-
题名矿井井筒中电磁波传播特性研究与无线通信试验
被引量：4
- 1
-
-
作者
薛少华
谭建平
邓积微
石理想
-
机构
中南大学机电工程学院
高性能复杂制造国家重点实验室
-
出处
《煤炭学报》
EI
CAS
CSCD
北大核心
2018年第8期2361-2366,共6页
-
基金
国家重点基础研究发展计划(973)资助项目(2014CB049400)
-
文摘
为获得矿山井筒环境中的无线信道特性,在矿山井筒中开展了2.4 GHz典型电磁波频段在定向天线点对点通信形式下的窄带与宽带测量试验,呈现了路径损耗、时延扩展等关键信道参数及其分布规律并与地下巷道信道进行了对比讨论。结果表明:路径损耗系数小于自由空间,表现出波导效应;RMS时延扩展符合对数正态分布,其均值小于巷道中的测量结果;随罐笼深度的增加,RMS时延扩展先增加后减小;90%相干度带宽在绝大多数情况下小于12 MHz,可传输视频、语音、数据;综合来看井筒环境中信道条件良好。在信道认知的基础上设计了基于WLAN的罐笼无线视频监控系统,该系统在现场运行一年多效果良好。这些研究对井筒通信与监测系统设计提供了重要依据和参考。
-
关键词
井筒
路径损耗
时延扩展
信道特性
宽带测量
-
Keywords
mine shaft
path loss
delay spread
channel characterization
wideband measurement
-
分类号
TD65
[矿业工程—矿山机电]
-
-
题名一种矿井提升容器的深度测量方法
被引量：1
- 2
-
-
作者
李若梅
谭建平
石理想
-
机构
中南大学机电工程学院
-
出处
《计量学报》
CSCD
北大核心
2017年第3期267-270,共4页
-
基金
国家重点基础研究发展计划(2014CB049400)
-
文摘
设计了一种基于编码电缆/旋转编码器多传感器组合测量的位移监测系统,用于测量深井中矿井提升容器的深度。该系统中编码电缆分段铺设在矿井中段附近,相邻的两段编码电缆之间用多芯电缆连接,通过编码电缆实现提升容器爬行停车时的位置高精度检测;测量过程中编码器全程测量,并且与编码电缆的数据进行相互参照。介绍了硬件及软件系统的设计,实验结果表明:该位移监测系统能够保证提升容器在爬行停车时的位移检测误差在6 mm以内,提高了提升容器运行时的可靠性和安全性,为实现超深矿井开采创造了良好的条件。
-
关键词
计量学
超深矿井
提升容器
位移监测系统
编码电缆
-
Keywords
metrology
ultra deep mine
mine hoisting container
displacement detection system
coded cable
-
分类号
TB92
[机械工程—测试计量技术及仪器]
-
-
题名一种基于卷筒外轮廓特征的提升机排绳自稳定监测方法
被引量：1
- 3
-
-
作者
仵坤
石理想
谭建平
-
机构
中南大学机电工程学院
-
出处
《振动与冲击》
EI
CSCD
北大核心
2020年第22期163-168,共6页
-
基金
国家重点基础研究发展计划(973)项目(2014CB049405)。
-
文摘
提升机卷筒排绳状态监测是保证设备正常工作的重要方法。通过建立不同排绳状况下的卷筒外轮廓模型并分析边缘特征,归纳出层间跳变次数可以作为排绳状态的评价指标。针对监测过程中视频图像倾斜、振动等影响监测稳定性的问题,采用层级聚类方法,能够快速且准确地进行图像的纠偏与判断。对多种类型的卷筒进行监测实验,并与目前的主要方法进行了对比分析,得出该算法具有耗时短,应用范围广,稳定性高,准确率高的优点,具有很好的监测效果。
-
关键词
超深矿井
提升机
排绳故障
边缘检测
层次聚类
-
Keywords
ultra-deep mine
hoist
rope-arranging fault
edge detection
hierarchical clustering
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名罐笼偏载状态下滑动罐耳与罐道冲击模式识别
- 4
-
-
作者
陈昭君
谭建平
石理想
薛少华
黄天然
-
机构
中南大学机电工程学院
-
出处
《噪声与振动控制》
CSCD
2019年第5期203-208,共6页
-
基金
国家重点基础研究发展规划资助项目(973计划):(2014CB049400)
-
文摘
针对现有罐道故障诊断仅考虑了罐笼平衡状态,而未考虑在超深矿井中悬挂油缸失效而引起的罐笼偏载 的问题,提出一种罐笼偏载状态下滑动罐耳与罐道正常、凸起、错位3种故障的冲击模式识别方法。以罐笼横向振动信 号小波包分解后各频带能量熵、奇异值、标准差、波形指标作为原始特征集,通过邻域粗糙集约简,去除不相关和冗余 特征以获得敏感特征集,并通过布谷鸟搜索算法(CS)优化后的支持向量机模型进行模式识别。实验研究表明:该方法 比基于遗传算法(GA)、粒子群算法(PSO)、萤火虫算法(FA)优化的支持向量机分类正确率更高,达到91.7 %,对保障提 升系统偏载状态下安全运行具有着重要意义。
-
关键词
振动与波
罐笼
罐道
邻域粗糙集
布谷鸟搜索算法(CS)
支持向量机
-
Keywords
vibration and wave
hoist
cage guide
neighborhood rough set
cuckoo searching algorithm
SVM
-
分类号
TP206
[自动化与计算机技术—检测技术与自动化装置]
-
