CN116127300B - 采煤机截割部负载识别方法、装置及计算机可读存储介质 - Google Patents
采煤机截割部负载识别方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116127300B CN116127300B CN202310341221.4A CN202310341221A CN116127300B CN 116127300 B CN116127300 B CN 116127300B CN 202310341221 A CN202310341221 A CN 202310341221A CN 116127300 B CN116127300 B CN 116127300B
- Authority
- CN
- China
- Prior art keywords
- feature
- neural network
- vibration signal
- sparrow
- characteristic
- 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.)
- Active
Links
- 239000003245 coal Substances 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 62
- 238000005520 cutting process Methods 0.000 claims abstract description 51
- 241000287127 Passeridae Species 0.000 claims abstract description 50
- 238000005065 mining Methods 0.000 claims abstract description 35
- 238000010845 search algorithm Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 15
- 230000035945 sensitivity Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 2
- 239000011435 rock Substances 0.000 description 10
- 239000013598 vector Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 206010063385 Intellectualisation Diseases 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种采煤机截割部负载识别方法、装置及计算机可读存储介质，方法包括：检测采煤机的截割部产生的振动信号，以及截割部的滚筒的工作电流和速度；对振动信号进行小波包分解得到第一特征；根据滚筒的工作电流和速度计算做功，根据做功生成第二特征；按预设方式对第一特征和第二特征处理得到第三特征；将第三特征输入经训练的径向神经网络，在训练前将径向神经网络中的多个数据中心作为麻雀搜索算法中的多个麻雀个体，计算多个麻雀个体的适应度值，将具有最优适应度值的麻雀个体对应的数据中心作为径向神经网络的初始聚类中心；根据径向神经网络的输出确定截割部的负载类型。根据本发明，能够精准地识别出采煤机截割部的负载类型。
Description
技术领域
本发明属于采煤机技术领域，尤其涉及一种用采煤机截割部负载识别方法、装置及计算机可读存储介质。
背景技术
采煤机作为井工开采的主要设备之一，在煤炭开采的过程中承担割煤、落煤的职责，对于现有的双滚筒采煤机，前、后滚筒分别割顶部和底部煤，工作人员根据自己的经验判断，通过手持遥控装置或者端子来对采煤机滚筒的高度进行调节，受限于开采现场的恶劣环境，工作人员的判断往往会出现一定的误差和滞后性，当前滚筒过高或后滚筒过低时，滚筒与岩石接触，造成大量的粉尘和噪声污染，加大滚筒截齿磨损，损耗采煤机滚筒寿命，并导致采集的煤炭中混入矸石，加大了后期煤炭分拣的难度，当前滚筒过低或后滚筒过高时，开采的效率会大大降低，剩余煤层过厚，从而降低经济效益，并且煤层自然形成，后滚筒所采集的煤岩交界面较为起伏，这也加大了煤炭开采难度。实现滚筒高度调节的自动化和智能化，即实现煤和岩石的截割负载类型自动识别，是解决这一问题的根本。
发明内容
本发明要解决的技术问题是为了实现煤和岩石等采煤机截割负载类型的自动识别，提供一种采煤机截割部负载识别方法、装置及计算机可读存储介质。
本发明是通过下述技术方案来解决上述技术问题：
根据本公开的一个方面，提供一种采煤机截割部负载识别方法，包括：检测采煤机的截割部产生的振动信号，以及所述截割部的滚筒的工作电流和速度；对所述振动信号进行小波包分解得到第一特征；根据所述滚筒的工作电流和速度计算做功，根据所述做功生成第二特征；按预设方式对所述第一特征和所述第二特征处理得到第三特征；将所述第三特征输入经训练的径向神经网络，其中，在训练前将所述径向神经网络中的多个数据中心作为麻雀搜索算法中的多个麻雀个体，计算所述多个麻雀个体的适应度值，将具有最优适应度值的麻雀个体对应的数据中心作为所述径向神经网络的初始聚类中心；根据所述径向神经网络的输出确定所述截割部的负载类型。
在一些实施例中，在“检测采煤机的截割部产生的振动信号”的步骤之前，还包括：检测所述采煤机的摇臂上多个位置对振动的敏感程度，根据敏感程度高低从所述多个位置中选择检测点；“检测采煤机的截割部产生的振动信号”的步骤包括：从所述检测点检测所述振动信号。
在一些实施例中，所述振动信号为所述摇臂的y轴振动信号和/或z轴振动信号。
在一些实施例中，“从所述检测点检测所述振动信号”的步骤包括：在同时检测到所述y轴振动信号和所述z轴振动信号时，如果所述y轴振动信号的质量高于预设水平，则仅保留所述y轴振动信号。
在一些实施例中，所述径向神经网络中的数据中心数量及所述麻雀搜索算法中的麻雀个体数量为40，迭代计算所述多个麻雀个体的适应度值直至收敛，其中最大迭代次数为500，所述多个麻雀个体中发现者比例为20%。
在一些实施例中，合并所述第一特征和所述第二特征后进行降维处理得到所述第三特征。
在一些实施例中，“对所述振动信号进行小波包分解得到第一特征”的步骤，还包括：根据所述采煤机一种或多种故障状态下的信号特征属性，对所述第一特征进行修正。
根据本公开的另一个方面，提供一种采煤机截割部负载识别装置，包括：第一检测模块，检测采煤机的截割部产生的振动信号；第二检测模块，检测所述截割部的滚筒的工作电流和速度；第一特征计算模块，对所述振动信号进行小波包分解得到第一特征；第二特征计算模块，根据所述滚筒的工作电流和速度计算做功，根据所述做功生成第二特征；第三特征计算模块，按预设方式对所述第一特征和所述第二特征处理得到第三特征；网络输入模块，将所述第三特征输入经训练的径向神经网络，其中，在训练前将所述径向神经网络中的多个数据中心作为麻雀搜索算法中的多个麻雀个体，计算所述多个麻雀个体的适应度值，将具有最优适应度值的麻雀个体对应的数据中心作为所述径向神经网络的初始聚类中心；结果输出模块，根据所述径向神经网络的输出确定所述截割部的负载类型。
根据本公开的另一个方面，提供一种控制装置，包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行前述的采煤机截割部负载识别方法。
根据本公开的另一个方面，提供一种计算机可读存储介质，其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行前述的采煤机截割部负载识别方法。
本发明的积极进步效果在于：相比于现有技术方案的采煤机截割部负载识别技术，本发明不同之处首先在于同时采集了采煤机截割部的振动信号以及滚筒的工作电流和速度，通过电流和速度计算滚筒的做功情况同样可以反映截割部的振动情况，因此基于采集的振动信号和做功情况可以提取全面反映采煤机振动情况的特征，提升径向神经网络的输入准确性，确保径向神经网络输出正确的结果，即正确的负载类型，其次实验数据表明，麻雀搜索方法对于径向神经网络的优化效果，使得径向神经网络的负载识别效率及精度能够满足采煤机滚筒实现高度调节自动化和智能化的要求。
附图说明
图1示出了本公开的实施例的一种可选的实施方式的煤机截割部负载识别方法的流程图。
图2示出了本公开的实施例的一种可选的实施方式的煤机截割部负载识别方法的原理流程图。
图3示出了本公开的实施例的一种可选的实施方式的煤机截割部负载识别方法的流程图。
图4示出了本公开的实施例的一种可选的实施方式的煤机截割部负载识别方法的示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
以下对本公开的实施例的用于四象限变频器的电压相序检测系统进行详细说明。
图1示出了本公开的实施例的一种可选的实施方式的采煤机截割部负载识别方法的流程图，该方法包括：
步骤S110，检测采煤机的截割部产生的振动信号，以及截割部的滚筒的工作电流和速度。
具体地，振动信号为摇臂的y轴振动信号和/或z轴振动信号。
步骤S120，对振动信号进行小波包分解得到第一特征。
检测到的y、z轴振动信号可分别利用bior3.3（一种函数）进行3层小波包分解，各自求得第三层小波包分解结果中8个子频带分量的能量特征，获得8维特征向量，作为第一特征，即小波包能量熵特征。
步骤S130，根据滚筒的工作电流和速度计算做功，根据做功生成第二特征。
此处引入采煤机工作状态下的电流、速度等参数，滚筒受到的截割阻力会直接体现在截割电动机电流的变化上，两者近似呈正比例变化，以前滚筒为例，即F＝kI，k为比例系数，I为前滚筒截割电机电流。则滚筒做功Wt＝F2S＝KIVt，S为做功距离，V为速度，t为时间，则功率P=kIV，作为第二特征。
步骤S140，按预设方式对第一特征和第二特征处理得到第三特征。
具体地，可以合并第一特征和第二特征后进行降维处理得到第三特征。
此处将基于y轴振动信号和/或z轴振动信号的第一特征和第二特征合并获得表征振动信号能量的9维特征向量，具体可以利用mapminmax函数完成向量的归一化，在计算出各样本的特征向量后，可得出表征采煤机截割负载状态的1000x9维特征矩阵，之后利用主成分分析方法对1000x9维特征举证降维，在保留95%有效信息的基础上，保留前6个主成分，从而获得1000x6维特征矩阵。
在强噪声背景下，采煤机截割煤岩过程中振动来源过多，且相互之间存在一定耦合关系，振动信号的有效信息容易被淹没，基于单一振动信号的煤岩负载识别技术在实际应用过程中难度较大、精度较低，实现煤岩负载的分类识别，必须先探寻有效的去噪方案。相比于现有技术方案，此处选择结合y轴振动信号、z轴振动信号和做功情况提取输入特征进行截割负载状态识别，以克服基于单一振动信号的煤岩负载识别精度低的缺陷。
步骤S150，将第三特征输入经训练的径向神经网络（RBF），其中，在训练前将径向神经网络中的多个数据中心作为麻雀搜索算法（SSA）中的多个麻雀个体，计算多个麻雀个体的适应度值，将具有最优适应度值的麻雀个体对应的数据中心作为径向神经网络的初始聚类中心。
在训练阶段，可以设置y、z轴振动信号的采样频率为10kHz，样本长度为10000，依照煤、岩石两种不同负载将获得的y、z轴振动信号分别划分为1000个样本。由于单位时间内破煤总能量W f = 
，k为样本中采样点个数，Pj为第j个采样点的功率，采煤机截割电流传感器的刷新频率为1s/次，则可计算出该样本做功为Wf，用于径向神经网络训练。
人工神经网络（Artificial Nenral Networks，ANN）又称神经网络，选择合适的神经网络，对信号提取出的特征进行分类识别，是截割负载识别中重要的一环。现有技术中对RBF算法优化的方式有多种，此处根据实现采煤机滚筒高度调节自动化和智能化的效率、精度要求，采用麻雀搜索方法对径向神经网络进行优化。RBF神经网络中数据中心选取是该网络预测效果的重要影响因素，本方案利用麻雀搜索算法对径向基神经网络的数据中心寻优择取，确定初始聚类中心，能有效节约算力，具体流程如图2所示：（1）将2个1000×6维特征矩阵（即分别基于y轴、z轴振动信号与做功结合得到2个6维特征向量）作为神经网络的输入。（2）确定RBF神经网络的网络拓扑结构。（3）参数初始化。初始化SSA最大迭代次数、种群规模、发现者所占种群比例、预警值以及预警者数量等参数。（4）计算个体适应度值。用种群中的每个个体代表RBF神经网络中的一个初始数据中心，利用适应度函数寻找较小的适应度值以寻找最优解。（5）更新麻雀位置。在迭代过程中，将适应度值较好的个体作为发现者，参照预警值和安全值，更新发现者位置。加入者根据发现者搜索到的食物范围进行移动并与发现者抢夺食物资源，更新加入者位置。预警者在种群中随机产生，比较麻雀个体当前的适应度值，并更新预警者位置。（6）将位置更新后的个体适应度值与当前最优适应度值相比较，达到最大迭代次数后，得出全局最优值。（7）将最优解对应的数据中心作为初始聚类中心，初始化RBF神经网络并进行训练。
步骤S160，根据径向神经网络的输出确定截割部的负载类型。
相比于现有技术方案的采煤机截割部负载识别技术，本公开不同之处首先在于同时采集了采煤机截割部的振动信号以及滚筒的工作电流和速度，通过电流和速度计算滚筒的做功情况同样可以反映截割部的振动情况，因此基于采集的振动信号和做功情况可以提取全面反映采煤机振动情况的特征，提升径向神经网络的输入准确性，确保径向神经网络输出正确的结果，即正确的负载类型，其次实验数据表明，麻雀搜索方法对于径向神经网络的优化效果，使得径向神经网络的负载识别效率及精度能够满足采煤机滚筒实现高度调节自动化和智能化的要求。
图3示出了本公开的实施例的一种可选的实施方式的采煤机截割部负载识别方法的流程图，该方法包括：
步骤S310，检测采煤机的摇臂上多个位置对振动的敏感程度，根据敏感程度高低从多个位置中选择检测点。
对于采煤机而言，摇臂不同测点对振动信号的敏感程度不同，因此需要加强对测点与摇臂振动特性间关系的研究。此处基于摇臂不同位置的振动敏感程度对比，确定摇臂上的振动信号检测点，以保证高质量采集到振动信号。
步骤S320，从检测点检测振动信号，以及截割部的滚筒的工作电流和速度，其中，在同时检测到y轴振动信号和z轴振动信号时，如果y轴振动信号的质量高于预设水平，则仅保留y轴振动信号。
实验数据表明，小波包能量熵特征在y轴振动信号中优于z轴振动信号和声音信号，能高效表征不同截割负载，有较好的识别准确率。所以此处选择在y轴振动信号质量较高时，直接使用y轴振动信号进行负载识别，避免z轴振动信号造成干扰，而在y轴振动信号质量较低时，则可以综合y轴振动信号、z轴振动信号提取的特征来提升特征质量，以提升负载识别准确率。
步骤S330，对振动信号进行小波包分解得到第一特征。
步骤S340，根据采煤机一种或多种故障状态下的信号特征属性，对第一特征进行修正。
一般地，采煤机在发生故障时会产生噪声，而噪声特点往往与故障类型紧密相关，因此本方案基于采煤机故障情况下的信号特征属性，对采集提取的特征进行修正，以克服故障噪声对信号特征质量的影响。
步骤S350，根据滚筒的工作电流和速度计算做功，根据做功生成第二特征。
步骤S360，按预设方式对第一特征和第二特征处理得到第三特征。
步骤S370，将第三特征输入经训练的径向神经网络（RBF），其中，在训练前将径向神经网络中的多个数据中心作为麻雀搜索算法（SSA）中的多个麻雀个体，计算多个麻雀个体的适应度值，将具有最优适应度值的麻雀个体对应的数据中心作为径向神经网络的初始聚类中心。
具体地，径向神经网络中的数据中心数量及麻雀搜索算法中的麻雀个体数量为40，迭代计算多个麻雀个体的适应度值直至收敛，其中最大迭代次数为500，多个麻雀个体中发现者比例为20%。
此处利用麻雀搜索算法对构建的径向神经网络的初始聚类中心进行优化，建立基于SSA-RBF的截割负载分类模型。其中，麻雀搜索算法出于对最优解和运行时间的考虑，选择种群数为40，为了增加可预期性和稳定性选择最大迭代次数为500次，发现者占总规模的比例为20%。实验数据表明，采用上述参数设置的麻雀搜索算法，能够使优化后径向基神经网络的负载识别精度及效率，符合实现采煤机滚筒高度调节自动化和智能化的要求。
径向神经网络（RBF）的示例结构如图4所示。在对径向神经网络进行训练时，按照6维特征向量确定输入层的6个节点，按照煤、岩截割负载类型的输出对应标签1、2设置输出层的节点数为2。随机选取全部数据的70%作为训练样本，30%作为测试样本，构建径向神经网络。以y轴振动信号的训练结果为例，训练的RBF神经网络在54次迭代后达到收敛，经SSA优化后的RBF神经网络在34次迭代后达到收敛，收敛速度有明显的提升。同时，经SSA优化后的RBF神经网络精度优于优化前网络，改进前后RBF神经网络的识别准确率如下。
步骤S380，根据径向神经网络的输出确定截割部的负载类型。
以上技术方案，适用于采煤机截割部的负载类型识别，克服了现有技术在强噪声背景下、采煤机截割煤岩过程中振动来源过多导致截割部负载类型识别精度低、难度大的缺陷。
本公开的实施例的一种可选的实施方式的控制装置，包括处理器和存储装置，存储装置适于存储多条程序代码，程序代码适于由处理器加载并运行以执行前述的采煤机截割部负载识别方法。本公开的实施例的一种可选的实施方式的计算机可读存储介质，其中存储有多条程序代码，程序代码适于由处理器加载并运行以执行前述的采煤机截割部负载识别方法。
相比于现有技术方案的采煤机截割部负载识别技术，本方案不同之处还在于对采煤机摇臂不同位置的振动敏感程度进行对比，从而在摇臂上选取检测点以高质量采集振动信号，其次从采煤机振动信号中提取小波包能量熵特征，该小波包能量熵特征能够准确反映采煤机截割部的负载类型，而实验数据表明，麻雀搜索方法对于径向神经网络的优化效果，使得径向神经网络的负载识别效率及精度能够满足采煤机滚筒实现高度调节自动化和智能化的要求。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
Claims (9)
1.一种采煤机截割部负载识别方法，其特征在于，包括：
检测采煤机的截割部产生的振动信号，以及所述截割部的滚筒的工作电流和速度；
对所述振动信号进行小波包分解得到第一特征；
根据所述滚筒的工作电流和速度计算做功，根据所述做功生成第二特征；
按预设方式对所述第一特征和所述第二特征处理得到第三特征，所述预设方式为合并所述第一特征和所述第二特征后进行降维处理得到所述第三特征；
将所述第三特征输入经训练的径向神经网络，其中，在训练前将所述径向神经网络中的多个数据中心作为麻雀搜索算法中的多个麻雀个体，计算所述多个麻雀个体的适应度值，将具有最优适应度值的麻雀个体对应的数据中心作为所述径向神经网络的初始聚类中心；
根据所述径向神经网络的输出确定所述截割部的负载类型。
2.如权利要求1所述的采煤机截割部负载识别方法，其特征在于，在“检测采煤机的截割部产生的振动信号”的步骤之前，还包括：
检测所述采煤机的摇臂上多个位置对振动的敏感程度，根据敏感程度高低从所述多个位置中选择检测点；
“检测采煤机的截割部产生的振动信号”的步骤包括：
从所述检测点检测所述振动信号。
3.如权利要求2所述的采煤机截割部负载识别方法，其特征在于，
所述振动信号为所述摇臂的y轴振动信号和/或z轴振动信号。
4.如权利要求3所述的采煤机截割部负载识别方法，其特征在于，“从所述检测点检测所述振动信号”的步骤包括：
在同时检测到所述y轴振动信号和所述z轴振动信号时，如果所述y轴振动信号的质量高于预设水平，则仅保留所述y轴振动信号。
5.如权利要求1所述的采煤机截割部负载识别方法，其特征在于，
所述径向神经网络中的数据中心数量及所述麻雀搜索算法中的麻雀个体数量为40，迭代计算所述多个麻雀个体的适应度值直至收敛，其中最大迭代次数为500，所述多个麻雀个体中发现者比例为20%。
6.如权利要求1所述的采煤机截割部负载识别方法，其特征在于，“对所述振动信号进行小波包分解得到第一特征”的步骤，还包括：
根据所述采煤机一种或多种故障状态下的信号特征属性，对所述第一特征进行修正。
7.一种采煤机截割部负载识别装置，其特征在于，包括：
第一检测模块，检测采煤机的截割部产生的振动信号；
第二检测模块，检测所述截割部的滚筒的工作电流和速度；
第一特征计算模块，对所述振动信号进行小波包分解得到第一特征；
第二特征计算模块，根据所述滚筒的工作电流和速度计算做功，根据所述做功生成第二特征；
第三特征计算模块，按预设方式对所述第一特征和所述第二特征处理得到第三特征，所述预设方式为合并所述第一特征和所述第二特征后进行降维处理得到所述第三特征；
网络输入模块，将所述第三特征输入经训练的径向神经网络，其中，在训练前将所述径向神经网络中的多个数据中心作为麻雀搜索算法中的多个麻雀个体，计算所述多个麻雀个体的适应度值，将具有最优适应度值的麻雀个体对应的数据中心作为所述径向神经网络的初始聚类中心；
结果输出模块，根据所述径向神经网络的输出确定所述截割部的负载类型。
8.一种控制装置，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至6中任一项所述的采煤机截割部负载识别方法。
9.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至6中任一项所述的采煤机截割部负载识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310341221.4A CN116127300B (zh) | 2023-04-01 | 2023-04-01 | 采煤机截割部负载识别方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310341221.4A CN116127300B (zh) | 2023-04-01 | 2023-04-01 | 采煤机截割部负载识别方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116127300A CN116127300A (zh) | 2023-05-16 |
| CN116127300B true CN116127300B (zh) | 2023-06-27 |
Family
ID=86295801
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310341221.4A Active CN116127300B (zh) | 2023-04-01 | 2023-04-01 | 采煤机截割部负载识别方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116127300B (zh) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109753632A (zh) * | 2018-11-01 | 2019-05-14 | 北京理工大学 | 一种基于数据挖掘的表面粗糙度监测模型及构建方法 |
| CN112903091A (zh) * | 2021-01-19 | 2021-06-04 | 昆明理工大学 | 基于vmd-svd与ssa-svm的电梯导靴故障诊断方法 |
| CN115060497B (zh) * | 2022-06-10 | 2023-07-11 | 南昌工程学院 | 基于ceemd能量熵和优化pnn的轴承故障诊断方法 |
-
2023
- 2023-04-01 CN CN202310341221.4A patent/CN116127300B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN116127300A (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103465107B (zh) | 一种刀具磨损监测方法 | |
| CN110750524A (zh) | 一种有源配电网故障特征的确定方法及系统 | |
| CN110335168B (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及系统 | |
| CN111104398B (zh) | 针对智能船舶近似重复记录的检测方法、消除方法 | |
| CN112508053A (zh) | 基于集成学习框架的智能诊断方法、装置、设备及介质 | |
| CN110493221B (zh) | 一种基于聚簇轮廓的网络异常检测方法 | |
| CN114861788A (zh) | 一种基于dbscan聚类的负荷异常检测方法及系统 | |
| CN115408925A (zh) | 用于隧道施工的岩体参数预测方法和装置 | |
| CN108734359B (zh) | 一种风电功率预测数据预处理方法 | |
| CN113269254A (zh) | 一种粒子群优化XGBoost算法的煤矸识别方法 | |
| CN115033591A (zh) | 一种电费数据异常智能检测方法、系统、存储介质及计算机设备 | |
| CN116127300B (zh) | 采煤机截割部负载识别方法、装置及计算机可读存储介质 | |
| CN108763926B (zh) | 一种具有安全免疫能力的工业控制系统入侵检测方法 | |
| CN116365519B (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
| CN117131425B (zh) | 一种基于反馈数据的数控机床加工状态监测方法及系统 | |
| CN113705110A (zh) | 一种基于双重随机森林回归方法的爆破振动速度预测方法 | |
| CN115600773B (zh) | 一种基于序列模式挖掘的生产路径分析方法及系统 | |
| CN117272180A (zh) | 一种基于残差网络模型的分拣机故障检测方法及系统 | |
| CN113554079B (zh) | 一种基于二次检测法的电力负荷异常数据检测方法及系统 | |
| CN115309948A (zh) | 一种基于运动轨迹自动识别的渔船作业方法 | |
| CN115329219A (zh) | 一种基于预测的复杂装备异常检测方法 | |
| CN112052241A (zh) | 一种大数据存储用数据分类方法 | |
| CN113047859A (zh) | 基于局部Fisher土层识别的盾构掘进参数控制方法 | |
| CN117538910B (zh) | 基于ai的北斗定位信号测试分析方法及系统 | |
| CN115828165B (zh) | 一种新能源智能微电网数据处理方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231023 Address after: 215500 No. 18, Jiaxing Road, Yushan Town, Changshu City, Suzhou City, Jiangsu Province Patentee after: CHANGSHU TIANDI COAL MINING EQUIPMENT Co.,Ltd. Patentee after: Tiandi Shanghai Excavating Equipment Technology Co.,Ltd. Address before: 215500 No. 18, Jiaxing Road, Yushan Town, Changshu City, Suzhou City, Jiangsu Province Patentee before: CHANGSHU TIANDI COAL MINING EQUIPMENT Co.,Ltd. |