-
题名基于物联网的矿山机械设备状态智能感知与诊断
被引量：70
- 1
-
-
作者
丁恩杰
俞啸
廖玉波
吴传龙
陈伟
郁万里
王威
-
机构
中国矿业大学
中国矿业大学物联网(感知矿山)研究中心
淄博矿业集团有限责任公司装备环保部
中国矿业大学信息与控制工程学院
University of Bremen
-
出处
《煤炭学报》
EI
CAS
CSCD
北大核心
2020年第6期2308-2319,共12页
-
基金
国家重点研发计划资助项目(2017YFC0804400,2017YFC0804401)。
-
文摘
矿山生产机电设备是机械、电气、液压、控制等多形式系统的复杂耦合结构,工作过程中环境和工况条件变化多样,缺乏有效的技术手段解决矿山设备运行健康状态的实时感知问题。借助物联网、工业互联网、人工智能和大数据挖掘技术,研究矿山设备状态知识建模与在线诊断方法,将传统的“人-机”交互监控模式提升为“传感—机器认知—机器决策”的智能化监控模式。分析了基于物联网的矿山设备状态感知系统架构,定义了多源信息感知层、边缘智能层、大数据分析层和数据与知识共享迁移层的4个层次的作用,提出了设备状态知识共享与迁移模式;结合本体语义、置信规则库和数字孪生技术,设计了面向矿山机械设备系统状态知识建模的信息描述、知识表示、决策融合方法,提出了面向矿山设备运行全过程的实时感知、演化分析与智能交互的“虚实融合”感知模型,实现虚、实系统运行过程的“精准映射、信息对偶、融合交互、协同演进”。分析了数据驱动的矿山机械设备状态诊断方法研究现状、技术架构、存在问题和研究趋势,提出结合数字孪生、深度学习、迁移学习等方法,构建机理模型、经验知识与数据深层特征相融合的矿山设备状态诊断模式,研究矿山设备状态大数据分析与应用技术,研发矿山设备状态诊断与全生命周期管理等智能化应用服务系统。形成了矿山设备运行信息感知、知识建模与状态在线判识方法体系,以实现矿山机械设备故障状态自诊断、早期隐患预知维护、智能调度与协同管控,为矿山生产智能化、无人化提供技术支撑。
-
关键词
矿山设备
物联网
知识建模
状态诊断
大数据分析
-
Keywords
mining equipment
internet of things
knowledge modeling
state diagnosis
big data analysis
-
分类号
TD65
[矿业工程—矿山机电]
TD407
[矿业工程—矿山机电]
-
-
题名煤矿信息化建设回顾与展望
被引量：39
- 2
-
-
作者
丁恩杰
廖玉波
张雷
刘忠育
-
机构
中国矿业大学物联网(感知矿山)研究中心
矿山互联网应用技术国家地方联合工程实验室
淄博矿业集团有限责任公司装备环保部
徐州工程学院信息工程学院
-
出处
《工矿自动化》
北大核心
2020年第7期5-11,共7页
-
基金
国家重点研发计划资助项目(2017YFC0804401)。
-
文摘
从煤矿信息化的定义出发,回顾了煤矿信息化建设经历的单机(系统)自动化、综合自动化、矿山物联网、智能矿山、感知矿山等阶段的特征、典型问题及具有代表性的解决方案,指出:单机(系统)自动化矿山仅能够对单一设备或单一系统进行简单控制,属于煤矿信息化建设的初级阶段;综合自动化矿山实现了多系统间的自动化控制,解决了信息孤岛问题,属于煤矿信息化建设的中级阶段;物联网矿山、智能矿山分别实现了人与人、人与物和物与物相联及深度相联,感知矿山实现了矿山信息与状态的认知与知识集成,属于煤矿信息化建设的高级阶段。梳理了煤矿信息化、数字化、虚拟化和智慧化之间的关系,指出:煤矿信息化包括矿山数字化、虚拟化和智慧化的所有内容;物理矿山、数字矿山、虚拟矿山通过物的集成、数据集成和语义集成形成一个完整的闭合体,智慧矿山是该闭合体的核心。分析了目前煤矿信息化建设在感知层、网络层、平台层、应用层存在的主要问题,探讨了煤矿信息化技术的发展趋势:自治设备大量涌现;煤矿透明化与精准控制;边缘计算与云平台协同;智能APP大量涌现。
-
关键词
煤矿信息化
数字矿山
虚拟矿山
矿山物联网
感知矿山
智能矿山
智慧矿山
-
Keywords
coal mine informationzation
digital mine
virtual mine
mine Internet of things
perception mine
intelligent mine
smart mine
-
分类号
TD67
[矿业工程—矿山机电]
-
-
题名基于深度置信网络的旋转机械迁移故障诊断
被引量：15
- 3
-
-
作者
廖玉波
俞啸
李伟生
刘文峰
曹西鹤
董飞
-
机构
山东能源淄博矿业集团有限责任公司装备环保部
中国矿业大学物联网(感知矿山)研究中心
内蒙古黄陶勒盖煤炭有限责任公司
-
出处
《机电工程》
CAS
北大核心
2022年第2期193-201,共9页
-
基金
国家重点研发计划资助项目(2017YFC0804400,2017YFC0804401)
内蒙古黄陶勒盖煤炭有限责任公司科技项目(HTGL20201201)。
-
文摘
在对实际工业场景中的旋转机械进行故障诊断时,旋转机械的变工况会导致测试样本与模型训练样本间存在分布差异,进而影响故障诊断模型的准确率,对此,提出了一种基于深度置信网络的旋转机械迁移故障诊断方法。首先,利用最大重叠离散小波包变换处理了原始振动信号,提取了统计特征构建原始特征集;其次,基于源域有标签特征数据和目标域正常状态下的特征数据,运用了基于Fisher Score与域间最大均值差异的特征选取方法(FSFM),选取了判别性能和域不变性好的特征,用于后续的模型训练;然后,采用预训练微调的迁移学习方法,构建适用于目标域数据故障识别与分类的迁移深度置信网络;最后,采用SQI-MFS机械故障模拟试验台的轴承和电机故障数据开展不同工况下的故障诊断实验。研究结果表明:选取判别性能和域不变性好的特征用于诊断模型训练,能够明显提高故障诊断准确率,轴承和电机在不同工况下的故障诊断精度最高分别可达90.83%和86.83%,可验证提出的迁移故障诊断框架的有效性;此外,一系列对比实验表明所提出框架的诊断性能明显优于文中的对比模型,进一步验证所提出的方法具有应用于实际工业场景下故障诊断的潜力。
-
关键词
旋转机械
故障诊断
迁移学习
深度置信网络
特征选取
-
Keywords
rotating machinery
fault diagnosis
transfer learning
deep belief network(DBN)
features selection
-
分类号
TH133
[机械工程—机械制造及自动化]
-
