基于改进相似模型的采煤机轴承剩余寿命预测方法

采煤机轴承退化过程并非简单的线性或指数关系,应分为不同阶段进行分析。而目前的采煤机轴承剩余使用寿命(RUL)预测方法未充分考虑该因素。针对该问题,提出了一种基于改进相似模型的采煤机轴承剩余寿命预测方法。采用通用的相似模型描述设备退化过程,在此基础上通过对均方根聚类分析,将轴承退化过程划分为平稳运行阶段、初始退化阶段和加速退化阶段,借助传统相似模型思路分段计算采煤机轴承的健康状态并拟合得到退化曲线样本库,通过对离线样本库数据和在线采煤机实时数据进行数据预处理和相似性分析,最终得到采煤机轴承RUL。实验结果表明:基于改进相似模型的采煤机轴承RUL预测方法的误差绝对值均值较卷积门控循环单元(ConvGRU)、空间卷积长短时记忆神经网络(ConvLSTM)、卷积神经网络(CNN)、自组织映射神经网络(SOM)、循环神经网络(RNN)、传统相似模型分别降低了30.49%,7.54%,16.98%,24.74%,17.96%,9.49%,可以较好地预测轴承RUL。现场试验结果表明:对采煤机轴承连续监测87 d,轴承健康状态从0.997逐渐下降到0.972,与现场采煤机轴承实际使用情况基本吻合,验证了该方法的有效性。

基于低秩稀疏分解的采煤机轴承复合故障分离

针对采煤机截割部轴承故障信号噪声和干扰大、为非平稳信号、难于实现复合故障分离等问题,提出基于低秩稀疏分解的采煤机轴承复合故障分离。首先,将混合信号经低秩稀疏分解后得到低秩组分和稀疏组分,利用快速独立成分分析(Fast-ICA)将低秩组分还原得到一组故障源信号;其次,利用经验模态分解(EMD)将稀疏组分分解为频率层次不同的内涵模态函数,计算内涵模态函数的频率成分,将内涵模态函数中包含微弱故障频谱特征的成分作为另一组源信号;最后,采用Tensor Flow平台对模型进行编程,通过数据集仿真分析和实验验证。该方法可以有效地将轴承内圈、外圈故障和滚动体故障分离开,为采煤机轴承复合故障分离提供了新的思路。

基于界面力学采煤机轴承润滑特性研究

润滑是否优良对轴承失效及使用寿命影响较大,以某型采煤机轴承为研究对象,基于界面力学研究方法及类型,运用数值仿真的方法对采煤机轴承在不同润滑条件下的界面应力和油膜厚度等润滑特性进行研究和分析。研究和分析结果表明:在不同润滑条件下,采煤机轴承接触界面的界面应力和油膜厚度大小及变化不同;润滑条件越优良,界面应力和油膜厚度越均匀变化也越小,疲劳失效也越少,使用寿命越长。该研究为采煤机轴承界面及润滑特性优化改善及使用寿命延长等方面提供理论依据。

基于长短期记忆神经网络的采煤机摇臂轴承剩余寿命预测

为解决采煤机摇臂关键零部件的失效问题,基于长短期记忆神经网络(Long Short-Term Memory,LSTM)提出了一种创新性的方法,以预测采煤机摇臂轴承的剩余寿命。基于长短期记忆神经网络理论,通过建立轴承寿命退化指标,对轴承剩余寿命进行预测,同构利用分层抽样方法对数据集进行划分;通过引入粒子群算法优化LSTM,解决LSTM算法选择最优超参数的问题,提高轴承剩余寿命预测精度。研究结果表明,基于LSTM的轴承剩余寿命预测结果与实际轴承寿命变化情况基本一致,预测结果均在置信区间内,可以为轴承维修保养工作提供参考。

采用小波包ASGSO-RBF的采煤机滚动轴承故障诊断

针对采煤机滚动轴承常见的突发问题诊断准确性不高和速度慢,以小波包和RBF神经网络为基础,提出了由小波包分解提取各个节点特征能量谱与自适应步长萤火虫算法优化的RBF神经网络进行分类辨识的采煤机滚动轴承故障诊断方法.对振动传感器输出的信号进行小波包分解,运用基于代价函数的局域判别基(LDB)算法对小波包分解进行裁剪,获取最优的特征能量谱,经处理后作为特征向量训练ASGSO-RBF神经网络,建立诊断模型.实验结果表明:所建模型的故障辨识正确率达到95.8%以上,相较于其他算法模型具有更低的误报率和漏报率,诊断精度及诊断效率更高.

基于稀疏表示的采煤机摇臂轴承故障诊断方法研究

为了有效地对采煤机摇臂轴承进行状态监控和故障分析,对稀疏分解方法字典的选取进行了深入研究。首先对稀疏表示常用分析字典进行分析,并结合采煤机摇臂滚动轴承故障机理及信号特征,选取符合单边衰减冲击响应的Laplace小波作为基原子,构造一种Laplace小波字典;通过加噪信号仿真分析,验证了基于Laplace小波字典稀疏表示方法的有效性;最后通过实验验证,将该方法应用于采煤机摇臂轴承故障诊断中,能有效提取滚动轴承故障特征。结果表明,该稀疏编码的方法在采煤机摇臂滚动轴承故障诊断方面具有良好的实用性。

基于数字孪生与PNN的滚动轴承故障诊断

针对采煤机滚动轴承故障诊断精度低、速度慢、无法实时监测其运行情况等问题,提出一种基于数字孪生和概率神经网络(Probabilistic Neural Network,PNN)的采煤机滚动轴承故障诊断方法。根据滚动轴承结构、运行的特点,建立基于数字孪生的故障诊断模型;采用改进的萤火虫优化算法(Firefly Algorithm,FA)求取最优的平滑因子并赋给PNN,得到最优的故障诊断模型,并将优化后的故障诊断模型封装到数字孪生体的行为模型中,进而构建高精度轴承数字孪生体进行实时故障诊断分析。实验结果表明,与优化前以及其他网络相比,所提方法的收敛速度更快且故障诊断精度更高,验证了所提方法的有效性与优越性。