“矿山机械设备健康状态监测与故障诊断技术及应用”专题

首页 > 专题

“矿山机械设备健康状态监测与故障诊断技术及应用”专题

来源：工矿自动化

专题来自于《工矿自动化》2022年第9期。共12篇研究成果。

行业视野: 智能化
类别; 70个
关键词; 44位
专家; 12篇
论文; 2209IP
点击量; 2264次
下载量

基于模糊贝叶斯网络的矿井排水系统故障诊断

作者(Author)：史晓娟, 姚兵, 顾华北

摘要：矿井排水系统不断向自动化、智能化方向发展，系统结构和功能越来越复杂，单一部件的功能异常和故障问题可能会造成整个系统故障。针对现有矿井排水系统故障诊断方法实施难度较大、未考虑系统的整体性、故障诊断效率低等问题，提出一种基于模糊贝叶斯网络的矿井排水系统故障诊断方法。首先，利用故障树分析法将系统的故障原因逐层分解细化，找出系统故障的根本原因。其次，将故障树中的事件转换为贝叶斯网络的节点，逻辑门转换为贝叶斯网络的有向边及条件概率，根据故障树与贝叶斯网络之间的映射关系构建贝叶斯网络。然后，将模糊集合理论引入贝叶斯网络中，通过专家评估确定故障与征兆间的关联强度，经三角模糊数模糊化、均值化、去模糊化处理，得到模糊贝叶斯网络的条件概率。最后，根据先验概率和条件概率，利用模糊贝叶斯网络判断各根节点的故障概率。利用Genie3.0仿真软件建立模糊贝叶斯网络并进行推理分析和诊断测试，结果表明，该方法对各故障征兆的诊断准确率均在80%以上，平均准确率为82.7%。该方法不仅能确定故障源的具体位置和具体部件，还能找出矿井排水系统的薄弱点，排除潜在故障，提升系统的可靠性与安全性。

免费下载

工矿自动化

2022年第09期

173

124
液压支架顶梁裂纹弱磁无损检测分析

作者(Author)：刘宁, 辛嵩, 贺敏, 陈秋艳

摘要：针对目前液压支架裂纹检测方法操作繁琐的问题，提出了一种基于地磁场激励的液压支架顶梁裂纹弱磁无损检测方法。首先运用COMSOL Multiphysics仿真软件对液压支架顶梁裂纹处的应力场进行分析，然后基于弱磁无损检测原理，在仿真空间内加载地磁场，得到顶梁含裂纹缺陷材料磁化后与地磁场形成的叠加场，对该叠加场进行分析。结果表明：(1)在液压支架顶梁缺陷处有应力集中现象，且越靠下应力越大，裂纹由表及里向两侧拓展，及时发现表面裂纹可有效减小顶梁失效风险。(2)当裂纹缺陷的长度与深度固定时，不同宽度裂纹的磁通密度模曲线的波谷与波峰的水平间距和波峰值随宽度的增加而增大，波谷值随宽度的增加而先减小后增大。磁通密度模变化的幅值随裂纹宽度的增加而增大，磁通密度模相邻最大谷峰差的变化率随宽度的增加而减小。磁通密度的变化幅值与裂纹宽度的变化呈正相关。(3)当裂纹缺陷的长度与宽度固定时，不同深度裂纹的磁通密度模曲线的波谷值差异较小，左侧波峰值随宽度的增加而增大，右侧波峰值随宽度的增加而减小。随着裂纹深度的增加，磁通密度模的变化幅值增大，磁通密度模相邻最大谷峰差的变化率几乎不变。磁通密度的变化幅值与裂纹深度的变化呈正相关。相较于裂纹的深度变化，磁通密度对裂纹的宽度变化更为敏感。(4)当裂纹缺陷的长度、宽度与深度固定时，改变裂纹的走向并不影响对裂纹缺陷处的判断。

免费下载

工矿自动化

2022年第09期

189

137
基于AHP-TOPSIS综合评价法的离心泵健康状态评估

作者(Author)：乔佳伟, 田慕琴

摘要：针对离心泵叶轮磨损问题，现有研究大都集中在对叶轮磨损的数值仿真分析、振动信号分析和磨损量检测上，很少对叶轮磨损下的离心泵工况参数进行研究。针对该问题，提出了一种基于层次分析法（AHP）和优劣解距离法（TOPSIS）综合评价的离心泵健康状态评估方法。首先根据离心泵的运行条件，结合离心泵的性能要求，确定了表征离心泵健康状态的工况参数（流量、扬程、效率、轴功率）；然后以叶轮外径和比转数大小作为工况参数评价指标，利用AHP和超传递近似法确定各工况参数对离心泵健康状态的权重值；最后利用TOPSIS综合评价法评估离心泵工况参数，通过加权求和方式得到离心泵的健康状态评分，实现对离心泵的健康状态评估。以IS-100-80-125型单级离心泵为研究对象，将叶轮外径由125 mm磨损至87 mm，得到离心泵不同叶轮外径下的工况参数，利用AHP-TOPSIS综合评价法评估离心泵各工况参数和健康状态，结果表明：离心泵的叶轮磨损量和离心泵健康状态呈线性关系，随着叶轮磨损量的不断增加，离心泵排水能力不断降低，评估结果符合离心泵实际情况，证明了该方法的合理性和可行性。

免费下载

工矿自动化

2022年第09期

185

130
基于MTF和DenseNet的滚动轴承故障诊断方法

作者(Author)：姜家国, 郭曼利

摘要：基于模型和基于信号处理与分析的滚动轴承故障诊断方法存在建模困难、信号特征难以提取等问题；基于浅层机器学习的滚动轴承故障诊断方法对复杂数据的特征学习能力有限；基于深度学习的滚动轴承故障诊断方法多采用卷积神经网络，但随着网络深度加深会出现梯度弥散或消失的问题，且直接将滚动轴承振动信号转换成一维或二维图像作为网络输入会无法保留信号间的时间相关性，导致信号信息丢失。针对上述问题，提出了一种基于马尔可夫变迁场（MTF）和密集连接卷积网络（DenseNet）的滚动轴承故障诊断方法。将滚动轴承振动信号通过MTF编码后生成二维图像，保留了信号的时序信息和状态迁移信息；将二维图像作为DenseNet的输入，通过DenseNet对滚动轴承振动信号故障特征进行提取，增强了特征信息传播，使特征信息得到充分利用，进而实现故障分类识别。采用凯斯西储大学轴承数据集上的数据进行试验，结果表明，该方法能有效识别滚动轴承故障类型，故障诊断准确率达99.5%。为进一步验证该方法在电动机载荷发生变化情况下的故障诊断能力及优越性，选取灰度图、包络谱图、倒频谱图和MTF生成图4种网络输入图像分别与Inception,ResNet,DenseNet 3种网络相结合的方法进行对比试验，结果表明：不同方法的故障诊断准确率均在电动机载荷不变时高于电动机载荷变化时；MTF+DenseNet方法故障诊断准确率高于其他方法，在电动机载荷发生变化的情况下仍具有较高的故障诊断准确率，平均值为94.53%，泛化性能较好。

免费下载

工矿自动化

2022年第09期

178

98
轴承智能故障诊断

作者(Author)：吴冬梅, 王福齐, 李贤功, 唐润, 张新建

摘要：轴承振动信号作为一种时间序列数据，其时间维度特征在分类中起着关键作用，单独使用卷积神经网络（CNN）进行轴承故障诊断会造成时间维度信息的丢失，导致诊断精度下降。针对上述问题，提出了一种结合一维CNN、双向门控循环单元（Bi GRU）和注意力机制的轴承故障诊断模型。首先利用CNN自适应提取一维振动信号局部空间特征；然后将该特征信息作为Bi GRU的输入，利用Bi GRU将提取的特征信息进行时间维度的融合，并引入注意力机制对多个时刻的特征信息进行加权，提取出更关键的故障特征；最后将故障特征输入全连接层得到分类结果，实现轴承智能故障诊断。实验结果表明：(1)在测试集混淆矩阵上，轴承运行状态基本分类正确，只有部分标记类型没有被完全分类正确，但是召回率达到了95%以上，总的故障识别准确率为99.3%。(2)利用t-SNE技术对降维处理后的数据进行可视化，轴承各运行状态的数据很好地聚集在各自的空间内，只有少量数据被混杂到其他区域，说明该模型具有较强的特征提取能力。(3)在恒定负载情况下，该模型故障诊断准确率较一维CNN、Bi GRU和注意力CNN等模型的平均准确率分别提高了0.8%、0.6%和0.3%。(4)在变负载情况下，与SVM（支持向量机）、一维CNN、Bi GRU和注意力CNN等模型相比，该模型具有更好的稳定性，当负载为2.25 kW时，准确率达85%以上。该模型既具有一维CNN局部特征提取能力，又具有Bi GRU时间依赖信息的建模能力，能够在获取轴承信号局部复杂特征后进一步融入特征之间的时间维度信息，同时注意力机制能进一步关注与故障更相关特征，因此具有较好的精度。

免费下载

工矿自动化

2022年第09期

162

97
基于多信息融合和卷积神经网络的行星齿轮箱故障诊断

作者(Author)：史志远, 滕虎, 马驰

摘要：基于机器学习的行星齿轮箱故障诊断方法依赖人工选择特征向量，而特征向量选择的优劣很大程度上决定了诊断方法的准确率。卷积神经网络（CNN）能自动提取特征，但用于行星齿轮箱故障诊断时难以通过单一振动信号对故障做出精确诊断。针对上述问题，提出了一种基于多信息融合和CNN的行星齿轮箱故障诊断方法。对行星齿轮箱的三向（水平径向、垂直径向与轴向）振动信号和声音信号进行数据层融合，将一维的振动信号和声音信号通过并联方式整合为一个二维信号；将二维信号作为CNN的输入，利用多个卷积层和最大池化层进行深度特征提取和信息过滤，最终通过Softmax分类器实现故障分类。搭建了行星齿轮箱故障诊断实验台，采集不同转速和负载工况下行星齿轮箱正常和故障状态的振动信号和声音信号，并输入CNN中进行训练和验证。在相同条件下选取水平径向振动信号、垂直径向振动信号、轴向振动信号、声音信号4种单源信息分别与CNN相结合的方法进行对比，以验证基于多信息融合和CNN的行星齿轮箱故障诊断方法的优越性，实验结果表明：轴向振动信号+CNN和声音信号+CNN 2种方法的故障识别准确率分别为74.07%和75.13%；水平径向振动信号+CNN和垂直径向振动信号+CNN 2种方法的故障识别准确率分别为89.70%和87.09%；基于多信息融合和CNN方法的收敛速度最快，故障识别准确率最高，为93.33%。

免费下载

工矿自动化

2022年第09期

210

414
基于小波变换和改进卷积神经网络的刚性罐道故障诊断

作者(Author)：杜菲, 马天兵, 胡伟康, 吕英辉, 彭猛

摘要：现有刚性罐道故障诊断方法有的仅适用于小样本数据集，有的虽适用于大样本数据集，但忽略了实际工作环境中的多工况背景。基于卷积神经网络的刚性罐道故障诊断方法存在数据和运算量庞大，易产生过拟合等问题。针对上述问题，提出了一种基于小波变换和改进卷积神经网络的刚性罐道故障诊断方法。首先，在刚性罐道设置错位与间隙2种缺陷，采集多工况下提升容器振动加速度信号。其次，利用小波变换将采集的振动加速度信号转换为二维时频图像，采用试凑法最终确定经Complex Morlet小波基函数处理后的二维时频图像的时间和频率分辨率最佳。然后，通过改进卷积神经网络模型结构，即保留第1层和第5层池化层，将第2,3,4层池化层替换为小尺度卷积层，以防止过拟合现象。最后，将二维时频图像输入改进后的卷积神经网络模型。实验结果表明:(1)改进模型经过训练后，在训练集上的平均准确率为99%左右，在测试集上的平均准确率为99.5%。(2)当数据训练至200步后，改进模型的准确率达99%以上，改进模型的损失函数值趋近于0，说明改进模型收敛性能较好，模型的泛化能力得到了增强，在学习过程中对于过拟合的抑制效果明显。(3)在验证集混淆矩阵上，间隙缺陷和错位缺陷识别准确率为100%，无缺陷识别准确率为92%。(4)与EMD-SVD-SVM、小波包-SVM、EMD-SVD-BP神经网络、小波包-BP神经网络相比，基于小波变换和改进卷积神经网络的刚性罐道故障诊断方法准确率达99%。

免费下载

工矿自动化

2022年第09期

192

378
煤矿旋转机械健康指标构建及状态评估

作者(Author)：李曼, 潘楠楠, 段雍, 曹现刚

摘要：煤矿设备监测参数为时间序列数据，其时序特征对健康评估的影响较大。针对传统机械设备健康评估中存在的信号时空特性提取不完备、人为经验依赖程度高、设备早期状态变化评估难等问题，建立了基于二维数组的长短期记忆降噪卷积自编码器（2D-LSTMDCAE）模型，并提出了基于2D-LSTMDCAE的煤矿旋转机械健康指标（HI）构建及状态评估方法。将一维振动数据转换为二维数组，通过二维卷积网络模型充分学习原始数据中所包含的信息，增强模型对数据特征的学习能力；将样本并行输入卷积和长短期记忆（LSTM）单元，以获取完备的信号时空特征；构建无监督学习的降噪卷积自编码器（DCAE）模型并进行样本重构，采用Bray-Curtis距离计算原始样本与重构样本间相似度，得到HI，解决设备运行过程中状态标签难以获取的问题，提升模型在强背景噪声中的适应能力。使用XJTU-SY轴承数据集验证2D-LSTMDCAE模型的特征学习能力，并采用相关性和单调性2个指标评价基于HI的状态评估方法，测试结果表明：二维输入样本构建方法及学习数据时序特征的HI构建方法对轴承的性能退化更敏感，2D-LSTMDCAE模型能够更早地检测到设备的早期故障，在测试轴承上相比于LSTMDCAE和DCAE模型构建的HI及均方根平均提前了约7 min；与LSTMDCAE和DCAE模型构建的HI、均方根相比，2D-LSTMDCAE模型构建的HI的相关性和单调性均较高，能更好地反映轴承的退化情况。采用减速器加速退化实验数据进行健康评估实验，在测试减速器上，相比于均方根指标，通过2D-LSTMDCAE模型构建的HI能够提前8 min发现早期故障，且HI相关性提高了0.007，单调性提高了0.211，能够更好地反映减速器的退化情况。

免费下载

工矿自动化

2022年第09期

173

159