《工矿自动化》“矿山机械设备健康状态评价与故障诊断技术”

《工矿自动化》“矿山机械设备健康状态评价与故障诊断技术” | 虚拟专题

来源：工矿自动化

机械设备是矿山生产运行的基础。智能化矿山建设对矿山机械设备的安全性、可靠性、经济性等方面提出了更高的要求，研究矿山机械设备健康状态评价与故障诊断相关理论及技术，对实现矿山智能开采具有较大的现实意义。本刊整理了近期发表的矿山机械设备健康状态评价与故障诊断技术代表性文章，以期促进同行交流。

行业视野: 智能化
类别; 77个
关键词; 56位
专家; 14篇
论文; 1791IP
点击量; 800次
下载量

基于虚实融合数据的悬臂式掘进机截割部故障预警技术研究

作者(Author)：张旭辉, 白琳娜, 杨红强

摘要：目前悬臂式掘进机截割部故障预警技术依赖于传统的数据采集方法，在掘进机截割部实际运行过程中存在信号获取困难、噪声较多等问题，导致掘进机截割部故障预测预警能力受到限制。针对上述问题，提出一种基于虚实融合数据的悬臂式掘进机截割部故障预警方法。对悬臂式掘进机截割部进行三维实体建模，利用机械系统动力学自动分析软件(ADAMS)获取截割部机械系统虚拟数据，构建其动力学仿真模型以获取虚拟数据，并采用余弦相似度函数表征其与真实数据的相似度，验证虚拟数据的可信度。将虚拟、真实数据分别采用贝叶斯估计与自适应互补加权融合方法进行相似关联与互补关联融合，获得虚实融合数据。针对传统自组织映射（SOM）神经网络学习效率易受学习速率的影响问题，建立了基于改进SOM神经网络的故障预警模型，引入关于时间的单调递减函数对SOM神经网络进行训练，在保证学习速率的同时，兼顾模型的稳定性。将融合数据输入基于SOM神经网络的故障预警模型以确定获胜神经元并进行权值调整，计算真实数据与获胜神经元间的距离并进行权值调整，进而实现故障预警。实验结果表明，改进SOM神经网络的平均运行效率可提高35.84%；基于虚实融合数据的悬臂式掘进机截割部故障预警方法可成功实现单一故障和复合故障的类型预测，其预测准确率达83.33%。

免费下载

工矿自动化

2023年第08期

181

73
基于VMD和CNN-BiLSTM的矿井提升电动机故障诊断方法

作者(Author)：李敬兆, 何娜, 张金伟, 王擎, 李化顺

摘要：针对传统基于音频信号的电动机故障诊断方法获取电动机音频信号特征信息不足和故障诊断精度不高的问题，提出了一种基于优化的变分模态分解（VMD）和卷积神经网络CNN-双向长短期记忆（BiLSTM）的矿井提升电动机故障诊断方法。针对模态混叠和端点效应问题，采用鲸鱼算法（WOA）优化的VMD对电动机音频信号进行分解，将电动机音频信号分解为K个本征模态分量（IMF），经Pearson相关系数筛选后，提取主IMF分量的13维静态MFCC特征参数，为了获取信号的动态特征，提取13维静态MFCC的一阶差分和二阶差分系数，构成39维特征向量，从而把动静态特征结合起来，提高故障诊断性能。为了提高故障诊断精度，在CNN中引入BiLSTM层，CNN在空间维度上提取音频信号的局部特征，BiLSTM在时间维度上保留音频信号的双向时间序列信息，捕获音频信号长距离依赖关系，从而最大程度保留全局和局部特征。实验结果表明：(1) VMD分解的每个IMF分量都具有独立的中心频率且分布均匀，在频域上表现出稀疏性的特点，能够有效避免模态混叠问题；在IMF求解中，VMD分解通过镜像延拓的方式避免了经验模态分解（EMD）和集合经验模态分解（EEMD）中出现的端点效应问题。(2)基于13维静态MFCC特征的故障诊断准确率为97.5%，基于39维动静态MFCC特征的故障诊断准确率比基于13维静态MFCC特征的故障诊断准确率提高了1.11%。(3)基于CNN-BiLSTM诊断模型的准确率达到98.61%，与目前通用诊断模型CNN, BiLSTM和CNN-LSTM相比，准确率分别提高5.83%,4.17%和3.89%。

免费下载

工矿自动化

2023年第07期

86

68
基于改进YOLOv5s的带式输送机滚筒故障检测研究

作者(Author)：苗长云, 孙丹丹

摘要：针对目前带式输送机滚筒故障检测方法检测效率低、识别准确率不高、特征提取能力较差等问题，提出了一种基于改进YOLOv5s的带式输送机滚筒故障检测方法。在YOLOv5s网络模型中增加了小尺寸检测层，使尺寸较小的滚筒故障更易被检测到；在Backbone和Neck间引入卷积注意力机制（CBAM），提高目标检测的准确率；在Neck中引入高效通道注意力机制（ECA），增强对滚筒故障的特征提取能力。实验结果表明：(1)在满足实时检测要求的前提下，改进YOLOv5s网络模型识别平均准确率均值达94.46%，较改进前提升了1.65%。(2)改进YOLOv5s网络模型对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别为95.29%,96.43%,91.65%，较改进前分别提高了1.56%,0.89%和2.50%。设计了基于改进YOLOv5s的带式输送机滚筒故障检测系统，并对该系统进行验证：(1)实验平台测试结果表明：基于改进YOLOv5s的带式输送机滚筒故障检测系统对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别达95.29%,96.43%,91.65%,3种故障检测的平均准确率均值达94.46%，检测速度约为14帧/s。(2)现场测试结果表明：包胶磨损和包胶脱落的置信度分别为0.92,0.97，且能准确地识别出滚筒的故障类型和位置，说明基于改进YOLOv5s的带式输送机滚筒故障检测系统具有可行性。

免费下载

工矿自动化

2023年第07期

122

65
煤矿综采设备故障知识图谱构建

作者(Author)：蔡安江, 张妍, 任志刚

摘要：现有煤矿综采设备故障诊断方法缺乏对综采设备历史故障数据的系统化管理及应用，针对该问题，引入知识图谱技术对综采设备故障数据进行系统化管理。采用自顶而下的方法对综采设备故障知识进行本体构建，将综采设备故障知识归纳为故障位置、故障现象、故障原因、处理方法 4类，并进行规范化命名；采用通用的命名实体标注方法 BIOES对综采设备故障知识进行人工标注；将双向长短期记忆（BiLSTM）和条件随机场（CRF）相结合，构建BiLSTM-CRF模型，对已标注的综采设备故障知识进行命名实体识别，并通过人工抽取实体关系，从而实现故障知识抽取；结合BiLSTM-CRF模型的实体识别结果和人工抽取的实体关系，使用Neo4j图数据库存储综采设备故障知识，构建综采设备故障知识图谱。实验结果表明，相较于BiLSTM模型和BiLSTMAttention模型，BiLSTM-CRF模型精确率显著提高，为87%,F1值也有一定幅度上升，为69%。综采设备故障知识图谱的构建可为大规模、多域综采设备故障数据的有效分析、管理及应用提供支持。

工矿自动化

2023年第05期

263
基于谐波匹配补偿和无键相阶次跟踪的轴承故障诊断

作者(Author)：武杰, 卢振连, 马洪儒, 朱艳芳, 吴耀春, 薛晓峰, 姜阔胜

摘要：煤矿机械设备轴承在强冲击、大载荷工况下产生的振动信号表现出强烈的瞬态非平稳与局部非线性特性。经典的时域统计分析方法和全局域变换方法难以识别故障特征；传统阶次跟踪方法存在设备安装不便、难以获取瞬时频率的问题；传统的无键相阶次跟踪方法在转速波动剧烈的条件下估计出的瞬时频率精度低，导致故障识别效果差。针对上述问题，提出了一种基于谐波匹配补偿和无键相阶次跟踪的轴承故障诊断方法。首先，利用基于谐波匹配补偿的时频分析方法对轴承振动信号进行处理，准确估计瞬时频率；其次，通过Vold-Kalman滤波方法自适应提取谐波分量信号；再次，采用Hilbert变换计算谐波的瞬时相位，进而获得时间域与角度域的映射关系，完成原始时间域信号在角度域的重采样；最后，对重采样的信号进行快速傅里叶变换，通过分析包络阶次谱，实现轴承故障特征识别。仿真和试验结果表明，该方法估计的瞬时频率与实际值之间的最大相对误差不超过1%，表征轴承故障特征阶次准确且明显，可有效诊断轴承故障。

免费下载

工矿自动化

2023年第02期

57

63
带式输送机托辊故障检测方法

作者(Author)：武国平

摘要：针对现有输煤传送机托辊故障检测方法存在识别精度较低、抗环境干扰能力较差、无法长期稳定运行等问题，提出了一种基于融合信号（TFM）及多输入一维卷积神经网络（MI-1DCNN）的输煤传送机托辊故障检测方法。首先，通过拾音器采集输煤传送机沿线托辊运行的音频信号，采用dB4小波无偏风险估计阈值降噪法对信号进行预处理，消除背景噪声，提高信噪比。然后，对降噪音频信号的时域、频域和梅尔频率倒谱系数（MFCC）及其一阶二阶差分系数进行归一化处理，并进行拼接，得到特征TFM。最后，将TFM输入到多尺度卷积核的MI-1DCNN模型，在网络通道末端进行特征融合，通过Softmax函数完成对正常托辊和故障托辊的分类识别。以某煤矿实际采集的输煤传送机托辊音频信号样本对TFM-MI-1DCNN模型进行试验，结果表明：故障托辊平均识别准确率达98.65%，较改进小波阈值降噪-反向传播-径向基函数网络、MFCC-K邻近方法-支持向量机的平均识别准确率分别提高了1.50%和1.03%。现场应用结果表明：该方法下故障托辊平均识别准确率为98.4%，说明该方法适用于现场应用。

免费下载

工矿自动化

2023年第02期

60

111