术原理和硬件架构,发现开发采煤机定位误差消减算法是在井下GPS拒止环境下保证采煤机长时定位精度的关键途径。根据采煤机定位原理可知,采煤机定位误差主要来源于惯性导航安装偏差和惯性导航系统随机误差。惯性导航安装偏差是确定性误差,采用基于两点法的确定性偏差补偿算法可使定位误差减小99.12%。针对采煤机运行状态的非完整性约束特点,基于采煤机运动学模型的闭合路径优化算法和动态零速校正算法分别使采煤机定位误差降低了50%和30%。采用信息滤波模型将闭合路径优化算法和动态零速校正算法进一步融合,抑制了惯性导航系统航向角的漂移,抑制了惯性导航系统航向角的漂移。利用UWB基站群自主迁移方法实现了采煤机在工作面端头定位,采用VB-UKF算法平滑采煤机定位过程中时变的测量噪声,增加了运动轨迹的平滑性,使得IMU/UWB紧融合的定位轨迹更加精确,为惯性导航系统提供校准的基准。基于采煤机定位轨迹的刮板输送机轨迹检测方法实现了刮板输送机形状在线监测,为综采工作面弯曲度自动化检测和校直提供理论基础和试验数据。     

混沌集算法优化采煤机螺旋滚筒性能的研究

利用混沌集算法优化采煤机螺旋滚筒的设计,提高采煤机的工作性能。在分析采煤机螺旋滚筒的工作模型的基础上,构建了具有遍历性的混沌集优化算法模型,以MATALAB实现算法输出,通过对MG250-550-WD型滚筒采煤机的实际测试,验证了混沌集算法对采煤机螺旋滚筒性能的优化效果。     

基于机器学习的刮板输送机链条预紧力动态控制技术研究

刮板输送机的链条松紧状态是传动系统能否正常高效工作的前提。随着工作面煤层变化、采煤机位置变化和溜槽上物料变化,链条载荷受到多种因素的复合影响,链条受力状态具有随机性、复杂性、时变性和不确定性等特点,各种复杂变化特性造成了链条预紧力控制的困难。基于机器学习算法,将人工控制刮板输送机链条预紧力的历史数据作为训练集,建立了基于神经网络的刮板输送机链条预紧力动态控制算法模型。仿真结果表明,在经过大量数据训练后,模型能够较准确地实现链条预紧力控制,具有较好的适用性和先进性。