煤矿旋转机械健康指标构建及状态评估

煤矿设备监测参数为时间序列数据,其时序特征对健康评估的影响较大。针对传统机械设备健康评估中存在的信号时空特性提取不完备、人为经验依赖程度高、设备早期状态变化评估难等问题,建立了基于二维数组的长短期记忆降噪卷积自编码器(2D-LSTMDCAE)模型,并提出了基于2D-LSTMDCAE的煤矿旋转机械健康指标(HI)构建及状态评估方法。将一维振动数据转换为二维数组,通过二维卷积网络模型充分学习原始数据中所包含的信息,增强模型对数据特征的学习能力;将样本并行输入卷积和长短期记忆(LSTM)单元,以获取完备的信号时空特征;构建无监督学习的降噪卷积自编码器(DCAE)模型并进行样本重构,采用Bray-Curtis距离计算原始样本与重构样本间相似度,得到HI,解决设备运行过程中状态标签难以获取的问题,提升模型在强背景噪声中的适应能力。使用XJTU-SY轴承数据集验证2D-LSTMDCAE模型的特征学习能力,并采用相关性和单调性2个指标评价基于HI的状态评估方法,测试结果表明:二维输入样本构建方法及学习数据时序特征的HI构建方法对轴承的性能退化更敏感,2D-LSTMDCAE模型能够更早地检测到设备的早期故障,在测试轴承上相比于LSTMDCAE和DCAE模型构建的HI及均方根平均提前了约7 min;与LSTMDCAE和DCAE模型构建的HI、均方根相比,2D-LSTMDCAE模型构建的HI的相关性和单调性均较高,能更好地反映轴承的退化情况。采用减速器加速退化实验数据进行健康评估实验,在测试减速器上,相比于均方根指标,通过2D-LSTMDCAE模型构建的HI能够提前8 min发现早期故障,且HI相关性提高了0.007,单调性提高了0.211,能够更好地反映减速器的退化情况。

煤矿旋转机械在线故障诊断及预警系统设计

针对现有煤矿机械在线监测与诊断技术未实现故障特征在线提取及故障类型自动识别的问题,设计了一种基于LabVIEW的煤矿旋转机械故障在线诊断及预警系统。该系统采用频谱分析、功率谱分析、包络谱分析、倒频谱分析等方法分析振动信号,得到旋转机械运行过程中各部件的特征参数,与故障类型数据库里的特征参数进行对比,实现故障诊断。设计了精细诊断和粗略诊断2种故障诊断模式,通过互锁的方式将2种模式关联起来,若旋转机械各主要部件结构参数已知,可选用精细诊断模式,否则选用粗略诊断模式。通过模拟旋转机械转子不平衡故障验证系统性能,结果表明,该系统能够准确识别故障并发出提示,且操作简单、可靠性高。

基于音频峭度的煤矿旋转机械滚动轴承故障预测方法

滚动轴承作为煤矿旋转设备中至关重要的机械元件,对其早期故障进行快速有效的诊断与预测可保证矿山开采的稳定性。针对提升机等旋转设备滚动轴承,采用非接触式测量仪器采集轴承工作时的音频信号,通过预加重,分帧加窗及峭度计算提取声音信号的时域特征,并基于萤火虫算法优化的卷积-长短期记忆(CNN-LSTM)神经网络完成音频特征的输出预测。实验结果表明,设计的神经网络模型可对轴承音频的分帧峭度数据进行较为精确的预测拟合,在设定的峭度安全阈值下,该模型能实现滚动轴承早期故障的准确预知。

基于小波包分解和PSO-BPNN的滚动轴承故障诊断

针对现有煤矿旋转机械滚动轴承故障诊断方法存在信号有效特征提取不完全、故障诊断精度不高及效率低等问题,提出了一种基于小波包分解和粒子群优化BP神经网络的滚动轴承故障诊断方法。该方法包括信号特征提取和故障类型识别两部分:在信号特征提取部分,对采集的滚动轴承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,经归一化处理后获得表征滚动轴承状态的特征向量;在故障类型识别部分,通过粒子群优化算法优化BP神经网络的初始权值和阈值,以加速网络收敛速度,避免陷入局部极小值。实验结果表明,该方法提高了滚动轴承故障诊断效率和准确率。

基于多隐层小波卷积极限学习神经网络的滚动轴承故障识别

煤矿旋转机械工作环境恶劣,实际采集到的滚动轴承振动信号呈现出明显的非线性和非平稳性,导致轴承故障特征提取较困难。传统的基于“人工特征提取+模式识别”的滚动轴承故障识别方法受主观影响大。针对上述问题,提出了一种基于多隐层小波卷积极限学习神经网络(MHLWCELNN)的滚动轴承故障识别方法。该方法综合了一维卷积神经网络、自动编码器、极限学习机和小波函数的优势:利用一维卷积神经网络的局部连接和权值共享机制,大大减少了需要学习的参数;通过自动编码器使算法适用于轴承振动信号无标签样本;通过极限学习机确定输出权重,避免陷入局部最优,提高训练速度;采用小波函数作为激活函数,提高对轴承时域和频域信号的分辨率,从而提高故障识别率。实验结果表明:与同类方法相比,MHLWCELNN具有更高的识别准确率和更小的标准差,能较为稳定地识别出滚动轴承的不同故障类型;MHLWCELNN的F1值高于同类方法,验证了其对不平衡数据集的有效性;高斯小波在时域、频域均有较高的分辨率,适合作为激活函数;训练集样本占比设置为80%较合适。