-
题名采煤机摇臂齿轮箱故障诊断研究现状及展望
被引量：10
- 1
-
-
作者
尹玉玺
周常飞
史春祥
徐卫鹏
慕杰
许志鹏
-
机构
煤炭科学研究总院
天地上海采掘装备科技有限公司
-
出处
《煤炭工程》
北大核心
2022年第11期107-112,共6页
-
基金
中国煤炭科工集团有限公司科技创新创业资金项目(2021-TD-MS005)
-
文摘
摇臂齿轮箱是采煤机核心动力传递机构,其可靠性对煤炭高效生产具有重要意义。文章对采煤机摇臂齿轮箱故障机理及故障诊断方法进行综述。首先,归纳了摇臂齿轮箱轴承和齿轮在不同故障状态下的故障机理。其次,剖析了现有采煤机故障诊断技术存在的主要问题。最后,指出了未来应致力于精确故障机理、复合故障分析、微弱故障识别、基础数据收集、算法融合创新和多源信息利用等方面的研究,为摇臂齿轮箱故障诊断提供参考。
-
关键词
采煤机
摇臂齿轮箱
故障机理
故障诊断
-
Keywords
shearer
rocker gear box
failure mechanism
fault diagnosis
-
分类号
TD421.6
[矿业工程—矿山机电]
-
-
题名基于改进1DCNN的煤岩识别模型研究
被引量：3
- 2
-
-
作者
尹玉玺
周常飞
许志鹏
史春祥
胡文渊
-
机构
煤炭科学研究总院
天地上海采掘装备科技有限公司
-
出处
《工矿自动化》
CSCD
北大核心
2023年第1期116-122,共7页
-
基金
中国煤炭科工集团有限公司科技创新创业资金项目(2021-TD-MS005)。
-
文摘
随着煤矿智能化建设的加速推进,煤岩高效识别已成为煤炭智能化开采亟待解决的技术难题。针对复杂煤矿地质条件下现有煤岩识别方法精度低、通用性差且难以工程应用等问题,提出了一种基于改进一维卷积神经网络(1DCNN)的煤岩识别模型。以1DCNN为基础,使用多个连续卷积层提取一维振动信号特征,通过全局均值池化(GAP)层代替全连接层,以减少模型训练参数,节省计算资源,同时采用带有线性热启动的余弦退火衰减方法优化学习率,以避免模型训练陷入局部极小值区域,提升训练质量。为直观描述改进1DCNN模型对煤岩截割振动数据的特征提取过程和分类能力,采用t-分布随机近邻嵌入(t-SNE)流形学习算法对模型的特征学习过程进行可视化分析,结果表明,改进1DCNN模型通过逐层特征学习,很好地实现了对煤岩截割状态的识别。以陕西某矿MG650/1590-WD型采煤机截割煤岩时的实测振动数据为样本进行模型训练,结果表明,改进1DCNN模型在训练集上的准确率为99.91%,在测试集上的准确率为99.32%,可直接用于采煤机截割煤岩时的原始振动信号分类,并能够有效识别煤岩截割状态。与传统机器学习、集成学习及未改进的1DCNN模型相比,改进1DCNN模型具有明显优势,平均识别准确率达99.56%,同时大大节约了计算成本,提高了模型识别速度。
-
关键词
煤岩识别
卷积神经网络
1DCNN
振动信号
余弦退火
t-分布随机近邻嵌入
-
Keywords
coal and rock recognition
convolutional neural network
1DCNN
vibration signal
cosine annealing
t-distributed stochastic neighbor embedding
-
分类号
TD421
[矿业工程—矿山机电]
-
-
题名我国井下不安全行为视觉检测方法研究综述与展望
被引量：2
- 3
-
-
作者
胡文渊
翟雨生
贠瑞光
宋相坤
尹玉玺
-
机构
煤炭科学研究总院
天地上海采掘装备科技有限公司
-
出处
《煤矿机电》
2023年第1期1-7,共7页
-
基金
中煤科工集团重点项目(2022-2-TD-ZD004)。
-
文摘
煤矿井下不安全行为的智能监控和目标检测是“智慧矿山”建设中的重要环节。对井下不安全行为的检测架构及检测方法进行综述。首先,归纳了井下不安全行为的机器视觉检测架构。其次,剖析了现有井下不安全行为检测技术的相关应用成果及存在的问题,对于复杂的交互式不安全行为采用知识推理方法进行预警。最后,指出了未来应致力于无监督类识别算法、井下数据共享、原始图像预处理、智能化多联动系统和数据存储安全性等方面的研究,为井下不安全行为机器视觉检测研究提供参考。
-
关键词
机器视觉
井下不安全行为
识别算法
知识推理
-
Keywords
machine vision
underground unsafe behaviors
identification algorithm
knowledge reasoning
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于振动信号的采矿机截割负载分类
- 4
-
-
作者
许志鹏
刘振坚
庄德玉
尹玉玺
-
机构
煤炭科学研究总院
中煤科工集团上海有限公司
-
出处
《工矿自动化》
北大核心
2022年第12期137-143,共7页
-
基金
中国煤炭科工集团有限公司科技创新创业资金项目(21-TD-MS005)。
-
文摘
针对人为判断采矿机截割负载类型的方式具有一定误差和滞后性的问题,提出了一种基于小波包分解和麻雀搜索算法优化BP神经网络(SSA−BPNN)的采矿机截割负载分类方法。该方法包括信号特征提取和模式分类2个部分:在信号特征提取部分,对采集的采矿机摇臂振动信号进行小波包分解,得到各子频带能量及信号总能量,经归一化处理后得到表征不同负载类型的特征向量,并利用主成分分析法对特征向量进行降维处理;在模式分类部分,通过SSA优化BPNN的初始权值和阈值,将特征向量作为SSA−BPNN的输入,从而实现负载分类识别。以MG500/1170−AWD1采矿机为对象,将磁吸式加速度传感器吸附于采矿机摇臂一轴靠近支架侧的壳体处,采集采矿机滚筒空载、截割铝土和岩石3种工况下的振动信号进行试验。试验结果表明:不同截割负载下振动信号在各子频带能量上表现出一定的差异性,表明经小波包分解后得到的能量特征可以作为区分不同负载类型的特征向量;与BPNN相比,SSA−BPNN收敛速度更快、识别准确率更高,负载分类识别准确率达95.3%。
-
关键词
采矿机
截割负载分类
摇臂振动信号
小波包分解
麻雀搜索算法
BP神经网络
-
Keywords
mining machine
cutting load classification
rocker arm vibration signal
wavelet packet decomposition
sparrow search algorithm
BP neural network
-
分类号
TD421
[矿业工程—矿山机电]
-
