没有合适的资源?快使用搜索试试~ 我知道了~
基于降噪自编码器与改进卷积神经网络的采煤机健康状态识别.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 113 浏览量
2022-11-03
10:04:52
上传
评论
收藏 469KB DOCX 举报
温馨提示
试读
10页
基于降噪自编码器与改进卷积神经网络的采煤机健康状态识别.docx
资源推荐
资源详情
资源评论
0 引言
综采设备健康状态评价、预测与维护是煤矿智能化发展的保障
[1]
,采煤机作为煤炭开采工作的核心
设备,准确识别其健康状态不仅为后期制定维修计划提供依据,并且能有效降低采煤机故障发生率、提高
煤矿设备安全可靠性、保证煤炭正常开采。
近年来,国内外专家学者在设备健康状态识别方法的研究上大致可分为基于模型驱动和基于数据驱
动两类,且后者居多。基于数据驱动的设备健康状态识别方法主要包括人工神经网络
[2]
、贝叶斯分类
[3]
、
支持向量机
[4]
、隐马尔可夫
[5]
等;此外,随着深度学习的飞速发展,深度学习相关算法也越来越多地应用
在设备健康状态识别领域
[6]
。文[7]利用机械频域信号训练深度神经网络,结合无监督与有监督学习,自适
应提取大数据故障特征,有效识别多级齿轮传动系统的健康状况。文[8]提出了一种大数据分析与常规方法
相结合的配电变压器运行状态评估方法,根据不同因素间相关关系,关系间相关规则通过信息熵量化,得
到综合特定指标,进而判别出健康状态。文[9]提出了一种基于卷积神经网络的柴油发电机健康状态评估方
法,以发电机的基本参数为特征,通过建立健康评估模型,成功识别发电机健康状态。文[10]提出一种基
于深度卷积神经网络的行星齿轮箱健康状态识别方法,融合水平和垂直振动信号的原始数据,利用深度网
络自动提取特征进行识别。
对于采煤机健康状态识别,目前主要有以下几种方法。文[11]提出了一种数字孪生与深度学习融合
驱动的采煤机健康状态预测方法,通过构建采煤机数字孪生体进而分析其健康状态并利用深度学习预测采
煤机寿命,根据采煤机数字孪生体的状态与剩余寿命,得出采煤机当前健康状态。文[12]提出了一种基于
组合赋权法的采煤机健康状态评估方法,利用层次分析法和熵权法的组合赋权法得出评价指标的综合权
重,然后依据灰色聚类法与模糊综合评价法对整机健康状态进行评估。文[13]提出了一种基于
PCA(principal component analysis)与遗传算法优化 BP(back propagation)神经网络算法的采煤机健康状
态评估方法,将 PCA 降维后的状态参数作为健康指标输入到优化后的神经网络中,识别采煤机健康状
态。但以上方法均未考虑监测数据中夹杂噪声,并且指标构建中人为参与较多,影响模型识别准确率;此
外,以上方法难以处理大数据下采煤机的健康状态。
综上所述,针对采煤机监测数据中夹杂噪声及健康状态指标构建过程中人工参与过多问题,利用滑
动平均法对原始数据进行降噪,然后通过无监督训练降噪自编码器对降噪后的数据降维、并构建健康状态
指标,去除噪声干扰和人工参与对指标构建准确性的影响。针对监测数据量大、特征提取困难、识别精度
低等问题,提出一种改进卷积神经网络的采煤机健康状态识别方法,通过深层网络结构对数据进行深度特
征提取,利用动态学习速率高效训练网络模型,最后准确识别出采煤机健康状态。
1 基于 DAE 的采煤机健康指标构建 1.1 采煤机监测参数选取
采煤机作为复杂机械设备,由截割部、牵引部、液压部、电气控制部及其他辅助部件组成。通过分
析采煤机自身结构特点
[14]
,可知截割部和牵引部易发生故障,结合专家经验和历史状态数据,本着参数指
标选取遵循的可测性、独立性、客观性与代表性原则
[15]
,本文选取以下 10 个指标作为采煤机健康状态识
别的监测参数,如表 1 所示。
表 1 采煤机状态监测参数 Tab.1 Status monitoring parameters of shearer
资源评论
罗伯特之技术屋
- 粉丝: 3649
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功