基于改进1DCNN的煤岩识别模型研究

随着煤矿智能化建设的加速推进,煤岩高效识别已成为煤炭智能化开采亟待解决的技术难题。针对复杂煤矿地质条件下现有煤岩识别方法精度低、通用性差且难以工程应用等问题,提出了一种基于改进一维卷积神经网络(1DCNN)的煤岩识别模型。以1DCNN为基础,使用多个连续卷积层提取一维振动信号特征,通过全局均值池化(GAP)层代替全连接层,以减少模型训练参数,节省计算资源,同时采用带有线性热启动的余弦退火衰减方法优化学习率,以避免模型训练陷入局部极小值区域,提升训练质量。为直观描述改进1DCNN模型对煤岩截割振动数据的特征提取过程和分类能力,采用t-分布随机近邻嵌入(t-SNE)流形学习算法对模型的特征学习过程进行可视化分析,结果表明,改进1DCNN模型通过逐层特征学习,很好地实现了对煤岩截割状态的识别。以陕西某矿MG650/1590-WD型采煤机截割煤岩时的实测振动数据为样本进行模型训练,结果表明,改进1DCNN模型在训练集上的准确率为99.91%,在测试集上的准确率为99.32%,可直接用于采煤机截割煤岩时的原始振动信号分类,并能够有效识别煤岩截割状态。与传统机器学习、集成学习及未改进的1DCNN模型相比,改进1DCNN模型具有明显优势,平均识别准确率达99.56%,同时大大节约了计算成本,提高了模型识别速度。

我国井下不安全行为视觉检测方法研究综述与展望

煤矿井下不安全行为的智能监控和目标检测是“智慧矿山”建设中的重要环节。对井下不安全行为的检测架构及检测方法进行综述。首先,归纳了井下不安全行为的机器视觉检测架构。其次,剖析了现有井下不安全行为检测技术的相关应用成果及存在的问题,对于复杂的交互式不安全行为采用知识推理方法进行预警。最后,指出了未来应致力于无监督类识别算法、井下数据共享、原始图像预处理、智能化多联动系统和数据存储安全性等方面的研究,为井下不安全行为机器视觉检测研究提供参考。

采煤机摇臂齿轮箱故障诊断研究现状及展望

摇臂齿轮箱是采煤机核心动力传递机构,其可靠性对煤炭高效生产具有重要意义。文章对采煤机摇臂齿轮箱故障机理及故障诊断方法进行综述。首先,归纳了摇臂齿轮箱轴承和齿轮在不同故障状态下的故障机理。其次,剖析了现有采煤机故障诊断技术存在的主要问题。最后,指出了未来应致力于精确故障机理、复合故障分析、微弱故障识别、基础数据收集、算法融合创新和多源信息利用等方面的研究,为摇臂齿轮箱故障诊断提供参考。

制造业服务化对我国制造业全球价值链分工位置的影响研究

近年来,我国制造业已由提量阶段转向提质阶段,处于转型升级的攻关期。随着服务型经济在我国经济中的占比逐年提高,生产性服务业与制造业协同共进是大势所趋,越来越多的生产性服务被投入到制造业中,其作用日益凸显,成为我国制造业提高全球价值链分工位置(GVC分工位置)及核心竞争力的重要手段。本文运用2000—2014年WIOD数据库中数据,实证检验了制造业投入服务化对其GVC分工位置的影响及作用机制。结果显示:制造业服务化对我国制造业GVC分工位置产生正向影响,不仅如此,制造业服务化降低了制造业企业的生产成本,从而对我国制造业GVC分工位置产生间接正向影响。

焦炉结石墨及其解决途径

通过对新钢公司３号焦炉结石墨严重的现场调查及分析，找到了焦炉结石墨严重的原因，提出了解决措施，取得了较好效果。

基于振动信号的采矿机截割负载分类

针对人为判断采矿机截割负载类型的方式具有一定误差和滞后性的问题,提出了一种基于小波包分解和麻雀搜索算法优化BP神经网络(SSA−BPNN)的采矿机截割负载分类方法。该方法包括信号特征提取和模式分类2个部分:在信号特征提取部分,对采集的采矿机摇臂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,经归一化处理后得到表征不同负载类型的特征向量,并利用主成分分析法对特征向量进行降维处理;在模式分类部分,通过SSA优化BPNN的初始权值和阈值,将特征向量作为SSA−BPNN的输入,从而实现负载分类识别。以MG500/1170−AWD1采矿机为对象,将磁吸式加速度传感器吸附于采矿机摇臂一轴靠近支架侧的壳体处,采集采矿机滚筒空载、截割铝土和岩石3种工况下的振动信号进行试验。试验结果表明:不同截割负载下振动信号在各子频带能量上表现出一定的差异性,表明经小波包分解后得到的能量特征可以作为区分不同负载类型的特征向量;与BPNN相比,SSA−BPNN收敛速度更快、识别准确率更高,负载分类识别准确率达95.3%。