-
题名基于LSTM-Adam的矿井提升机故障预警模型
被引量：7
- 1
-
-
作者
郭星燃
李娟莉
苗栋
李博
-
机构
太原理工大学机械与运载工程学院
煤矿综采装备山西省重点实验室
-
出处
《机电工程》
北大核心
2024年第1期175-182,共8页
-
基金
山西省基础研究计划面上项目(202303021211044)
山西省回国留学人员科研资助项目(2020-034)。
-
文摘
针对不同作业环境下提升机特征参数的独特性难以充分贴合和故障预警难度大等问题,提出了一种基于长短期记忆神经网络(LSTM)和适应性矩估计算法(Adam)的矿井提升机故障预警模型。首先,对矿井提升机的工作原理和常见故障表现形式进行了分析,以LSTM神经网络为基础,建立了提升机特征参数预测模型,并结合Adam优化算法,对预测模型进行了训练和优化;然后,采用某矿提升机实际运行数据对所搭建的预测模型性能进行了验证;采用滑动加权均值法对预测残差进行了分析,得到了多个关键特征参数的合理预警阈值,并建立了提升机故障预警模型;最后,以提升机的制动系统故障为例,采用故障模拟实验对提升机故障预警模型的有效性进行了验证。研究结果表明:当预测模型的学习率为0.015时,其训练效果最优,预测模型的损失率可达到0.12%,且参数变化趋势能够得到更好的拟合;采用基于LSTM-Adam的矿井提升机预警模型可以对参数变化趋势进行准确预测,利用预测残差分析结果可以对提升机故障进行精确预警。
-
关键词
起重机械
矿井提升机
故障预警
长短期记忆神经网络
适应性矩估计算法
深度学习
-
Keywords
hoisting machinery
mine hoist
fault early warning
long-short term memory(LSTM)
adaptive moment estimation(Adam)
deep learning
-
分类号
TH21
[机械工程—机械制造及自动化]
TD534
[矿业工程—矿山机电]
-
