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。     

基于小波分析和改进神经网络的采煤机截割部传动系统故障诊断

为了解决当前采煤机截割部传动系统故障诊断方法存在耗时长、误差大等问题,提出了基于小波分析和改进神经网络的采煤机截割部传动系统故障诊断方法。首先采集采煤机截割部传动系统故障数据,并采用小波分析对数据进行预处理,消除噪声的不利影响;然后提取故障特征并输入神经网络进行训练,采用粒子群算法优化神经网络的参数,从而建立采煤机截割部传动系统故障诊断模型。仿真实验结果表明,该方法提升了采煤机截割部传动系统故障诊断精度,大幅度减少了故障诊断时间,而且增强了抗噪声干扰能力。     

基于Adaboost的改进BP神经网络地表沉陷预测

BP神经网络可以解决地表沉陷等非线性关系问题,为了更精确地进行地表沉陷变形预测,引入Adaboost算法对BP神经网络进行改进,并运用Matlab R2014a建立基于Adaboost的BP神经网络地表沉陷预测模型。首先通过BP神经网络进行训练、测试,经过多次迭代,将每个BP神经网络作为一个弱预测器加权组合,形成强预测器,并首次对青岛地铁3号线保河区间隧道进行地表下沉值预测。预测结果表明:Adaboost的BP神经网络预测下沉值的平均绝对误差为0.585 3 mm,平均相对误差为5.82%,与BP神经网络预测相比,绝对误差降低了2.594 7 mm,相对误差降低了27.46%,由此表明Adaboost的BP神经网络适用于地表沉陷预测,且预测精度更高。     

煤矿悬臂式掘进机多信息监测系统设计与研究

针对目前悬臂式掘进机作业数据可视化差、可靠性低的问题，提出了一种基于多传感分布的多信息监测系统，设计了系统整体框架，实现了监测程序的可靠运行。首先，分析了悬臂式掘进机远程监测的工作特性，采用降噪去雾算法对现场图片进行增亮与清晰化处理，提升图像质量，达到远程实时视频监测水平，结合瓦斯与温湿度传感器实现了掘进环境监测；其次，以掘进机截割头位置作为其作业空间边界，建立掘进机截割头位姿与运行轨迹方程，采用油缸位移信号与倾角信号冗余算法，实时监测掘进机截割空间位置，实现截割头空间位置在线监测；然后，基于朗伯-比尔定律，采用透射法，设计了油液污染度实测系统，结合温度、液位与流量传感器，实现了掘进机油液状态的在线监测；进而，基于指数退化方法建立截割部轴承的剩余使用寿命预测模型，嵌入到监测系统中，实时显示掘进机各关键部件的性能曲线，实现了关键部件的寿命监测；最后，利用多传感分布方法采集信号，采用多信息融合方法，通过TCP协议，结合PLC网口通讯，远程采集温度、压力、振动等信号，进行实时可视化及故障趋势分析，形成掘进机工作环境状况、截割状态、油液状态、寿命预测等方面的多信息监测系统，为实现掘进机的智能化...     

掘进机截割部故障分析与优化设计

截割部是掘进机重要的工作部件,为了提高掘进机工作稳定性,提升截割部工作性能,分析研究了掘进机截割部主要的故障问题以及导致故障的原因,针对截割部各部件方面存在的问题提出相应的优化措施,目的是为了提高掘进机截割部工作的安全稳定性,提高掘进机整体工作效率。     

纵轴式掘进机截割功率预测方法与试验验证

为了对纵轴式掘进机在不同工作条件下的截割功率进行预测,采用N.Bilgin在单齿破岩试验方面的结论,分析了截齿与岩石的相互作用过程,研究了定相关和欠相关状态下截割功率的计算方法并建立了相应预测模型。用EBZ260W掘进机对单轴抗压强度为(74±8) MPa的人工岩体进行横摆和升降6个步骤截割试验后发现,升降过程中掘进机对应的截割功率较大,其中向上截割过程最大值达254.1 kW,其余各试验步骤对应的平均截割功率约为掘进机额定功率的20%。按照相似试验条件对各步骤对应的截割功率进行预测计算,通过回归分析发现截割功率预测结果与试验数据线性相关,其最大值和平均值的相关系数分别为0.985和0.982,对应预测公式拟合度达到96.95%和96.34%。研究结果表明,基于单齿破岩试验的截割功率预测模型适用于对纵轴式掘进机的实际截割性能进行预测。     

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。     

悬臂式掘进机截割过程性能预测方法研究

为了对悬臂式掘进机进行截割性能预测,应用动力学建模与仿真方法求出平均截割功率,在此基础上依据比能法预测其生产率,并应用预测模型对掘进机的瞬时切削率、最大掘进速度和截齿消耗进行预测。通过与实际数据进行对比以及误差分析,验证了该预测方法的可行性,可作为掘进机生产厂家和施工方进行性能预测的依据。     

截割头运动参数对掘进机截割性能影响的试验研究

掘进机截割头运动参数包括截割头转速与进给速度。为使掘进机处于较为理想的截割状态,保证最佳的截割性能,需要使转速与进给速度处于一个合理的匹配关系下。利用截割试验台,将转速分成40,50,60,70rpm,进给速度分为0.4,0.6,0.8,0.9 m/min,对水泥和煤粉配比为1∶3.6的模拟煤岩进行截割试验,利用三向振动传感器、三向力传感器、扭矩传感器,采集截割过程中的数据,利用matlab中DSP工具箱分析信号,通过多目标优化函数进行优化,得到截割转速为70rpm、进给速度为0.4m/min时,试验台截割头截割性能处于最佳状态,为掘进机实际截割操作及掘进机自动化掘进,提供了参考依据。     

掘进机圆盘形滚刀磨损特性对截割性能的影响分析

从圆盘形滚刀的结构参数以及掘进机的掘进参数来深入研究掘进机截割部的磨损性能以及圆盘形滚刀磨损性能对于滚刀截割性能的影响,为掘进机截割部的优化设计提供基础数据。     

不同工况下掘进机截割性能多目标优化

为了提高掘进机的截割效率，以掘进机截割部的运动参数为设计变量，研究悬臂式纵轴掘进机的截割头自转速度、摆动速度等运动参数对截割性能的影响，用MATLAB模拟各性能参数变化规律，以单个截齿载荷分析为基础，建立截割头各向载荷数学模型，根据现场经验给定运动参数设计空间，建立截割头的截割阻力、负载转矩、截割比能耗和截割生产率目标函数，采用线性加权法将多个优化目标转为单个目标，分别给出正常工况和夹矸工况的加权系数，求解截割运动参数最优配置，在EDEM仿真软件中对优化前后的截割性能进行验证，结果表明最优运动参数下的掘进机综合截割性能更优，截割能力、破岩能力提升，截割比能耗降低，生产率得到了显著提高，产尘量得到了一定程度的控制。     

悬臂式掘进机截割头姿态视觉检测系统

针对悬臂式掘进机截割头姿态检测难题,提出一种利用视觉传感器识别红外标靶特征的截割头姿态测量方法,并构建了测量系统。该系统以掘进机截割部所安装标识板上的红外LED作为信息来源,通过对红外LED特征点成像特征的分析,建立掘进机截割头姿态空间解算模型。通过防爆工业相机采集布置于掘进机截割部标识板的红外LED特征点图像,利用高斯曲面拟合算法对特征点进行中心定位;采用P4P方法对特征点的空间三维坐标进行求解;并且建立了基于误差模型的对偶四元数截割头位姿最优解算模型,完成掘进机截割头姿态角解算。最终,在实验室条件下,搭建了掘进机截割部姿态视觉测量平台,模拟截割部实际工况姿态。试验结果表明,该方法的角度测量误差在0.5°范围以内,可以满足掘进机截割过程中截割头姿态角自动、准确、实时测量的要求。     

基于Adaboost-PSO-BP模型的开采沉陷预测研究

针对开采沉陷量与多影响因素复杂非线性关系问题，提出了基于粒子群算法优化BP神经网络的Adaboost强预测模型(Adaboost-PSO-BP模型)。预测结果表明，与BP模型、Adaboost-BP模型和PSO-BP模型相比，Adaboost-PSO-BP模型提高了预测精度，平均相对误差值优化到4.26%|该模型融合了Adaboost算法侧重预测误差大的样本和粒子群算法优化神经网络权值及阈值的特点，实现了强预测器“优中选优”的目的，在开采沉陷预测中具有可行性。     

掘进机截割减速器的故障分析研究

正作为井下巷道掘进的关键设备,掘进机对井下生产作业的正常开展有着直接影响。截割部是通过截割臂和截割减速器传动截割头实现截割煤岩的功能。减速器一旦发生故障,必将延误巷道开掘作业。因此,分析研究掘进机截割减速器的故障,并提出针对性解决措施具有现实意义。     

悬臂式掘进机机身及截割头位姿视觉测量系统研究

针对煤矿井下悬臂式掘进机机身及截割头位姿测量难题,提出一种基于激光束和红外光斑特征的悬臂式掘进机机身及截割头位姿视觉测量系统。在掘进工作面的巷道顶部安装3个激光指向仪,通过固定安装在掘进机机身上的防爆相机对激光束图像进行采集,利用改进的随机Hough变换对激光束进行直线检测,通过建立的基于两点三线的掘进机位姿解算模型得到掘进机机身在巷道坐标下的位姿。同时,通过防爆相机对截割部所安装的红外标靶图像进行采集,利用高斯曲面拟合算法对光斑进行中心定位,通过建立的基于对偶四元数的掘进机截割头位姿解算模型得到截割头在机身坐标系下的位姿,结合得到的机身坐标系与巷道坐标系间的转换关系,得到巷道坐标系下的截割头中心点位姿。最终,在实验室搭建了掘进机机身及截割头位姿视觉测量平台,并在该平台上模拟掘进机的实际工况位姿,结果表明,该方法测得的掘进机截割头中心点在巷道坐标系下的姿态测量误差在0.5°范围以内,位置测量误差在40 mm以内,可以满足掘进机机身及截割头位姿自动、准确、实时测量的要求。     

矮身掘进机截割部设计

通过分析矮身掘进机发展的必要性,主要设计了掘进机的体积尺寸和截割部。截割部是掘进机直接截割煤岩的装置,其运转情况、截割能力、结构形式直接影响掘进机的掘进效率、生产能力和机体的稳定性,是衡量掘进机性能的主要因素和指标。     

基于模糊数学的掘进机截割头转速分档预测方法

针对悬臂式掘进机在井下掘进过程中截割载荷识别困难的问题,提出了一种基于模糊数学的掘进机截割头转速分档预测方法.通过分析掘进机截割头工作过程,基于模糊数学将井下实测的多传感器信息进行信息融合,得到截割头载荷的预测输出.依据不同工况将截割头转速分为四个档位,并进行了实验验证,为研究不同工况下截割头转速自适应控制提供了理论和...     

全断面矩形快速掘进机小刀盘截割假煤壁试验

全断面矩形快速掘进机是一种新型的煤巷快速掘进设备,截割形成矩形断面的关键部件是设计独特的4个小刀盘。为验证小刀盘的截割和装载性能以及设计的合理性,在地面特别设计制作小刀盘专用试验台,浇筑假煤壁,进行不同工况的小刀盘截割假煤壁(模拟煤壁)试验。通过试验数据的采集分析,验证了4个小刀盘的设计合理性,同时对全断面矩形快速掘进机的推进阻力和装载效果进行了技术验证,为掘进机整机和小刀盘的改进设计及性能提高提供了理论依据。     

EBH300(A)岩石掘进机截割部设计及应用

通过对EBH300(A)岩石掘进机截割部与传统掘进机截割部的结构对比,分析得出EBH300(A)岩石掘进机截割部升降油缸作用力与力臂的夹角变大,使升降油缸作用力在截割臂上作用点的位置发生改变,进而使截割部升降过程的受力状况得到了明显改善.同时,EBH300(A)岩石掘进机截割部回转结构采用了齿轮、齿条传动,代替了传统的回转油缸直接驱动,使截割部回转过程的受力状况得到了改善.通过受力分析和力矩计算,得出EBH300(A)岩石掘进机截割部与传统掘进机截割部力矩变化图,得出EBH300(A)岩石掘进机截割部升降、回转力矩更大,运转更平稳,截割效率更高,基本消除运动中振动的结论.通过在山东新巨龙矿的应用,验证了EBH300(A)岩石掘进机截割部设计达到了提高截割性能的目的,为掘进机自动控制信号准确可靠传输奠定了基础.     

基于深度学习的采煤机截割轨迹预测及模型优化

提高采煤机记忆截割精度对于实现采煤机截割滚筒的自动调高,提升采煤机自动化水平具有重要意义。针对目前采煤机传统记忆截割方法精度不高的问题,根据采煤机截割过程具有一定重复性的特点,提出了一种基于深度长短时记忆(Long Short-Term Memory,LSTM)神经网络的采煤机记忆截割轨迹预测方法,通过MATLAB平台实现了模型的构建与模型参数的优化,并使用实际截割数据对深度LSTM神经网络模型进行了验证。预测实验的结果表明,深度LSTM神经网络相对于支持向量回归与梯度提升回归树算法在截割轨迹预测方面具有更高的准确性。深度LSTM神经网络的平均绝对误差、平均绝对百分误差、均方根误差均低于支持向量回归与梯度提升回归树算法。实际生产中采煤机需进行多次循环截割,考虑到实时性问题,神经网络模型需要对截割轨迹进行多步预测。为了进一步提升模型能力,提高模型在进行多步预测时的准确性,提出了一种LSTM神经网络的改进结构。通过在LSTM神经网络中引入比例因子,强化了神经网络的记忆保持能力。缓解了随预测步数增加,深度LSTM神经网络模型预测误差增大的问题。并对改进后模型与原模型进行了预测对比实验,实验结...