基于迁移学习的矿用主扇风机滚动轴承故障诊断方法

矿用主扇风机滚动轴承的状态监测与故障诊断研究对煤矿生产安全具有重要意义。现有的滚动轴承故障诊断方法在实际工况中进行直接应用时存在训练不足、故障诊断准确率不足的问题,且矿用主扇风机滚动轴承长期处于正常运行状态,正常样本的数量远多于故障样本,即存在样本不平衡问题。因此,提出一种基于迁移学习的矿用主扇风机滚动轴承故障诊断方法(TLCNN+加权交叉熵损失)。该方法将常规滚动轴承数据作为源域数据,将矿用主扇风机滚动轴承数据作为目标域数据。首先利用对称极坐标(SDP)方法将振动信号转换为SDP图像;然后利用充足的源域图像样本对常规滚动轴承故障诊断模型进行训练,训练完成后将诊断模型的参数迁移至矿用主扇风机滚动轴承故障诊断模型中;其次迁移过程中对低层网络进行锁定并通过目标域图像样本对模型的高层网络进行微调,便可得到参数权重优化后的矿用主扇风机滚动轴承故障诊断模型。最后,为了解决样本不平衡问题,在模型中添加了加权交叉熵损失函数进行训练,使诊断模型对作为少数类的故障样本赋予更高的权重并在诊断过程中更加关注故障样本,从而提高诊断准确率。为了验证提出方法的有效性,通过常规滚动轴承故障试验台与实际工况中的矿用主扇风机滚动轴承数据进行了试验验证。结果表明所提方法可以对矿用主扇风机滚动轴承的运行状态进行准确识别分类,准确率达99.28%。

煤矿对旋主扇风机调速节能的改造

介绍了带式输送机用断带保护装置的应用现状分析以及一种全新的全断面液压断带保护装置,该装置不仅克服了现有断带保护装置的缺点,且具有抓捕力大、动作灵活、可靠性和可维护性高的优点。通过对该断带保护装置的应用研究,为煤矿的安全生产提供可靠保障,具有巨大的经济、社会效益。