共查询到19条相似文献,搜索用时 234 毫秒
1.
2.
3.
4.
摇臂齿轮箱是采煤机经常发生故障的设备,尤其是二轴总成上的齿轮及轴承故障率最高,严重影响了整个齿轮箱的使用性能及可靠性。因此,针对采煤机摇臂齿轮箱结构的特点,对该齿轮轴进行受力分析,同时利用Solidworks软件建立了三维模型,并利用ANSYS软件对齿轮轴展开了静力学和模态分析,从结构设计、装配、检查与维修三个方面提出了提高摇臂齿轮轴结构特性的措施,为采煤机的设计以及优化改进提供了理论依据,从而达到采煤机可靠性开采的目的。 相似文献
5.
6.
采煤机摇臂齿轮是采煤机故障高发区,对其进行故障诊断研究可提高摇臂可靠性,提高工效。结合摇臂工作特点,提出基于EMD能谱熵和概率神经网络的齿轮故障诊断方法,提取振动信号EMD分解的前9个IMF分量的能谱熵作为故障特征信息,并将其作为概率神经网络的输入向量进行齿轮故障的分类与识别。结果证明该方法可实现齿轮故障准确诊断,是一种有效的摇臂齿轮故障诊断方法。 相似文献
7.
齿轮箱既是采煤机的核心部件,也是较容易出现故障的部件,一旦发生故障会导致严重的后果。因此,在齿轮箱出现问题的早期进行故障诊断具有重要意义。采用齿轮箱振动信号的5种特征指标作为BP神经网络的输入值,以齿轮箱的正常、齿轮磨损、齿面点蚀和齿根裂纹4种状态为神经网络的输出值,通过对BP神经网络进行训练和对故障类型进行编码,可以实现利用BP神经网络对齿轮箱早期缺陷的故障诊断。从实验仿真结果可知,诊断方法具有较高的准确率,为采煤机齿轮箱的早期故障诊断提供了新的研究思路。 相似文献
8.
针对采煤机摇臂轴承故障,介绍了一种基于盲源分离算法的轴承故障识别方法。该方法采用优化滑动平均长度,以最大信噪比为目标函数对振动信号进行盲源分离,分离后的信号进一步加速度包络处理,信号特征可用于识别轴承故障。通过采煤机摇臂加载试验台进行试验验证,采集采煤机摇臂两个不同部位的振动加速度信号,运用该方法对振动信号进行处理后判别故障类型和位置。结果表明:与单纯的加速度包络法相比较,该方法处理后的信号特征更加明显,对轴承部位的识别率较高。研究结果对于采煤机摇臂的故障预测具有较好地效果,能够进一步提高采煤机在故障领域方面的智能化。 相似文献
9.
10.
对齿轮运动特性进行了分析,阐述了齿轮振动信号的调制原理,指出了齿轮箱低频故障信息容易被强噪声淹没的实际问题,提出了利用Hilbert技术对低速轴齿轮故障特征进行有针对性提取的观点。实例证明,Hilbert技术是一种行之有效的齿轮低频故障特征提取技术。 相似文献
11.
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。 相似文献
12.
为了确保煤矿井下供电系统的安全、可靠,分析了煤矿变压器故障及矿用变压器状态评估结构,矿用变压器常见故障主要有铁芯故障和绕组故障。基于此,设计了煤矿变压器监控系统总体架构,主要由服务器、服务器终端、监测装置和井下传感器组成,研究了系统硬件结构和软件结构。研究对煤矿的安全供电具有重要意义。 相似文献
13.
针对带式输送机齿轮箱故障信号成分复杂、故障识别难的问题,提出了基于自组织映射(SOM)网络的故障诊断方法。首先使用融入Shannon熵的小波降噪方法对齿轮箱振动信号进行预处理;然后利用齿轮箱不同状态的信号通过高斯混合分布模型对其参数使用最大期望算法进行估计,获得反映不同运行状态的特征向量;最后使用SOM网络对齿轮箱不同工况振动信号的特征进行分类识别,进而诊断出相应故障。结果表明:该方法可以有效地识别齿轮箱混合故障,总识别正确率达90%,其中有6种工况的识别正确率达100%。 相似文献
14.
煤矿提升机齿轮箱振动分析 总被引:1,自引:1,他引:0
提升机作为煤矿中的重要设备,其故障率对于煤炭的安全高效生产有着极为重要的作用。在详细分析了煤矿提升机工作环境和工作特性的基础上,建立了提升机齿轮箱振动的数学模型,分析了速度和载荷变化情况下的提升机齿轮箱振动的特点,分析了变工况条件下齿轮箱故障信号的分布特征,为变工况条件下提升机齿轮箱的故障诊断提供了一定的理论基础。 相似文献
15.
16.
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。 相似文献
17.
18.