-
题名采煤机性能退化评估方法及应用研究
被引量：6
- 1
-
-
作者
翟文睿
李贤功
王佳奇
丁炜凯
-
机构
中国矿业大学矿业工程学院
南京财经大学管理科学与工程学院
-
出处
《工矿自动化》
北大核心
2020年第12期57-63,100,共8页
-
基金
国家重点研发计划项目(2017YFC0804408)。
-
文摘
准确判别采煤机各部件的磨损和失效情况,可为实现采煤机故障及相关事故的预防、预警提供必要支撑,采煤机性能退化评估是判别采煤机磨损和失效情况的一种有效途径。针对采煤机性能退化过程的非线性,提出了一种基于人工智能的采煤机性能退化评估方法。选取出采煤机的工况监测参数和性能监测参数,通过极限学习机方法进行采煤机工况识别;通过主成分分析方法对性能监测参数进行降维,并建立各工况下的基准高斯混合模型;选取相对熵来度量某时刻高斯混合模型与基准高斯混合模型的差异,从而度量采煤机各部件性能退化趋势。提出可从地质条件、环境因素、振动及载荷、机身倾斜等方面来选取工况监测参数,并根据实际应用中数据的可获得性和变动情况等来确定。提出了采煤机性能监测参数选取原则,可在常见的机电设备监测参数分类基础上,结合实际采煤机传感器的装配情况选定性能监测参数。以采煤机故障发生率最高的截割部为例进行案例分析,将采煤机截割部的工况分为高速直切、高速斜切、低速直切和低速斜切4种,选取牵引速度等作为工况监测参数,选取左截割电动机电流等作为性能监测参数,并通过相关性分析验证参数的合理性。分析结果表明,通过对比高斯混合模型能够判断采煤机性能退化状况,通过相对熵实现了对每个监测点采煤机截割部性能退化趋势的度量。
-
关键词
采煤机
性能退化评估
人工智能
工况识别
极限学习机
高斯混合模型
相对熵
-
Keywords
shearer
performance degradation evaluation
artificial intelligence
working condition recognition
extreme learning machine
Gaussian mixture model
relative entropy
-
分类号
TD421
[矿业工程—矿山机电]
-
