煤矿虚拟机电仪器设备故障诊断技术分析与研究

煤矿虚拟机电仪器设备中的电机是设备中最核心的部件之一。一旦出现故障,就会导致严重的事故和经济损失。因此,研究基于主成分分析(PCA)对煤矿虚拟机电设备中的行星齿轮箱进行故障诊断,进一步提取行星齿轮箱的太阳/行星/环形齿轮和支撑轴承的故障特征频率,并利用奇异频谱分析(SSA)预处理方法,去除电机电流信号中的频率分量。实验结果表明,PCA的电机故障诊断精度均大于98.0%。而深度学习模型及随机森林模型的平均故障诊断精度远低于PCA,分别较PCA降低12.65%、16.09%。PCA在不同的电机故障诊断上获得了非常稳定和有效的结果,并产生了较高的召回率,优于深度学习模型和随机森林模型。PCA在不同电机故障诊断方面的召回率均大于90%,最高召回率为92%。所提出的PCA模型能够有效、准确地识别故障,可为煤矿虚拟机电仪器设备故障诊断提供参考。