“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; 2286IP
点击量; 2268次
下载量

矿用带式输送机托辊音频故障诊断方法

作者(Author)：吴文臻, 程继明, 李标

摘要：现有矿用带式输送机托辊故障诊断方法一般是对托辊信号进行分解并转换至频域，从频域提取特征进行故障诊断，而常用的信号小波分解和经验模态分解方法存在小波基选择困难、易出现频谱混叠和端点效应的问题，导致故障诊断准确率较低。针对上述问题，提出了一种基于变分模态分解（VMD）-BP神经网络的矿用带式输送机托辊音频故障诊断方法。首先通过音频传感器采集矿用带式输送机沿线托辊的音频信号，并对音频信号进行预处理，以抑制音频信息中的噪声信号；然后采用VMD将音频信号按照中心频率分解成不同的IMF（本征模态函数）分量，提取各个IMF分量的峭度、重心频率、频率标准差等特征值；最后将特征值输入到已经训练好的BP神经网络，根据IMF分量特征值的差异，可以实现通过音频对矿用带式输送机托辊故障进行诊断，并可根据音频信号对应的传感器编号确定出故障托辊位置。以某煤矿实际采集的带式输送机托辊音频信息对基于VMD-BP神经网络的矿用带式输送机托辊音频故障诊断方法进行分析验证，结果表明：该方法在分解、提取音频信号特征时，可以避免分解过程中的频谱混叠与端点效应，总体故障诊断准确率达到96.15%，与采用BP神经网络的故障诊断方法和基于小波分解与BP神经网络的故障诊断方法相比分别提高了26.92%,15.38%，同时误检率也明显降低。

免费下载

工矿自动化

2022年第09期

221

362
基于三维点云的带式输送机跑偏及堆煤监测方法

作者(Author)：徐世昌, 程刚, 袁敦鹏, 孙旭, 金祖进, 李勇

摘要：输送带跑偏和堆煤是煤矿带式输送机常见故障。传统的接触式输送带跑偏或堆煤检测方法在耐用性、灵敏度、可靠性等方面无法满足煤矿安全生产要求，而基于图像处理方法的检测效果受图像颜色信息影响较大，易产生误识别问题。提出了一种基于三维点云的带式输送机跑偏及堆煤监测方法，采用线激光双目相机采集输送带表面的三维点云数据，通过分析处理点云数据对输送带跑偏和堆煤进行实时监测。在输送带跑偏监测方面，采用欧氏聚类和随机采样一致性算法滤除多余点云数据，提取输送带边沿数据点，并采用均中心表征值表征输送带跑偏程度，以减小输送带宽度方向形状变化对监测的影响。在堆煤监测方面，通过处理点云数据得到煤流等效高度来表征煤流高度和宽度信息，实时评估堆煤程度。搭建了带式输送机跑偏及堆煤监测系统试验台，试验结果表明：输送带速度为0.5～3.0 m/s时，输送带边沿点检测误差为-2.84～1.26 mm，最大误差仅为2.84 mm，说明该系统能可靠实现跑偏故障监测功能，并能准确预测跑偏趋势；在输送带上堆积煤炭样本（质量为14～41 kg，以1 kg为增量），当煤炭质量在14～24 kg及28～41 kg范围内，堆煤检测结果均正确，在25～27 kg范围内存在检测错误情况，原因是该范围内煤炭样本质量较接近触发堆煤报警的临界值27.6 kg。

免费下载

工矿自动化

2022年第09期

158

160
基于全卷积神经网络的输送带撕裂检测方法

作者(Author)：游磊, 朱兴林, 陈雨, 罗明华

摘要：针对现有输送带撕裂检测方法存在井下可见光成像质量差、缺少撕裂物理尺寸测量手段、泛化能力差等问题，提出了一种基于全卷积神经网络的输送带撕裂检测方法。该方法基于线结构光成像原理采集图像，可有效解决煤矿井下光照条件差的问题；采用改进最大值法进行线激光条纹检测，可有效排除条纹断点，精确提取条纹，并拟合出缺失点；选用全卷积神经网络中的U-net网络对线激光条纹进行撕裂分割，将撕裂检测问题转换成语义分割问题，并通过降维对U-net网络进行优化，从而减少参数量和计算量；将分割结果反投影回原始图像，利用线结构光标定数据完成撕裂物理尺寸测量。实验结果表明：改进最大值法可有效处理线激光条纹断点区域，无误检和漏检，性能优于Steger法和灰度重心法；U-net网络收敛速度快于SegNet和FCNs网络，迭代的稳定性较强，评价指标最优，U-net4网络性能优于U-net3和U-net5。在验证集上的检测结果表明，撕裂检测的召回率为96.09%，精确率为96.85%。在实验平台的测量结果表明，撕裂物理尺寸测量的最大相对误差为-13.04%。

免费下载

工矿自动化

2022年第09期

177

107
基于特征迁移学习的提升机轴承智能故障诊断

作者(Author)：潘晓博, 葛鲲鹏, 董飞

摘要：针对提升机复杂实际工况导致的现有故障诊断方法准确率低和适应性弱的问题，提出了一种基于深度迁移特征选取（DTF）与平衡分布自适应（BDA）的提升机轴承智能故障诊断方法。对不同工况下的轴承故障信号进行时频分析，提取时域、频域统计特征，采用深度置信网络进行高维深度特征提取。为从高维深度特征集中选取出既有利于故障模式识别，也有利于跨域故障诊断的特征，采用基于ReliefF与域间差异的迁移特征选取（TFRD）方法对各特征的可迁移性进行量化评估，利用TFRD方法对各特征进行类别区分度和域不变性量化评估，采用ReliefF算法处理各类特征数据，获得表征类别区分度的权重值；计算同一特征在不同域间的最大均值差异，构建一种新的特征可迁移性量化指标。基于TFRD方法，选取特征可迁移性大的深度特征构建特征子集，利用BDA对源域和目标域的特征子集进行分布适应，降低两者间的分布差异。采用源域特征集训练故障模式识别分类器，对目标域样本进行故障识别与分类。采用经典机器学习方法、深度学习方法和迁移学习方法构建了8种故障诊断模型，用于与提出的DTF-BDA故障诊断模型进行故障诊断准确率对比。结果表明：(1) DTF-BDA故障诊断模型能够取得明显优于其他对比模型的性能，最高故障诊断准确率可达100%。(2) TFRD方法能有效提高基于迁移学习方法构建的故障诊断模型的性能，与迁移成分分析和联合分布自适应相结合情况下的最高故障诊断准确率分别可达96.46%和97.67%。

免费下载

工矿自动化

2022年第09期

219

100