CN116956165B - 一种多掘进机截割部运行状态分类方法 - Google Patents

一种多掘进机截割部运行状态分类方法 Download PDF

Info

Publication number
CN116956165B
CN116956165B CN202311223701.7A CN202311223701A CN116956165B CN 116956165 B CN116956165 B CN 116956165B CN 202311223701 A CN202311223701 A CN 202311223701A CN 116956165 B CN116956165 B CN 116956165B
Authority
CN
China
Prior art keywords
heading machine
running state
cutting part
class
matrix
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
Application number
CN202311223701.7A
Other languages
English (en)
Other versions
CN116956165A (zh
Inventor
李和薇
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.)
707th Research Institute of CSIC
Original Assignee
707th Research Institute of CSIC
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 707th Research Institute of CSIC filed Critical 707th Research Institute of CSIC
Priority to CN202311223701.7A priority Critical patent/CN116956165B/zh
Publication of CN116956165A publication Critical patent/CN116956165A/zh
Application granted granted Critical
Publication of CN116956165B publication Critical patent/CN116956165B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)

Abstract

本发明公开了一种多掘进机截割部运行状态分类方法，首先在掘进机上安装运行状态参数采集解算控制系统，用于采集多个掘进机截割部运行状态参数，并提取采样时间内每一台掘进机截割部的运行状态样本数列，组成掘进机截割部运行状态特征矩阵，以该矩阵为基础进行基于聚类分析算法的多掘进机截割部运行状态类间相异性分析，得到分类结果的类矩阵，以类矩阵作为输入进行基于熵权法的多掘进机截割部运行状态类内相似性分析，提取类矩阵的类内相似特征，以提取的类内相似特征为相应类矩阵的特征标签，得到特征标签明确的分类结果。本发明应用于多掘进机井下自主掘进工作，达到一人监控多台掘进机运行的效果，具有高效、高安全性、低劳动强度的优点。

Description

一种多掘进机截割部运行状态分类方法
技术领域
本发明涉及煤矿设备智能化技术，尤其是涉及一种多掘进机截割部运行状态分类方法。
背景技术
随着智能矿山领域的不断发展，无人化或少人化的矿山运作机制以其具有的安全、高效、劳动强度低等特点成为矿山智能化的重点发展趋势。掘进机是进行煤矿井下巷道掘进工作的核心设备之一，也是煤矿设备智能化的重要研究对象。一座矿井下往往会有多台掘进机在不同巷道内进行掘进工作，各个掘进机的运行状态由操作人员控制，尤其是掘进机截割部需要根据其截割工况和运行状态进行频繁的操作调节，且巷道内闷热并充满扬尘，由于以上原因，煤矿井下巷道掘进工作具有劳动强度高、环境恶劣等特点。为了降低掘进工人的工作强度并提高掘进工作效率，多掘进机截割部运行状态由一人监视并控制是主要途径，也是实现无人化或少人化巷道掘进工作的发展趋势，而实现多掘进机截割部运行状态由一人监视并控制，就需要对多掘进机截割部运行状态进行分类，以提高控制效率。
发明内容
针对现有技术的不足，本发明提出了一种多掘进机截割部运行状态分类方法。首先，在掘进机上安装运行状态参数采集解算控制系统，利用该系统同时采集多台掘进机截割部运行状态参数信号，并提取采样时间内每一台掘进机截割部的运行状态样本数列，组成多掘进机截割部运行状态特征矩阵，其次，以该矩阵为基础进行基于聚类分析算法的多掘进机截割部运行状态类间相异性分析，得到分类结果的类矩阵，最后，以类矩阵为输入，进行基于熵权法的多掘进机截割部运行状态类内相似性分析，提取类矩阵的类内相似特征，以提取的类内相似特征为相应类矩阵的特征标签，将得到的特征标签作为分类结果。
为了实现上述目的，本发明采取的技术方案是：一种多掘进机截割部运行状态分类方法，采用聚类分析算法和熵权法对多掘进机截割部运行状态进行分类，具体有以下步骤：
T1：在掘进机上安装由传感器子系统和信号采集解算控制子系统组成的运行状态参数采集解算控制系统，所述传感器子系统分别采集采样时间内n台掘进机截割部运行状态参数信号，所述信号采集解算控制子系统接收所述n台掘进机截割部运行状态参数信号并进行解算。
T2：计算所述传感器子系统分别采集采样时间内n台掘进机截割部运行状态参数信号的均值，得到单台掘进机截割部的运行状态样本数列；进而得到同时作业的n台掘进机截割部的运行状态样本数列。
T3：将所述得到同时作业的n台掘进机截割部的运行状态样本数列组成掘进机截割部运行状态特征矩阵。
T4：以所述掘进机截割部运行状态特征矩阵为基础，进行基于所述聚类分析算法的n台掘进机截割部运行状态类间相异性分析，得到分类结果的类矩阵。
T5：以所述类矩阵为输入进行基于所述熵权法的n台掘进机截割部运行状态类内相似性分析，提取所述类矩阵的类内相似特征，以提取的所述类内相似特征为所述类矩阵的特征标签，将得到的特征标签作为所述多掘进机截割部运行状态的分类结果。
与现有技术相比，本发明具有以下优点：
（1）本发明可应用于多掘进机井下自主掘进工作场景，可达到一人监控多掘进机运行的效果，具有高效、高安全性、低劳动强度的优点，对推进煤矿设备智能化和矿山智能化采掘工作的进展具有重大意义。
（2）本方法可内置于掘进机操控系统，使掘进机具备自身运行状态参数采集和解算功能，提高了掘进机的自主化和智能化程度。
附图说明
图1为本发明实施例采用的一种悬臂式掘进机截割部运行状态参数采集解算控制系统原理图；
图2为本发明实施例的一种悬臂式掘进机截割部运行状态参数采集解算控制系统安装位置示意图；
图3是本发明实施例的一种多掘进机截割部运行状态分类方法流程图；
图4是图3中基于聚类分析算法的n台掘进机截割部运行状态类间相异性分析步骤流程图；
图5是图3中基于熵权法的n台掘进机截割部运行状态类内相似性分析步骤流程图。
图中：1-第二伸缩油缸；2-截割电机；3-第二油压传感器；4-第二升降油缸；5-第二回转油缸；6-第四油压传感器；7-第六油压传感器；8-电压传感器；9-电流传感器；10-电气系统；11-操控系统；12-信号采集板；13-数据解算板；14-电源板；15-主控单元；16-油温传感器；17-液压系统；18-第五油压传感器；19-第一回转油缸；20-第三油压传感器；21-第一升降油缸；22-第一油压传感器；23-第一伸缩油缸；24-截割部。
具体实施方式
下面结合附图和实施例对本发明作进一步说明：
如图1所示，本实施例采用的一种悬臂式掘进机截割部运行状态参数采集解算控制系统为业内公知技术，该系统包括传感器子系统和信号采集解算控制子系统，其中，传感器子系统包括电压传感器8、电流传感器9、第一油压传感器22、第二油压传感器3、第三油压传感器20、第四油压传感器6、第五油压传感器18、第六油压传感器7和油温传感器16。
信号采集解算控制子系统包括信号采集板12、数据解算板13、电源板14、主控单元15及相关线路。传感器子系统采集悬臂式掘进机截割部的运行状态参数信号，并传输至信号采集解算控制子系统进行解算。
如图2所示，图2是本实施例采用的一种悬臂式掘进机截割部运行状态参数采集解算控制系统的安装位置示意图。本实施例采用的悬臂式掘进机结构包括：截割部24、液压系统17、电气系统10、操控系统11，其中截割部24包括截割电机2、第一伸缩油缸23、第二伸缩油缸1、第一升降油缸21、第二升降油缸4、第一回转油缸19、第二回转油缸5。图中粗实线代表液压系统油路，图中粗虚线代表电气系统线缆。其中，液压系统17通过各油路控制各油缸的运动，电气系统10通过线缆为截割电机2供电。
如图3所示，本实施例的一种多掘进机截割部运行状态分类方法，采用聚类分析算法和熵权法对多掘进机截割部运行状态进行分类，具体有以下步骤：
T1：在掘进机上安装由传感器子系统和信号采集解算控制子系统组成的运行状态参数采集解算控制系统，由传感器子系统分别采集采样时间t内n台掘进机截割部运行状态参数信号，掘进机截割部运行状态参数信号包括掘进机截割部截割电机输入相电压信号、掘进机截割部截割电机输入相电流信号、油缸进油路油压信号、液压系统油温信号；由信号采集解算控制子系统接收n台掘进机截割部运行状态参数信号并进行解算。
将一种悬臂式掘进机截割部运行状态参数采集解算控制系统（见图1）安装在悬臂式掘进机的相应位置，如图2所示，本实施例具体安装位置如下：
传感器子系统的安装：将用于采集掘进机截割部输入电压的电压传感器8和用于采集掘进机截割部输入电流的电流传感器9分别安装于掘进机的电气系统10与截割电机2之间的线缆，将用于采集掘进机第一伸缩油缸23油压的第一油压传感器22安装于掘进机的液压系统17与第一伸缩油缸23之间的进油路，将用于采集掘进机第二伸缩油缸1油压的第二油压传感器3安装于掘进机的液压系统17与第二伸缩油缸1之间的进油路，将用于采集所述掘进机第一升降油缸21油压的第三油压传感器20安装于掘进机的液压系统17与第一升降油缸21之间的进油路，将用于采集掘进机的第二升降油缸4油压的第四油压传感器6安装于掘进机的液压系统17与第二升降油缸4之间的进油路，将用于采集掘进机第一回转油缸19油压的第五油压传感器18安装于掘进机的液压系统17与第一回转油缸19之间的进油路，将用于采集掘进机第二回转油缸5油压的第六油压传感器7安装于掘进机的液压系统17与第二回转油缸5之间的进油路，将用于采集掘进机液压系统17油温的油温传感器16安装于掘进机的液压系统17。
信号采集解算控制子系统的安装：将信号采集板12、数据解算板13、电源板14、主控单元15安装于掘进机的操控系统11。
由运行状态参数采集解算控制系统分别采集采样时间t内截割电机相电压信号U(t)、截割电机相电流信号I(t)、第一伸缩油缸油压信号Ps1(t)、第二伸缩油缸油压信号Ps2(t)、第一升降油缸油压信号Pu1(t)、第二升降油缸油压信号Pu2(t)、第一回转油缸油压信号Ph1(t)、第二回转油缸油压信号Ph2(t)、液压系统油温信号D(t)，并计算采样时间内截割电机输出功率信号W(t)，计算公式如下：
W(t)=3×U(t)×I(t)×cosφ
式中，cosφ表示截割电机2转子电路的功率因数，为与电机选型有关的参数。
T2：计算传感器子系统分别采集采样时间t内n台掘进机截割部运行状态参数信号的均值，得到单台掘进机截割部的运行状态样本数列；进而得到同时作业的n台掘进机截割部的运行状态样本数列。
计算各采集的运行状态参数信号的均值，其中采样时间t内截割电机输出功率信号均值记作为W0(t)、第一伸缩油缸油压信号均值记作为Ps10(t)、第二伸缩油缸油压信号均值记作为Ps20(t)、第一升降油缸油压信号均值记作为Pu10(t)、第二升降油缸油压信号均值记作为Pu20(t)、第一回转油缸油压信号均值记作为Ph10(t)、第二回转油缸油压信号均值记作为Ph20(t)、液压系统油温信号均值记作为D0(t)，得到单台掘进机截割部的运行状态样本数列：
。
T3：将得到同时作业的n台掘进机截割部的运行状态样本数列组成掘进机截割部运行状态特征矩阵。
根据步骤T1、步骤T2，本实施例计算得到同时作业的n台掘进机截割部运行状态特征矩阵A(n×8)，且A(n×8)中每一行代表一台掘进机截割部的运行状态样本数列，如下所示：
进一步简化标记，将A(n×8)记作如下：
。
T4：以掘进机截割部运行状态特征矩阵为基础，进行基于聚类分析算法的n台掘进机截割部运行状态类间相异性分析，得到分类结果的类矩阵。
以同时作业的n台掘进机截割部运行状态特征矩阵A(n×8)为基础，进行基于聚类分析算法的多掘进机截割部运行状态类间相异性分析，得到分类结果的类矩阵Cb(b=1,2,…,k)。
如图4所示，本实施例进行基于聚类分析算法的n台掘进机截割部运行状态类间相异性分析的具体步骤如下：
T4-1：在掘进机截割部运行状态特征矩阵A(n×8)中选取k个样本数列作为初始的类中心，记作mb，其中b=1,2,…,k。
T4-2：计算掘进机截割部运行状态特征矩阵中包含的每一个掘进机截割部的运行状态样本数列到k个样本数列的类中心的距离值，记作D(Md,mb)，计算公式如下：
式中，i=1,2,…,n。
T4-3：根据计算出的n个距离值D(Md,mb)，计算平方误差总和，平方误差总和为n个距离值D(Md,mb)的平方和。
平方误差总和E的计算公式如下：
。
T4-4：提取每个掘进机截割部的运行状态样本数列Md的最小的所述距离值D(Md,mb)和最小的所述距离值对应的所述类中心mb，并将每个掘进机截割部的运行状态样本数列Md归入最小的所述距离值D(Md,mb)对应的所述类中心mb相同的类中。
T4-5：遍历完所有样本数列Md之后，重新计算类中心mb，根据步骤T4-2重新计算距离值，根据步骤T4-3重新计算平方误差总和E。重新计算的类中心mb为类中心相同的类中所有样本数列中运行状态特征的均值组成的数列，计算公式如下：
式中，N代表第b类中样本数列的个数。
T4-6：将重新计算的平方误差总和与已经计算的所有平方误差总和进行比较，判断重新计算的平方误差总E是否为最小值，如果重新计算的平方误差总和E不为最小值，则返回步骤T4-4；如果重新计算的平方误差总和E为最小值，则将类中心相同类中的每个掘进机截割部的运行状态样本序列组成分类结果类矩阵Cb。
T5：以类矩阵Cb为输入进行基于熵权法的n台掘进机截割部运行状态类内相似性分析，提取类矩阵Cb类内相似特征，以提取的类内相似特征为类矩阵Cb的特征标签，将得到的特征标签作为多掘进机截割部运行状态的分类结果。
如图5所示，本实施例进行基于熵权法的n台掘进机截割部运行状态类内相似性分析的具体步骤如下：
T5-1：将类矩阵中的n个运行状态样本数列的所有运行状态特征进行归一化处理；
将k个类矩阵Cb中的n个运行状态样本数列的8×n个特征进行归一化处理，分别记作aij，其中i=1,2,…,n，j=1,2,…,8。
T5-2：计算经归一化处理的任意运行状态特征下，任意个运行状态样本数列占任意运行状态特征的权重。
例如：计算第j项运行状态特征下，第i个运行状态样本数列占该运行状态特征的权重，记为P ij， 计算公式如下：
。
T5-3：以任意个运行状态样本数列占任意运行状态特征的权重为基础，计算任意运行状态特征的熵值。
例如：计算第j项运行状态特征的熵值ej，计算公式如下：
。
T5-4：以任意运行状态特征的熵值为基础，计算k个类矩阵Cb中的n个运行状态样本数列的所有运行状态特征的权值。
计算各项运行状态特征的权值wj，计算公式如下：
；式中：e ij 为第i个运行状态样本数列中第j项运行状态的熵值。
T5-5：在n个运行状态样本数列的所有运行状态特征的权值中提取权值最大的运行状态特征作为类矩阵的类内相似特征，并以权值最大的运行状态特征作为类矩阵的特征标签，最终将得到的特征标签作为多掘进机截割部运行状态的分类结果。
提取权值最大的运行状态特征作为类矩阵Cb的类内相似特征，并以该运行状态特征作为类矩阵Cb的特征标签，最终将得到的特征标签作为多掘进机截割部运行状态分类结果。
发明设计原理：本方法将悬臂式掘进机截割部运行状态参数采集解算控制系统的传感器子系统安装于掘进机的线路和油路，将悬臂式掘进机截割部运行状态参数采集解算控制系统的信号采集解算控制子系统安装于掘进机操控系统；将多掘进机截割部运行状态分类方法作为算法内置于悬臂式掘进机截割部运行状态参数采集解算控制系统的信号采集解算控制子系统，信号采集解算控制子系统以多掘进机截割部运行状态分类方法为基础进行信号的解算；由悬臂式掘进机截割部运行状态参数采集解算控制系统的传感器子系统采集悬臂式掘进机截割部运行状态参数信号，并传输至悬臂式掘进机截割部运行状态参数采集解算控制系统的信号采集解算控制子系统；信号采集解算控制子系统将悬臂式掘进机截割部运行状态参数信号组成悬臂式掘进机截割部运行状态特征矩阵；悬臂式掘进机截割部运行状态特征矩阵经过信号采集解算控制子系统内的多掘进机截割部运行状态分类方法的解算，将输出的特征标签作为多掘进机截割部运行状态分类结果。

Claims (4)

1.一种多掘进机截割部运行状态分类方法，其特征在于，采用聚类分析算法和熵权法对多掘进机截割部运行状态进行分类，具体有以下步骤：
T1：在掘进机上安装由传感器子系统和信号采集解算控制子系统组成的运行状态参数采集解算控制系统，所述传感器子系统分别采集采样时间内n台掘进机截割部运行状态参数信号，所述信号采集解算控制子系统接收所述n台掘进机截割部运行状态参数信号并进行解算；
T2：计算所述传感器子系统分别采集采样时间内n台掘进机截割部运行状态参数信号的均值，得到单台掘进机截割部的运行状态样本数列；进而得到同时作业的n台掘进机截割部的运行状态样本数列；
T3：将所述得到同时作业的n台掘进机截割部的运行状态样本数列组成掘进机截割部运行状态特征矩阵；
T4：以所述掘进机截割部运行状态特征矩阵为基础，进行基于所述聚类分析算法的n台掘进机截割部运行状态类间相异性分析，得到分类结果类矩阵；
T5：以所述类矩阵为输入，进行基于所述熵权法的n台掘进机截割部运行状态类内相似性分析，提取所述类矩阵的类内相似特征，以提取的所述类内相似特征为所述类矩阵的特征标签，将得到的特征标签作为所述多掘进机截割部运行状态的分类结果。
2.根据权利要求1所述的一种多掘进机截割部运行状态分类方法，其特征在于，在步骤T4中，进行基于所述聚类分析算法的n台掘进机截割部运行状态类间相异性分析有以下步骤：
T4-1：在所述掘进机截割部运行状态特征矩阵中选取k个样本数列作为初始的类中心；
T4-2：计算所述掘进机截割部运行状态特征矩阵中包含的每一个掘进机截割部的运行状态样本数列到所述k个样本数列的类中心的距离值；
T4-3：根据计算出的n个所述距离值，计算平方误差总和，所述平方误差总和为n个所述距离值的平方和；
T4-4：提取每个所述掘进机截割部的运行状态样本数列的最小的所述距离值和最小的所述距离值对应的所述类中心，并将每个所述掘进机截割部的运行状态样本数列归入最小的所述距离值对应的所述类中心相同的类中；
T4-5：重新计算类中心，根据步骤T4-2重新计算距离值，根据步骤T4-3重新计算平方误差总和E；所述重新计算的类中心为所述类中心相同的类中所有运行样本数列中运行状态特征的均值组成的数列；
T4-6：将所述重新计算的平方误差总和与已经计算的所有平方误差总和进行比较，判断重新计算的平方误差总E是否为最小值，如果重新计算的平方误差总和E不为最小值，则返回步骤T4-4；如果所述重新计算的平方误差总和E为最小值，则将所述类中心相同类中的每个所述掘进机截割部的运行状态样本序列组成分类结果类矩阵。
3.根据权利要求1所述的一种多掘进机截割部运行状态分类方法，其特征在于，在步骤T5中，进行基于所述熵权法的n台掘进机截割部运行状态类内相似性分析有以下步骤：
T5-1：将所述类矩阵中的n个运行状态样本数列的所有运行状态特征进行归一化处理；
T5-2：计算经归一化处理的任意运行状态特征下，任意个运行状态样本数列占所述任意运行状态特征的权重；
T5-3：以所述任意个运行状态样本数列占所述任意运行状态特征的权重为基础，计算任意运行状态特征的熵值；
T5-4：以所述任意运行状态特征的熵值为基础，计算所述分类结果矩阵中的n个运行状态样本数列的所有运行状态特征的权值；
T5-5：在所述n个运行状态样本数列的所有运行状态特征的权值中提取权值最大的运行状态特征作为所述类矩阵的类内相似特征，并以所述权值最大的运行状态特征作为所述类矩阵的特征标签，最终将得到的特征标签作为所述多掘进机截割部运行状态的分类结果。
4.根据权利要求1所述的一种多掘进机截割部运行状态分类方法，其特征在于，在步骤T1中，所述在掘进机上安装由传感器子系统和信号采集解算控制子系统组成的运行状态参数采集解算控制系统，具体安装位置如下：
所述传感器子系统的安装：将用于采集所述掘进机截割部输入电压的电压传感器（8）和用于采集掘进机截割部输入电流的电流传感器（9）分别安装于掘进机的电气系统（10）与截割电机（2）之间的线缆，将用于采集掘进机第一伸缩油缸（23）油压的第一油压传感器（22）安装于掘进机的液压系统（17）与所述第一伸缩油缸（23）之间的进油路，将用于采集掘进机第二伸缩油缸（1）油压的第二油压传感器（3）安装于所述液压系统（17）与所述第二伸缩油缸（1）之间的进油路，将用于采集掘进机第一升降油缸（21）油压的第三油压传感器（20）安装于所述液压系统（17）与所述第一升降油缸（21）之间的进油路，将用于采集第二升降油缸（4）油压的第四油压传感器（6）安装于所述液压系统（17）与所述第二升降油缸（4）之间的进油路，将用于采集掘进机第一回转油缸（19）油压的第五油压传感器（18）安装于所述液压系统（17）与所述第一回转油缸（19）之间的进油路，将用于采集掘进机第二回转油缸（5）油压的第六油压传感器（7）安装于所述液压系统（17）与所述第二回转油缸（5）之间的进油路，将用于采集掘进机液压系统（17）油温的油温传感器（16）安装于所述掘进机液压系统（17）；
所述信号采集解算控制子系统的安装：将信号采集板（12）、数据解算板（13）、电源板（14）、主控单元（15）安装于掘进机的操控系统（11）。
CN202311223701.7A 2023-09-21 2023-09-21 一种多掘进机截割部运行状态分类方法 Active CN116956165B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311223701.7A CN116956165B (zh) 2023-09-21 2023-09-21 一种多掘进机截割部运行状态分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311223701.7A CN116956165B (zh) 2023-09-21 2023-09-21 一种多掘进机截割部运行状态分类方法

Publications (2)

Publication Number Publication Date
CN116956165A CN116956165A (zh) 2023-10-27
CN116956165B true CN116956165B (zh) 2023-12-15

Family

ID=88449732

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311223701.7A Active CN116956165B (zh) 2023-09-21 2023-09-21 一种多掘进机截割部运行状态分类方法

Country Status (1)

Country Link
CN (1) CN116956165B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203965033U (zh) * 2013-12-03 2014-11-26 内蒙古北方重工业集团有限公司 一种悬臂式掘进机主轴振动运行状态监测装置
KR20190061302A (ko) * 2017-11-27 2019-06-05 인하대학교 산학협력단 쉴드 tbm의 실굴진속도 예측 장치 및 그 방법
CN111367232A (zh) * 2020-04-15 2020-07-03 三一智矿科技有限公司 掘进机状态监控装置及系统
CN115628930A (zh) * 2022-12-16 2023-01-20 太原理工大学 一种基于rbf神经网络的掘进机井下截割工况预测方法
CN115788477A (zh) * 2023-02-06 2023-03-14 太原理工大学 掘进机自适应截割控制系统及方法
CN116049705A (zh) * 2023-01-09 2023-05-02 国网湖南省电力有限公司 基于聚类分析的电力系统用户负荷特性聚类方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203965033U (zh) * 2013-12-03 2014-11-26 内蒙古北方重工业集团有限公司 一种悬臂式掘进机主轴振动运行状态监测装置
KR20190061302A (ko) * 2017-11-27 2019-06-05 인하대학교 산학협력단 쉴드 tbm의 실굴진속도 예측 장치 및 그 방법
CN111367232A (zh) * 2020-04-15 2020-07-03 三一智矿科技有限公司 掘进机状态监控装置及系统
CN115628930A (zh) * 2022-12-16 2023-01-20 太原理工大学 一种基于rbf神经网络的掘进机井下截割工况预测方法
CN116049705A (zh) * 2023-01-09 2023-05-02 国网湖南省电力有限公司 基于聚类分析的电力系统用户负荷特性聚类方法及系统
CN115788477A (zh) * 2023-02-06 2023-03-14 太原理工大学 掘进机自适应截割控制系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于组合赋权法的采煤机健康状态评估方法研究";曹现刚 等;《煤炭科学技术》;第48卷(第6期);第135-141页 *

Also Published As

Publication number Publication date
CN116956165A (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN110795510B (zh) 基于高维数据关联挖掘的航天器系统健康状态评估方法
CN110659207B (zh) 基于核谱映射迁移集成的异构跨项目软件缺陷预测方法
CN109612513B (zh) 一种面向大规模高维传感器数据的在线式异常检测方法
CN105631596A (zh) 一种基于多维分段拟合的设备故障诊断方法
CN110321940B (zh) 飞行器遥测数据特征提取与分级分类方法及装置
CN112462736B (zh) 一种基于数据分析的风电机组故障诊断方法
CN108857577B (zh) 刀具磨损状态监控方法及设备
CN114997276B (zh) 一种面向压制成型设备的异构多源时序数据异常识别方法
CN116956165B (zh) 一种多掘进机截割部运行状态分类方法
CN104966161A (zh) 一种基于高斯混合模型的电能质量录波数据计算分析方法
CN113431635B (zh) 半监督的盾构隧道掌子面地质类型预估方法及系统
CN114897007B (zh) 一种复合信息分层卷积神经网络的钻机健康状况评估方法
CN115828170B (zh) 一种基于掘进机电控数据的故障检测方法
CN117273489A (zh) 光伏状态评估方法及装置
CN112529678A (zh) 一种基于自监督判别式网络的金融指数时序异常检测方法
CN108827671A (zh) 一种机械设备故障诊断方法
CN117252086A (zh) 一种盾构机刀盘健康评估与退化预测方法、系统及设备
CN111275101A (zh) 一种飞机液压系统故障识别方法，设备及可读存储介质
CN109236292B (zh) 一种掘进机截割轨迹规划方法
KR102509699B1 (ko) 사운드 기반 다중 기기 운영 모니터링 방법과 이를 위한 시스템
Oliveira et al. Anomaly detection in cyber-physical systems: Reconstruction of a prediction error feature space
CN103679703A (zh) 一种基于共形几何代数的高光谱遥感影像降维方法
De Santis et al. A statistical framework for labeling unlabelled data: a case study on anomaly detection in pressurization systems for high-speed railway trains
CN114778969B (zh) 一种基于RBF-Elman神经网络的整流器故障诊断方法
CN113255771B (zh) 基于多维异构差异分析的故障诊断方法及系统

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