基于EMD-LSTM的煤矿离心泵健康评估方法

针对机械设备信号受噪声干扰大、健康评估结果不稳定且准确率低、易发生健康评估延迟错位、反复穿越分级阈值的问题,提出一种基于经验模态分解(empirical mode decomposition,EMD)与长短期记忆(long-short term memory,LSTM)的煤矿离心泵健康评估方法。首先通过EMD对信号进行降噪处理,再通过LSTM算法计算预测值与真实值的差异度,提出分级评估阈值,将两者进行对比实现健康分级评估,并通过故障模拟试验验证了方法的有效性。

基于改进粒子滤波的电缆收放车电池RUL预测

为了改善我国矿井下的作业环境,发展新能源矿下运输装备将成为未来发展的必然趋势。而锂离子电池作为目前新能源电动汽车的主要供能来源,随着锂离子电池循环使用次数的增加,锂离子电池容量会呈现逐渐衰退态势。因此为了提高锂离子电池在循环使用过程中的安全性与可靠性,对其剩余使用寿命(Remaining Useful Life,RUL)的预测必不可少。基于电缆收放车的应用背景,选择了与电池老化相匹配的双指数模型来模拟电池使用过程中的容量衰退情况,同时选取了电池容量作为评价电池指标。粒子滤波(Particle Filter,PF)算法作为解决非线性系统参数估计和状态滤波的主流方法,在目标跟踪与预测领域有着广泛的应用。从保证粒子多样性的角度出发,引入蝴蝶优化算法对粒子滤波算法优化,在每一次粒子滤波计算完毕后产生新粒子集。通过对粒子集中的粒子重新赋权,以保证粒子的多样性,从而克服粒子滤波算法中的粒子退化问题,有助于用户根据预测结果做出维修决策。

基于深度生成模型的煤矿运输皮带异物检测

为了能够精准地对煤矿皮带运输机上的异物进行检出,提出了一种基于深度生成模型的皮带异物检测方法.首先,利用常规的变分自编码器(variational autoencoder,VAE)对图像进行重构,根据原始图像与重构图像之间的重构误差对图像中是否存在异物进行检出.然后,为了解决变分自编码器所生成的重构图像通常较为模糊的问题,引入了生成式对抗网络(generative adversarial network,GAN),对原始图像和重构图像进行判断,获取更加清晰的重构图像,以便提升异物检测精度.最后,将变分自编码器与生成式对抗网络进行结合,设计一种适用于皮带异物检测的深度学习算法.实验结果表明,与基线方法对比,本文方法在各评价指标上均有较好的效果.

锦界煤矿智能化转型探索与实践

介绍了锦界煤矿以“一个平台、两个系统”为核心的智能矿山体系及智能化建设现状,阐述了煤矿在积累数字矿山建设经验基础上,在智能化采煤工作面少人化、智能掘进、固定场所无人值守等方面的智能化转型升级举措,以及智能矿山综合管控平台在锦界煤矿的应用。