检索结果-维普期刊中文期刊服务平台

煤矿旋转机械健康指标构建及状态评估被引量：5: 1; 作者李曼潘楠楠 +1 位作者段雍曹现刚《工矿自动化》北大核心 2022年第9期33-41,共9页; 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... 展开更多; 关键词煤矿旋转机械状态评估健康指标信号时空特征长短期记忆降噪卷积自编码器 2D-LSTMDCAE; 在线阅读下载PDF 职称材料

煤矿旋转机械在线故障诊断及预警系统设计被引量：14: 2; 作者杨一晴马宏伟 +3 位作者樊红卫张旭辉张超韩磊《工矿自动化》北大核心 2019年第10期104-108,共5页; 针对现有煤矿机械在线监测与诊断技术未实现故障特征在线提取及故障类型自动识别的问题,设计了一种基于LabVIEW的煤矿旋转机械故障在线诊断及预警系统。该系统采用频谱分析、功率谱分析、包络谱分析、倒频谱分析等方法分析振动信号,得... 展开更多; 关键词煤矿旋转机械故障诊断在线诊断在线预警精细诊断粗略诊断; 在线阅读下载PDF 职称材料

基于小波包分解和PSO-BPNN的滚动轴承故障诊断被引量：22: 3; 作者鞠晨张超 +3 位作者樊红卫张旭辉杨一晴严杨《工矿自动化》北大核心 2020年第8期70-74,共5页; 针对现有煤矿旋转机械滚动轴承故障诊断方法存在信号有效特征提取不完全、故障诊断精度不高及效率低等问题,提出了一种基于小波包分解和粒子群优化BP神经网络的滚动轴承故障诊断方法。该方法包括信号特征提取和故障类型识别两部分:在信... 展开更多; 关键词煤矿旋转机械滚动轴承故障诊断小波包分解粒子群优化 BP神经网络; 在线阅读下载PDF 职称材料

基于多隐层小波卷积极限学习神经网络的滚动轴承故障识别被引量：5: 4; 作者黄重谦《工矿自动化》北大核心 2021年第5期77-82,100,共7页; 煤矿旋转机械工作环境恶劣,实际采集到的滚动轴承振动信号呈现出明显的非线性和非平稳性,导致轴承故障特征提取较困难。传统的基于“人工特征提取+模式识别”的滚动轴承故障识别方法受主观影响大。针对上述问题,提出了一种基于多隐层小... 展开更多; 关键词煤矿旋转机械滚动轴承故障识别极限学习机卷积神经网络自动编码器; 在线阅读下载PDF 职称材料

题名煤矿旋转机械健康指标构建及状态评估被引量：5: 1; 作者李曼潘楠楠段雍曹现刚; 机构西安科技大学机械工程学院陕西省矿山机电装备智能监测重点实验室; 出处《工矿自动化》北大核心 2022年第9期33-41,共9页; 基金国家自然科学基金项目(51875451)。; 文摘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。; 关键词煤矿旋转机械状态评估健康指标信号时空特征长短期记忆降噪卷积自编码器 2D-LSTMDCAE; Keywords coal mine rotating machinery condition assessment health index signal spatiotemporal characteristics long short-term memory denoising convolutional autoencoder 2D-LSTMDCAE; 分类号 TD67 [矿业工程—矿山机电]; 在线阅读下载PDF 职称材料

题名煤矿旋转机械在线故障诊断及预警系统设计被引量：14: 2; 作者杨一晴马宏伟樊红卫张旭辉张超韩磊; 机构西安科技大学机械工程学院陕西省矿山机电装备智能监测重点实验室陕西煤业化工技术研究院有限责任公司; 出处《工矿自动化》北大核心 2019年第10期104-108,共5页; 基金国家自然科学基金项目(51605380) 国家绿色制造系统集成项目子课题(工信部节函〔2017〕327号-1) +1 种基金陕西省创新能力支撑计划创新人才推进计划科技创新团队项目(2018TD-032); 文摘针对现有煤矿机械在线监测与诊断技术未实现故障特征在线提取及故障类型自动识别的问题,设计了一种基于LabVIEW的煤矿旋转机械故障在线诊断及预警系统。该系统采用频谱分析、功率谱分析、包络谱分析、倒频谱分析等方法分析振动信号,得到旋转机械运行过程中各部件的特征参数,与故障类型数据库里的特征参数进行对比,实现故障诊断。设计了精细诊断和粗略诊断2种故障诊断模式,通过互锁的方式将2种模式关联起来,若旋转机械各主要部件结构参数已知,可选用精细诊断模式,否则选用粗略诊断模式。通过模拟旋转机械转子不平衡故障验证系统性能,结果表明,该系统能够准确识别故障并发出提示,且操作简单、可靠性高。; 关键词煤矿旋转机械故障诊断在线诊断在线预警精细诊断粗略诊断; Keywords coal mine rotating machinery fault diagnosis online diagnosis online warning fine diagnosis rough diagnosis; 分类号 TD63 [矿业工程—矿山机电]; 在线阅读下载PDF 职称材料

题名基于小波包分解和PSO-BPNN的滚动轴承故障诊断被引量：22: 3; 作者鞠晨张超樊红卫张旭辉杨一晴严杨; 机构神华神东煤炭集团有限责任公司技术研究院西安科技大学机械工程学院西安科技大学陕西省矿山机电装备智能监测重点实验室; 出处《工矿自动化》北大核心 2020年第8期70-74,共5页; 基金国家自然科学基金资助项目(51974228,51605380) 陕西省自然科学基础研究计划项目(2019JLZ-08) +1 种基金陕西省科技创新团队项目(2018TD-032)。; 文摘针对现有煤矿旋转机械滚动轴承故障诊断方法存在信号有效特征提取不完全、故障诊断精度不高及效率低等问题,提出了一种基于小波包分解和粒子群优化BP神经网络的滚动轴承故障诊断方法。该方法包括信号特征提取和故障类型识别两部分:在信号特征提取部分,对采集的滚动轴承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,经归一化处理后获得表征滚动轴承状态的特征向量;在故障类型识别部分,通过粒子群优化算法优化BP神经网络的初始权值和阈值,以加速网络收敛速度,避免陷入局部极小值。实验结果表明,该方法提高了滚动轴承故障诊断效率和准确率。; 关键词煤矿旋转机械滚动轴承故障诊断小波包分解粒子群优化 BP神经网络; Keywords coal mine rotating machinery rolling bearing fault diagnosis wavelet packet decomposition particle swarm optimization BP neural network; 分类号 TD67 [矿业工程—矿山机电]; 在线阅读下载PDF 职称材料

题名基于多隐层小波卷积极限学习神经网络的滚动轴承故障识别被引量：5: 4; 作者黄重谦; 机构广西科技师范学院机械与电气工程学院; 出处《工矿自动化》北大核心 2021年第5期77-82,100,共7页; 基金广西职业教育教学改革研究重点项目(GXGZJG2017A065) 来宾市科学研究与技术开发计划项目(20LKZ202409)。; 文摘煤矿旋转机械工作环境恶劣,实际采集到的滚动轴承振动信号呈现出明显的非线性和非平稳性,导致轴承故障特征提取较困难。传统的基于“人工特征提取+模式识别”的滚动轴承故障识别方法受主观影响大。针对上述问题,提出了一种基于多隐层小波卷积极限学习神经网络(MHLWCELNN)的滚动轴承故障识别方法。该方法综合了一维卷积神经网络、自动编码器、极限学习机和小波函数的优势:利用一维卷积神经网络的局部连接和权值共享机制,大大减少了需要学习的参数;通过自动编码器使算法适用于轴承振动信号无标签样本;通过极限学习机确定输出权重,避免陷入局部最优,提高训练速度;采用小波函数作为激活函数,提高对轴承时域和频域信号的分辨率,从而提高故障识别率。实验结果表明:与同类方法相比,MHLWCELNN具有更高的识别准确率和更小的标准差,能较为稳定地识别出滚动轴承的不同故障类型;MHLWCELNN的F1值高于同类方法,验证了其对不平衡数据集的有效性;高斯小波在时域、频域均有较高的分辨率,适合作为激活函数;训练集样本占比设置为80%较合适。; 关键词煤矿旋转机械滚动轴承故障识别极限学习机卷积神经网络自动编码器; Keywords coal mine rotating machinery rolling bearing fault identification extreme learning machine convolution neural network auto-encoder; 分类号 TD67 [矿业工程—矿山机电]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	煤矿旋转机械健康指标构建及状态评估	李曼潘楠楠段雍曹现刚	《工矿自动化》北大核心	2022	5	在线阅读下载PDF 职称材料
2	煤矿旋转机械在线故障诊断及预警系统设计	杨一晴马宏伟樊红卫张旭辉张超韩磊	《工矿自动化》北大核心	2019	14	在线阅读下载PDF 职称材料
3	基于小波包分解和PSO-BPNN的滚动轴承故障诊断	鞠晨张超樊红卫张旭辉杨一晴严杨	《工矿自动化》北大核心	2020	22	在线阅读下载PDF 职称材料
4	基于多隐层小波卷积极限学习神经网络的滚动轴承故障识别	黄重谦	《工矿自动化》北大核心	2021	5	在线阅读下载PDF 职称材料