CN113011270A - 一种基于振动信号的采煤机截割状态识别方法 - Google Patents

一种基于振动信号的采煤机截割状态识别方法 Download PDF

Info

Publication number
CN113011270A
CN113011270A CN202110203103.8A CN202110203103A CN113011270A CN 113011270 A CN113011270 A CN 113011270A CN 202110203103 A CN202110203103 A CN 202110203103A CN 113011270 A CN113011270 A CN 113011270A
Authority
CN
China
Prior art keywords
coal mining
mining machine
cutting
rocker arm
wavelet packet
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110203103.8A
Other languages
English (en)
Inventor
王忠宾
李福涛
司垒
谭超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202110203103.8A priority Critical patent/CN113011270A/zh
Publication of CN113011270A publication Critical patent/CN113011270A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于振动信号的采煤机截割状态识别方法，在自动切割开始前将采煤机在不同截割状态下的摇臂振动信号进行小波包分解，计算出最后一层每个小波包系数的方差，并将其作为特征值输入到LVQ神经网络中对不同截割状态下的摇臂振动信号进行分类；自动切割开始后，采集采煤机实时摇臂振动信号，并将其输入至LVQ神经网络中，根据LVQ神经网络的输出结果获取采煤机实时截割状态；根据采煤机实时截割状态判断采煤机的截割高度是否需要调整，实现采煤机截割状态识别。本发明识别准确率高，避免了粉尘干扰导致的可靠性较低的问题，减少采煤机截割矸石的状态，有效保护设备，提高煤的开采率，对实现综采工作面“无人化”具有重要意义。

Description

一种基于振动信号的采煤机截割状态识别方法
技术领域
本发明涉及采煤机技术领域，具体涉及一种基于振动信号的采煤机截割状态识别方法。
背景技术
我国是世界上煤炭资源最丰富的国家之一，煤炭在我国经济社会持续发展中仍占据主导地位，在相当长的一段时间内我国以煤炭为主导的能源结构不会改变。采煤机是实现煤矿安全高效生产的关键设备之一，作为综采成套装备的主要组成部分，其智能化水平是实现综采工作面“无人化”或“少人化”关键因素。而采煤机智能控制的前提是采煤机工作状态的可靠感知和识别，其中，采煤机截割状态识别是实现采煤机智能控制的关键技术之一。国内外一些高校、科研院所和煤机制造企业尝试通过煤岩界面识别方法来解决采煤机的自动截割和自适应控制问题，但目前仍没有有效的煤岩界面识别技术。因此，有必要提出一种高效、快速、准确的采煤机截割状态识别方法，准确识别出采煤机截割状态，为采煤机智能调控提供依据，进而降低工人劳动强度，延长采煤机的使用寿命，提高采煤机智能化水平。
发明内容
为了准确识别出采煤机截割状态，本发明提供一种基于振动信号的采煤机截割状态识别方法。
为了实现上述技术目的，本发明采用如下技术方案：
一种基于振动信号的采煤机截割状态识别方法，包括如下步骤：
S1：自动切割开始前，采用人工方式进行采煤机截割，并采集采煤机在不同截割状态下的摇臂振动信号；
S2：将步骤S1中的摇臂振动信号进行小波包分解，得到分解后的小波包系数，并计算出最后一层每个小波包系数的方差；
S3：将最后一层每个小波包系数的方差作为特征值输入到LVQ神经网络中对不同截割状态下的摇臂振动信号进行分类；
S4：自动切割开始后，采集采煤机实时摇臂振动信号，将实时摇臂振动信号最后一层每个小波包系数的方差作为特征值输入至LVQ神经网络中，根据LVQ神经网络的输出结果获取采煤机实时截割状态；
S5：根据采煤机实时截割状态判断采煤机的截割高度是否需要调整，实现采煤机截割状态识别。
优选地，步骤S1中通过设置在采煤机摇臂侧面的加速度传感器采集摇臂振动信号。
优选地，步骤S2中方差的计算方法如下：
Figure BDA0002948647640000021
式中：Si表示第i个频段方差；xij表示第i个频段的小波包分析系数；
Figure BDA0002948647640000022
表示第i个频段的小波包分解系数的均值；N表示第i个频段小波包分解系数的总数。
与现有技术相比，本发明的有益效果：
本发明在自动切割开始前将采煤机在不同截割状态下的摇臂振动信号进行小波包分解，计算出最后一层每个小波包系数的方差，并将其作为特征值输入到LVQ神经网络中对不同截割状态下的摇臂振动信号进行分类；自动切割开始后，采集采煤机实时摇臂振动信号，并将其输入至LVQ神经网络中，根据LVQ神经网络的输出结果获取采煤机实时截割状态；根据采煤机实时截割状态判断采煤机的截割高度是否需要调整，实现采煤机截割状态识别。本发明识别准确率高，避免了粉尘干扰导致的可靠性较低的问题，减少采煤机截割矸石的状态，有效保护设备，提高煤的开采率，对实现综采工作面“无人化”具有重要意义。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域中的普通技术人员来说，在不付出创造性劳动的前提下，还可根据这些附图获得其他附图。
图1为基于振动信号的采煤机截割状态识别方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，一种基于振动信号的采煤机截割状态识别方法，包括如下步骤：
S1：自动切割开始前，采用人工方式进行采煤机截割，通过设置在采煤机摇臂侧面的加速度传感器采集采煤机在不同截割状态下的摇臂振动信号；
S2：将步骤S1中的摇臂振动信号进行小波包分解，得到分解后的小波包系数，并计算出最后一层每个小波包系数的方差，将方差作为特征值，它既包含了各频带的能量特征，又可以表示信号的偏离程度。方差的计算方法如下：
Figure BDA0002948647640000031
式中：Si表示第i个频段方差；xij表示第i个频段的小波包分析系数；
Figure BDA0002948647640000032
表示第i个频段的小波包分解系数的均值；N表示第i个频段小波包分解系数的总数；
S3：将最后一层每个小波包系数的方差作为特征值输入到LVQ神经网络中对不同截割状态下的摇臂振动信号进行分类；利用S2中不同截割状态下的摇臂振动信号的最后一层每个小波包系数的方差作为训练数据对LVQ神经网络进行训练；
S4：自动切割开始后，采集采煤机实时摇臂振动信号，将实时摇臂振动信号最后一层每个小波包系数的方差作为特征值输入至LVQ神经网络中，根据LVQ神经网络的输出结果获取采煤机实时截割状态；
S5：根据采煤机实时截割状态判断采煤机的截割高度是否需要调整，实现采煤机截割状态识别。
本发明在自动切割开始前将采煤机在不同截割状态下的摇臂振动信号进行小波包分解，计算出最后一层每个小波包系数的方差，并将其作为特征值输入到LVQ神经网络中对不同截割状态下的摇臂振动信号进行分类；自动切割开始后，采集采煤机实时摇臂振动信号，并将其输入至LVQ神经网络中，根据LVQ神经网络的输出结果获取采煤机实时截割状态；根据采煤机实时截割状态判断采煤机的截割高度是否需要调整，实现采煤机截割状态识别。本发明识别准确率高，避免了粉尘干扰导致的可靠性较低的问题，减少采煤机截割矸石的状态，有效保护设备，提高煤的开采率，对实现综采工作面“无人化”具有重要意义。

Claims (3)

1.一种基于振动信号的采煤机截割状态识别方法，其特征在于，包括如下步骤：
S1：自动切割开始前，采用人工方式进行采煤机截割，并采集采煤机在不同截割状态下的摇臂振动信号；
S2：将步骤S1中的摇臂振动信号进行小波包分解，得到分解后的小波包系数，并计算出最后一层每个小波包系数的方差；
S3：将最后一层每个小波包系数的方差作为特征值输入到LVQ神经网络中对不同截割状态下的摇臂振动信号进行分类；
S4：自动切割开始后，采集采煤机实时摇臂振动信号，将实时摇臂振动信号最后一层每个小波包系数的方差作为特征值输入至LVQ神经网络中，根据LVQ神经网络的输出结果获取采煤机实时截割状态；
S5：根据采煤机实时截割状态判断采煤机的截割高度是否需要调整，实现采煤机截割状态识别。
2.根据权利要求1所述的基于振动信号的采煤机截割状态识别方法，其特征在于：步骤S1中通过设置在采煤机摇臂侧面的加速度传感器采集摇臂振动信号。
3.根据权利要求1所述的基于振动信号的采煤机截割状态识别方法，其特征在于：步骤S2中方差的计算方法如下：
Figure FDA0002948647630000011
式中：Si表示第i个频段方差；xij表示第i个频段的小波包分析系数；
Figure FDA0002948647630000012
表示第i个频段的小波包分解系数的均值；N表示第i个频段小波包分解系数的总数。
CN202110203103.8A 2021-02-23 2021-02-23 一种基于振动信号的采煤机截割状态识别方法 Pending CN113011270A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110203103.8A CN113011270A (zh) 2021-02-23 2021-02-23 一种基于振动信号的采煤机截割状态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110203103.8A CN113011270A (zh) 2021-02-23 2021-02-23 一种基于振动信号的采煤机截割状态识别方法

Publications (1)

Publication Number Publication Date
CN113011270A true CN113011270A (zh) 2021-06-22

Family

ID=76408249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110203103.8A Pending CN113011270A (zh) 2021-02-23 2021-02-23 一种基于振动信号的采煤机截割状态识别方法

Country Status (1)

Country Link
CN (1) CN113011270A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795369A (zh) * 2023-02-09 2023-03-14 西安华创马科智能控制系统有限公司 煤岩界面识别方法和装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103841410A (zh) * 2014-03-05 2014-06-04 北京邮电大学 基于图像特征信息的半参考视频QoE客观评估方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103841410A (zh) * 2014-03-05 2014-06-04 北京邮电大学 基于图像特征信息的半参考视频QoE客观评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李福涛: "基于振动信号的采煤机煤岩截割状态识别", 煤炭工程, vol. 54, no. 1, 20 January 2022 (2022-01-20) *
王宇: "机电设备振动信号故障诊断算法研究", 计算机仿真, vol. 34, no. 5, 15 May 2017 (2017-05-15), pages 414 - 419 *
蒋干: "基于多传感信息融合的采煤机煤岩截割状态识别技术研究", 中国优秀硕士学位论文全文数据库工程科技I辑, no. 9, 15 September 2019 (2019-09-15), pages 3 - 2 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795369A (zh) * 2023-02-09 2023-03-14 西安华创马科智能控制系统有限公司 煤岩界面识别方法和装置

Similar Documents

Publication Publication Date Title
CN108765004A (zh) 一种基于数据挖掘识别用户窃电行为的方法
CN106194262B (zh) 煤矿底板奥灰岩突水在线监测智能预警系统
CN113011270A (zh) 一种基于振动信号的采煤机截割状态识别方法
CN111126873A (zh) 一种基于Hadoop集群架构的盾构TBM大数据平台系统及建设方法
CN104373153A (zh) 一种煤矿井下综放工作面的煤岩性状识别方法与系统
CN109635879A (zh) 一种参数最优的采煤机故障诊断系统
CN114336615A (zh) 一种基于输电环境大数据分析的电力资源调度智能管理系统
CN111767003A (zh) 一种基于不同工况的采掘设备传感器数据自适应采集方法
CN116579615A (zh) 一种基于无人机遥感的植被覆盖监测系统
CN116658246A (zh) 一种煤矿水害监测预警系统及方法
CN115234220A (zh) 利用智能钻头实时识别井下粘滑振动的方法及装置
CN111337234A (zh) 一种基于实时监测的tbm刮刀寿命预测系统及方法
CN109944590B (zh) 一种可靠的采煤机切割模式识别系统
CN108230183A (zh) 一种基于时标量测的电网设备多维度综合告警的处理方法
CN109325470B (zh) 基于瓦斯浓度参数的井下工作面作业类型智能识别方法
CN109871865A (zh) 一种基于群智能寻优的采煤机在线故障诊断系统
CN108171378A (zh) 一种基于多目标智能协调优化实现矿冶工程绿色开发方法
CN102693289A (zh) 高拱坝施工的仿真方法
CN117332252A (zh) 一种基于振动增长速度的旋转动设备趋势预警方法
CN113703038B (zh) 一种微震信号自动采集识别方法及系统
CN117669962B (zh) 基于信息化多功能通讯的手机式矿灯及调度系统
CN109657783A (zh) 强鲁棒的具有长短时记忆能力的采煤机记忆截割系统
CN113431557A (zh) 一种基于人工智能的井下井眼轨迹跟踪方法
CN110500096B (zh) 一种硬岩型铀矿井生产规模确定方法
CN112884432A (zh) 一种数字化矿山生产管控系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination