CN113569459A - 基于群体智能的液压支架性能退化定量评估方法及系统 - Google Patents
基于群体智能的液压支架性能退化定量评估方法及系统 Download PDFInfo
- Publication number
- CN113569459A CN113569459A CN202110636311.7A CN202110636311A CN113569459A CN 113569459 A CN113569459 A CN 113569459A CN 202110636311 A CN202110636311 A CN 202110636311A CN 113569459 A CN113569459 A CN 113569459A
- Authority
- CN
- China
- Prior art keywords
- hydraulic support
- clustering
- hydraulic
- outlier
- operation data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000015556 catabolic process Effects 0.000 title claims abstract description 14
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 14
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 13
- 239000000839 emulsion Substances 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 239000003245 coal Substances 0.000 description 11
- 238000005065 mining Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 241000257303 Hymenoptera Species 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D15/00—Props; Chocks, e.g. made of flexible containers filled with backfilling material
- E21D15/14—Telescopic props
- E21D15/44—Hydraulic, pneumatic, or hydraulic-pneumatic props
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D15/00—Props; Chocks, e.g. made of flexible containers filled with backfilling material
- E21D15/14—Telescopic props
- E21D15/46—Telescopic props with load-measuring devices; with alarm devices
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Geology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Structural Engineering (AREA)
- Mechanical Engineering (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出了一种基于群体智能的液压支架性能退化定量评估方法及系统,该方法首先实时采集液压支架的运行数据,之后利用标准化公式对运行数据进行标准化处理以获取运行数据的标准化特征值,然后利用群体智能聚类算法分析聚类对象,输出聚类结果聚类完成后,性能状态相近的液压支架将被分入同一簇中。在此基础上,计算与其它支架性能差异较大的液压支架的离群因子,最大离群因子对应的液压支架即为故障液压支架。本发明能够在无样本数据情况下,准确查找到性能异常的液压支架,避免了现有方法对故障样本的依赖。
Description
技术领域
本发明属于液压支架的故障预测方法,尤其涉及一种基于群体智能的液压支架性能退化定量评估方法及系统。
背景技术
近年来,随着我国国民经济由高速增长阶段向高质量发展阶段的转变,社会对煤炭行业安全、绿色、智能发展的要求也不断提高。为应对这一需求,研究者们提出了“智慧矿山”的概念。智慧矿山旨在通过人工智能、信息技术与矿山生产过程的深度融合,实现矿山掘进、开采、运输、提升等环节的自管理、自运行。智慧矿山建设包含多项课题。矿井全工位设备设施健康智能管理是其中必不可少的一环。在矿井生产的所有设备设施中,液压支架担负着支撑煤岩顶板、形成采煤工作空间等重要功能,是煤炭综合机械化开采的核心设备。液压支架的性能感知与评估是建设智慧矿山的重要内容。
目前,在液压支架健康评估与管理方面,已有研究者提出了一些方法。通过分析现有的技术不难发现,这些方法均是通过分析液压支架实测故障样本或仿真数据得到运行数据阈值,然后将液压支架当前运行数据与预设定阈值相比较,来评估其工作状态及性能退化情况。该方法对液压支架某些故障取得了较好的应用效果。然而,对于乳化液内部串液、立柱变形、液压缸内壁磨损等故障,实测故障样本数据在工程实现上非常困难,而仿真数据的可靠性往往又难以保证,同时,由于液压支架工作条件多变,已掌握故障样本的通用性也受到限制。因此,故障样本数据缺乏成为制约液压支架状态评估技术发展的瓶颈。
经对现有技术的文献检索发现,公开文件“一种液压支架工况的预警方法” (中国发明专利,公开号:CN112145231A,公开日:2020.12.29)提出了一种液压支架故障检测预警方法,该公开文件自述为:“本申请公开了一种液压支架工况的预警方法,涉及煤矿安全开采技术领域,其中方法包括:实时监测煤矿工作面所有液压支架的工作阻力数据;根据每个采煤循环中的工作阻力变化数据,确定用于评价液压支架工况的多个评价指标的指标值;根据所述评价指标的指标值,生成预警信息。通过本申请的技术方案,对煤矿工作面所有液压支架的工作阻力数据进行实时监测,能够在煤矿综采工作面回采过程中,通过液压支架工作阻力数据分析,确定用于综合评价液压支架工况的多个评价指标,从而实现对液压支架工况的实时监测、分析和预警,及时定位支架支护和顶板管理当中存在的问题,对于保障综采工作面顶板安全具有重要作用”。其不足之处是:该方法通过比较采集到的液压支架运行数据与预设定标准值,判断液压支架的工作状态,而运行数据标准值的设定,往往需要综合分析液压支架在正常状态与故障状态下的运行数据变化,因此,该方法的实施受到故障样本的制约,应用条件较高、范围有限。
发明内容
本发明的目的在于提供一种基于群体智能的液压支架性能退化定量评估方法及系统,提供一种不依赖故障样本的液压支架性能评估方法,通过液压支架群性能状态的横向比较,及时发现并分离故障液压支架,从而实现在无故障样本下,对液压支架性能状态的智能评估。为实现上述目的,本发明采用如下技术方案:
一种基于群体智能的液压支架性能退化定量评估方法,包括以下步骤:
S1、液压支架的运行数据的实时采集:采集的运行数据类型包括前支柱乳化液压力X1、前支柱乳化液温度X2、后支柱乳化液压力X3、前伸梁乳化液压力 X4、推移乳化液压力X5和底板比压X6;
S2、利用标准化公式对运行数据进行标准化处理,以获取运行数据的标准化特征值;
S3、利用群体智能聚类算法分析聚类对象,输出聚类结果:
将S2中各运行数据的标准化特征值作为液压支架的属性,将液压支架群中单个液压支架的运行状态作为聚类对象,利用群体智能聚类算法对液压支架群中的多个液压支架进行聚类分析:首先利用公式计算任两个聚类对象Oi和Oj间的曼哈顿距离,p为液压支架运行数据的个数,为聚类对象Oi的第k个运行数据Xk(k=1,2,3,4,5,6),为聚类对象Oj的第k个聚类对象 Xk(k=1,2,3,4,5,6);
S4、在聚类结果基础上,利用离群因子计算公式,分别计算各个液压支架的离群因子,最后输出最大离群因子对应的液压支架为故障液压支架;
所述离群因子计算是指计算液压支架与其他液压支架的偏离程度,采用离群因子计算公式t为离群聚类对象,Oi为非离群聚类对象,d(t,Oi)为t与Oi的曼哈顿距离,m为非离群聚类对象的个数;CBGOF*为t 的离群因子。
优选地,所述的运行数据标准化处理是将液压支架的运行数据按比例缩放,使之落入一个特定区间,去除数据的单位限制,将其转化为无量纲的纯数值:采用数据0-1标准化方法;其中,标准化公式定义为
Xi(i=1,2,3,4,5,6)为采集到的液压支架运行数据,为标准化后的液压支架运行数据,为液压支架运行数据Xi的平均值,Xi(max)为液压支架运行数据Xi的最大值,Xi(min)为液压支架运行数据Xi的最小值。
一种基于群体智能的液压支架性能退化定量评估系统,包括:
监测数据获取模块,获取液压支架的运行数据;
标准化处理模块,对获取的运行数据进行标准化处理,获取运行数据的标准化特征值;
聚类模块,将各运行数据的标准化特征值作为液压支架的属性,将液压支架群中单个液压支架的运行状态作为聚类对象,基于群体智能聚类算法对液压支架群进行聚类分析,最后输出聚类结果至离群因子获取模块;
离群因子获取模块,根据聚类结果,计算所有液压支架的离群因子并输出至故障结果输出模块;
故障结果输出模块,选择最大离群因子,并将该最大离群因子对应的液压支架的有关信息输出。
与现有技术相比,本发明的优点为:
(1)本发明通过液压支架群性能状态的自组织横向比较,分离出性能异常的液压支架,整个过程不需要液压支架历史运行数据,克服了现有技术对故障样本的依赖。
(2)通过应用聚类分析的方法,不依赖故障样本数据,有效的解决了故障样本缺失的关键问题,并且,避免了不同型号和结构液压支架故障样本通用性差的问题。
(3)提出液压支架“离群因子”的概念,解决了传统诊断方法无法对液压支架故障程度进行定量描述的不足。
(4)通过参数无量纲化,首先实现了不同类型数据的横向比较和计算,避免了某一类型参数数值过大影响液压支架故障诊断结果的情况,其次解决了应对大量数据时,液压支架故障诊断方法的准确性难以保证的不足。
(5)本发明通过对正常状态和异常状态离群因子的比较和分析,实现故障程度的定量描述,进而可以实现对液压支架实施针对性的维修,避免故障的发生,从而提高了设备运转的可靠性和经济性。
附图说明
图1为本发明基于群体智能的液压支架性能退化定量评估方法的流程图。
图2为S3输出的聚类结果示意图。
具体实施方式
下面将结合示意图对本发明进行更详细的描述,其中表示了本发明的优选实施例,应该理解本领域技术人员可以修改在此描述的本发明,而仍然实现本发明的有利效果。因此,下列描述应当被理解为对于本领域技术人员的广泛知道,而并不作为对本发明的限制。
如图1所示,一种基于群体智能的液压支架性能退化定量评估方法,包括步骤S1~S4。
S1、液压支架的运行数据的实时采集。
通过传感器与数据采集卡的协同工作(数据采集卡采集传感器所获得的运行数据)采集液压支架的运行数据。其中,采集到的运行数据类型包括前支柱乳化液压力X1、前支柱乳化液温度X2、后支柱乳化液压力X3、前伸梁乳化液压力X4、推移乳化液压力X5和底板比压X6;
S2、利用标准化公式对运行数据进行标准化处理,以获取运行数据的标准化特征值。
该步骤的作用是:采集到的液压支架运行数据由于量纲的不同,在数值上往往存在巨大的差异,进而对聚类结果产生影响。标准化处理能够使带量纲的运行数据,转化成无量纲的纯数值,因而能够避免量纲的不同对聚类的影响。
具体的,运行数据标准化处理是将液压支架的运行数据按比例缩放,使之落入一个特定区间,去除数据的单位限制,将其转化为无量纲的纯数值:采用数据0-1标准化方法,使运行数据转化为一个闭区间[0,1]中的数据。
其中,标准化公式见公式(1):
Xi(i=1,2,3,4,5,6)为采集到的液压支架运行数据,为标准化后的液压支架运行数据,为液压支架运行数据Xi的平均值,Xi(max)为液压支架运行数据Xi的最大值,Xi(min)为液压支架运行数据Xi的最小值。
S3、利用群体智能聚类算法分析聚类对象,输出聚类结果,如图2所示。
将S2中各运行数据的标准化特征值作为液压支架的属性,将液压支架群中单个液压支架的运行状态作为聚类对象,利用群蚁群聚类算法对液压支架群中的多个液压支架进行聚类分析。
具体的,首先利用公式计算任两个聚类对象Oi和Oj间的曼哈顿距离,p为液压支架运行数据的个数,为聚类对象Oi的第k个运行数据 Xk(k=1,2,3,4,5,6),为聚类对象Oj的第k个聚类对象Xk(k=1,2,3,4,5,6);
其中,采用蚁群聚类算法横向比较液压支架的性能状态,是指首先将聚类对象随机分布到一个二维网格中,并在二维网格中随机布置一定数量的蚂蚁,然后每个循环,让蚂蚁随机向周围移动一个网格,分为如下情况:
A、当移动到的网格内含有聚类对象且该蚂蚁当前未搬运其它聚类对象时,采用式(2)计算蚂蚁拾起该聚类对象的概率Pp(Oi)。
公式(2)的含义是:聚类对象Oi与邻域范围内聚类对象的平均相似度越低,蚂蚁拾起聚类对象Oi的概率越大。
B、当移动到的网格内不含有聚类对象且该蚂蚁当前搬运了其它聚类对象时,采用式(3)计算蚂蚁放下该聚类对象至当前网格的概率。
因此,公式(3)的含义是:聚类对象Oi与邻域范围内聚类对象的平均相似度越高,蚂蚁放下聚类对象Oi的概率越大。
C、其它情况时,不进行任何操作。
经蚂蚁重复多次移动后,液压支架将按照其自身性能状态自组织聚类,性能状态相似的液压支架将聚集在同一簇中。
S4、故障液压支架的分离。
具体的,在聚类结果基础上,利用离群因子计算公式,分别计算各个液压支架的离群因子,最后输出最大离群因子对应的液压支架为故障液压支架,以用来描述其对应液压支架的性能偏差程度。
离群因子计算是指计算液压支架与其他液压支架的偏离程度,采用离群因子计算公式t为离群聚类对象,Oi为非离群聚类对象, d(t,Oi)为t与Oi的曼哈顿距离,m为非离群聚类对象的个数;CBGOF*为t的离群因子。
其中,离群聚类对象和非离群聚类对象的判定方法是,若邻域范围内没有其它聚类对象,则该聚类对象为离群聚类对象,否则,为非离群聚类对象。输出离群因子最大的液压支架为故障液压支架。
其中,图2中,(a)为聚类前,聚类对象随机分布到二维网格中的情况,黑色实心方形代表故障液压支架,空心方框代表正常液压支架。图2中,(b) 为聚类后的效果。可见,蚁群算法能够有效的将液压支架依据其自身性能实现聚类,故障液压支架被单独分离出来。
基于前述构思,本实施例还提出了一种基于群体智能的液压支架性能退化定量评估系统,其包括:
监测数据获取模块,获取液压支架的运行数据;
标准化处理模块,对获取的运行数据进行标准化处理,获取运行数据的标准化特征值;
聚类模块,将各运行数据的标准化特征值作为液压支架的属性,将液压支架群中单个液压支架的运行状态作为聚类对象,基于群体智能聚类算法对液压支架群进行聚类分析,最后输出聚类结果至离群因子获取模块;
离群因子获取模块,根据聚类结果,计算所有液压支架的离群因子并输出至故障结果输出模块;
故障结果输出模块,选择最大离群因子,并将该最大离群因子对应的液压支架的有关信息输出。
综上,该评估方法及系统的工作原理:
现有技术中,一个采煤工作面配置有几十个甚至上百个液压支架,各个液压支架功能一致、结构相同,彼此协同工作,共同形成可靠的采煤空间。正常状态下,不同液压支架运行数据差异并不显著;当某个液压支架发生故障时,其性能状态出现劣化,它的运行数据将大幅偏离于其它液压支架。因此,通过“横向比较”液压支架群的运行数据,可有效分离出发生故障的液压支架。群体智能技术是一种通过模拟蚂蚁、蜜蜂等个体在日常交互和协作中表现出来复杂智能行为,来寻求对工程技术等领域中分布式问题和组合优化问题的有效算法。根据液压支架群的结构功能和应用特点,本发明将液压支架群抽象为“群体”,单个液压支架看作独立“个体”,液压支架的运行数据则作为“个体属性”,基于蚁群聚类算法横向比较液压支架的性能状态,使液压支架群按照性能状态实现自组织聚类。聚类结束后,离群程度最大的液压支架即为发生故障的支架,由此实现在无故障样本下对故障液压支架的智能识别。
上述仅为本发明的优选实施例而已,并不对本发明起到任何限制作用。任何所属技术领域的技术人员,在不脱离本发明的技术方案的范围内,对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动,均属未脱离本发明的技术方案的内容,仍属于本发明的保护范围之内。
Claims (3)
1.一种基于群体智能的液压支架性能退化定量评估方法,其特征在于,包括以下步骤:
S1、液压支架的运行数据的实时采集:采集的运行数据类型包括前支柱乳化液压力X1、前支柱乳化液温度X2、后支柱乳化液压力X3、前伸梁乳化液压力X4、推移乳化液压力X5和底板比压X6;
S2、利用标准化公式对运行数据进行标准化处理,以获取运行数据的标准化特征值;
S3、利用群体智能聚类算法分析聚类对象,输出聚类结果:
将S2中各运行数据的标准化特征值作为液压支架的属性,将液压支架群中单个液压支架的运行状态作为聚类对象,利用群体智能聚类算法对液压支架群中的多个液压支架进行聚类分析:首先利用公式计算任两个聚类对象Oi和Oj间的曼哈顿距离,p为液压支架运行数据的个数,为聚类对象Oi的第k个运行数据Xk(k=1,2,3,4,5,6),为聚类对象Oj的第k个聚类对象Xk(k=1,2,3,4,5,6);
S4、在聚类结果基础上,利用离群因子计算公式,分别计算各个液压支架的离群因子,最后输出最大离群因子对应的液压支架为故障液压支架;
3.一种基于群体智能的液压支架性能退化定量评估系统,其特征在于,包括:
监测数据获取模块,获取液压支架的运行数据;
标准化处理模块,对获取的运行数据进行标准化处理,获取运行数据的标准化特征值;
聚类模块,将各运行数据的标准化特征值作为液压支架的属性,将液压支架群中单个液压支架的运行状态作为聚类对象,基于群体智能聚类算法对液压支架群进行聚类分析,最后输出聚类结果至离群因子获取模块;
离群因子获取模块,根据聚类结果,计算所有液压支架的离群因子并输出至故障结果输出模块;
故障结果输出模块,选择最大离群因子,并将该最大离群因子对应的液压支架的有关信息输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110636311.7A CN113569459A (zh) | 2021-06-08 | 2021-06-08 | 基于群体智能的液压支架性能退化定量评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110636311.7A CN113569459A (zh) | 2021-06-08 | 2021-06-08 | 基于群体智能的液压支架性能退化定量评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113569459A true CN113569459A (zh) | 2021-10-29 |
Family
ID=78161734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110636311.7A Pending CN113569459A (zh) | 2021-06-08 | 2021-06-08 | 基于群体智能的液压支架性能退化定量评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569459A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114033368A (zh) * | 2021-11-10 | 2022-02-11 | 中煤科工开采研究院有限公司 | 一种基于液压支架初撑力的割煤循环分析方法 |
CN115235676A (zh) * | 2022-09-26 | 2022-10-25 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种矿井液压支架压力异常自动报警方法 |
CN117646754A (zh) * | 2024-01-30 | 2024-03-05 | 太原理工大学 | 液压支架集群支护状态智能识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103969052A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工程大学 | 基于离群分析的柴油机故障诊断方法 |
CN104794283A (zh) * | 2015-04-22 | 2015-07-22 | 哈尔滨工程大学 | 基于离群特征分析的柴油机故障灰预测方法 |
US20190003304A1 (en) * | 2015-08-25 | 2019-01-03 | Taiyuan University Of Technology | Method for realizing centralized control platform for large fully-mechanized coal mining face equipment |
CN109441548A (zh) * | 2019-01-03 | 2019-03-08 | 兖州煤业股份有限公司 | 智能综采设备 |
-
2021
- 2021-06-08 CN CN202110636311.7A patent/CN113569459A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103969052A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工程大学 | 基于离群分析的柴油机故障诊断方法 |
CN104794283A (zh) * | 2015-04-22 | 2015-07-22 | 哈尔滨工程大学 | 基于离群特征分析的柴油机故障灰预测方法 |
US20190003304A1 (en) * | 2015-08-25 | 2019-01-03 | Taiyuan University Of Technology | Method for realizing centralized control platform for large fully-mechanized coal mining face equipment |
CN109441548A (zh) * | 2019-01-03 | 2019-03-08 | 兖州煤业股份有限公司 | 智能综采设备 |
Non-Patent Citations (1)
Title |
---|
张蕾;曹其新;李杰;: "一种基于群体智能聚类的设备性能横向比较算法", 上海交通大学学报, no. 03, pages 76 - 80 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114033368A (zh) * | 2021-11-10 | 2022-02-11 | 中煤科工开采研究院有限公司 | 一种基于液压支架初撑力的割煤循环分析方法 |
CN114033368B (zh) * | 2021-11-10 | 2023-12-22 | 中煤科工开采研究院有限公司 | 一种基于液压支架初撑力的割煤循环分析方法 |
CN115235676A (zh) * | 2022-09-26 | 2022-10-25 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种矿井液压支架压力异常自动报警方法 |
CN115235676B (zh) * | 2022-09-26 | 2022-12-09 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种矿井液压支架压力异常自动报警方法 |
CN117646754A (zh) * | 2024-01-30 | 2024-03-05 | 太原理工大学 | 液压支架集群支护状态智能识别方法 |
CN117646754B (zh) * | 2024-01-30 | 2024-04-12 | 太原理工大学 | 液压支架集群支护状态智能识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113569459A (zh) | 基于群体智能的液压支架性能退化定量评估方法及系统 | |
CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN108564254B (zh) | 基于大数据的配电设备状态可视化平台 | |
CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN111259947A (zh) | 一种基于多模态学习的电力系统故障预警方法和系统 | |
CN115578015A (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
CN112487356B (zh) | 一种结构健康监测数据增强方法 | |
CN110750524A (zh) | 一种有源配电网故障特征的确定方法及系统 | |
CN112926749A (zh) | 一种智能电网信息设备监控系统及方法 | |
Zhang et al. | Data anomaly detection for structural health monitoring by multi-view representation based on local binary patterns | |
CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
CN117151649B (zh) | 基于大数据分析的施工方法管控系统及方法 | |
CN113962308A (zh) | 一种航空设备故障预测方法 | |
CN113866455A (zh) | 基于深度学习的桥梁加速度监测数据异常检测方法、系统和装置 | |
CN112576312A (zh) | 智能化综采工作面电液控支架数据收集及处理方法 | |
CN111144433A (zh) | 基于svm模型油井工况智能诊断分析方法及装置 | |
CN112200251A (zh) | 一种基于多尺度卷积神经网络的监测系统数据评估方法 | |
CN116383747A (zh) | 基于多时间尺度深度卷积生成对抗网络的异常检测方法 | |
CN115423051A (zh) | 电力巡检数据挖掘、设备状态分类及风险预测系统及方法 | |
CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
Zhong et al. | SOM-based visualization monitoring and fault diagnosis for chemical process | |
CN115828164A (zh) | 一种基于数据驱动的电动钉枪故障类型识别方法 | |
CN109765878A (zh) | 新能源汽车can总线网络故障的辅助分析方法 | |
CN112381130A (zh) | 一种基于聚类分析的配电房多元数据异常检测方法 |
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 |