- 潘晓博;葛鲲鹏;董飞;
针对提升机复杂实际工况导致的现有故障诊断方法准确率低和适应性弱的问题，提出了一种基于深度迁移特征选取（DTF）与平衡分布自适应（BDA）的提升机轴承智能故障诊断方法。对不同工况下的轴承故障信号进行时频分析，提取时域、频域统计特征，采用深度置信网络进行高维深度特征提取。为从高维深度特征集中选取出既有利于故障模式识别，也有利于跨域故障诊断的特征，采用基于ReliefF与域间差异的迁移特征选取（TFRD）方法对各特征的可迁移性进行量化评估，利用TFRD方法对各特征进行类别区分度和域不变性量化评估，采用ReliefF算法处理各类特征数据，获得表征类别区分度的权重值；计算同一特征在不同域间的最大均值差异，构建一种新的特征可迁移性量化指标。基于TFRD方法，选取特征可迁移性大的深度特征构建特征子集，利用BDA对源域和目标域的特征子集进行分布适应，降低两者间的分布差异。采用源域特征集训练故障模式识别分类器，对目标域样本进行故障识别与分类。采用经典机器学习方法、深度学习方法和迁移学习方法构建了8种故障诊断模型，用于与提出的DTF-BDA故障诊断模型进行故障诊断准确率对比。结果表明：(1) DTF-BDA故障诊断模型能够取得明显优于其他对比模型的性能，最高故障诊断准确率可达100%。(2) TFRD方法能有效提高基于迁移学习方法构建的故障诊断模型的性能，与迁移成分分析和联合分布自适应相结合情况下的最高故障诊断准确率分别可达96.46%和97.67%。
2022年09期 v.48;No.318 1-7+32页 [查看摘要][在线阅读][下载 984K] [下载次数：1353 ] |[网刊下载次数：0 ] |[引用频次：15 ] |[阅读次数：78 ] - 徐世昌;程刚;袁敦鹏;孙旭;金祖进;李勇;
输送带跑偏和堆煤是煤矿带式输送机常见故障。传统的接触式输送带跑偏或堆煤检测方法在耐用性、灵敏度、可靠性等方面无法满足煤矿安全生产要求，而基于图像处理方法的检测效果受图像颜色信息影响较大，易产生误识别问题。提出了一种基于三维点云的带式输送机跑偏及堆煤监测方法，采用线激光双目相机采集输送带表面的三维点云数据，通过分析处理点云数据对输送带跑偏和堆煤进行实时监测。在输送带跑偏监测方面，采用欧氏聚类和随机采样一致性算法滤除多余点云数据，提取输送带边沿数据点，并采用均中心表征值表征输送带跑偏程度，以减小输送带宽度方向形状变化对监测的影响。在堆煤监测方面，通过处理点云数据得到煤流等效高度来表征煤流高度和宽度信息，实时评估堆煤程度。搭建了带式输送机跑偏及堆煤监测系统试验台，试验结果表明：输送带速度为0.5～3.0 m/s时，输送带边沿点检测误差为-2.84～1.26 mm，最大误差仅为2.84 mm，说明该系统能可靠实现跑偏故障监测功能，并能准确预测跑偏趋势；在输送带上堆积煤炭样本（质量为14～41 kg，以1 kg为增量），当煤炭质量在14～24 kg及28～41 kg范围内，堆煤检测结果均正确，在25～27 kg范围内存在检测错误情况，原因是该范围内煤炭样本质量较接近触发堆煤报警的临界值27.6 kg。
2022年09期 v.48;No.318 8-15+24页 [查看摘要][在线阅读][下载 1985K] [下载次数：384 ] |[网刊下载次数：0 ] |[引用频次：15 ] |[阅读次数：58 ] - 游磊;朱兴林;陈雨;罗明华;
针对现有输送带撕裂检测方法存在井下可见光成像质量差、缺少撕裂物理尺寸测量手段、泛化能力差等问题，提出了一种基于全卷积神经网络的输送带撕裂检测方法。该方法基于线结构光成像原理采集图像，可有效解决煤矿井下光照条件差的问题；采用改进最大值法进行线激光条纹检测，可有效排除条纹断点，精确提取条纹，并拟合出缺失点；选用全卷积神经网络中的U-net网络对线激光条纹进行撕裂分割，将撕裂检测问题转换成语义分割问题，并通过降维对U-net网络进行优化，从而减少参数量和计算量；将分割结果反投影回原始图像，利用线结构光标定数据完成撕裂物理尺寸测量。实验结果表明：改进最大值法可有效处理线激光条纹断点区域，无误检和漏检，性能优于Steger法和灰度重心法；U-net网络收敛速度快于SegNet和FCNs网络，迭代的稳定性较强，评价指标最优，U-net4网络性能优于U-net3和U-net5。在验证集上的检测结果表明，撕裂检测的召回率为96.09%，精确率为96.85%。在实验平台的测量结果表明，撕裂物理尺寸测量的最大相对误差为-13.04%。
2022年09期 v.48;No.318 16-24页 [查看摘要][在线阅读][下载 1606K] [下载次数：335 ] |[网刊下载次数：0 ] |[引用频次：2 ] |[阅读次数：48 ] - 吴文臻;程继明;李标;
现有矿用带式输送机托辊故障诊断方法一般是对托辊信号进行分解并转换至频域，从频域提取特征进行故障诊断，而常用的信号小波分解和经验模态分解方法存在小波基选择困难、易出现频谱混叠和端点效应的问题，导致故障诊断准确率较低。针对上述问题，提出了一种基于变分模态分解（VMD）-BP神经网络的矿用带式输送机托辊音频故障诊断方法。首先通过音频传感器采集矿用带式输送机沿线托辊的音频信号，并对音频信号进行预处理，以抑制音频信息中的噪声信号；然后采用VMD将音频信号按照中心频率分解成不同的IMF（本征模态函数）分量，提取各个IMF分量的峭度、重心频率、频率标准差等特征值；最后将特征值输入到已经训练好的BP神经网络，根据IMF分量特征值的差异，可以实现通过音频对矿用带式输送机托辊故障进行诊断，并可根据音频信号对应的传感器编号确定出故障托辊位置。以某煤矿实际采集的带式输送机托辊音频信息对基于VMD-BP神经网络的矿用带式输送机托辊音频故障诊断方法进行分析验证，结果表明：该方法在分解、提取音频信号特征时，可以避免分解过程中的频谱混叠与端点效应，总体故障诊断准确率达到96.15%，与采用BP神经网络的故障诊断方法和基于小波分解与BP神经网络的故障诊断方法相比分别提高了26.92%,15.38%，同时误检率也明显降低。
2022年09期 v.48;No.318 25-32页 [查看摘要][在线阅读][下载 1635K] [下载次数：445 ] |[网刊下载次数：0 ] |[引用频次：26 ] |[阅读次数：35 ] - 李曼;潘楠楠;段雍;曹现刚;
煤矿设备监测参数为时间序列数据，其时序特征对健康评估的影响较大。针对传统机械设备健康评估中存在的信号时空特性提取不完备、人为经验依赖程度高、设备早期状态变化评估难等问题，建立了基于二维数组的长短期记忆降噪卷积自编码器（2D-LSTMDCAE）模型，并提出了基于2D-LSTMDCAE的煤矿旋转机械健康指标（HI）构建及状态评估方法。将一维振动数据转换为二维数组，通过二维卷积网络模型充分学习原始数据中所包含的信息，增强模型对数据特征的学习能力；将样本并行输入卷积和长短期记忆（LSTM）单元，以获取完备的信号时空特征；构建无监督学习的降噪卷积自编码器（DCAE）模型并进行样本重构，采用Bray-Curtis距离计算原始样本与重构样本间相似度，得到HI，解决设备运行过程中状态标签难以获取的问题，提升模型在强背景噪声中的适应能力。使用XJTU-SY轴承数据集验证2D-LSTMDCAE模型的特征学习能力，并采用相关性和单调性2个指标评价基于HI的状态评估方法，测试结果表明：二维输入样本构建方法及学习数据时序特征的HI构建方法对轴承的性能退化更敏感，2D-LSTMDCAE模型能够更早地检测到设备的早期故障，在测试轴承上相比于LSTMDCAE和DCAE模型构建的HI及均方根平均提前了约7 min；与LSTMDCAE和DCAE模型构建的HI、均方根相比，2D-LSTMDCAE模型构建的HI的相关性和单调性均较高，能更好地反映轴承的退化情况。采用减速器加速退化实验数据进行健康评估实验，在测试减速器上，相比于均方根指标，通过2D-LSTMDCAE模型构建的HI能够提前8 min发现早期故障，且HI相关性提高了0.007，单调性提高了0.211，能够更好地反映减速器的退化情况。
2022年09期 v.48;No.318 33-41页 [查看摘要][在线阅读][下载 1817K] [下载次数：445 ] |[网刊下载次数：0 ] |[引用频次：6 ] |[阅读次数：30 ] - 杜菲;马天兵;胡伟康;吕英辉;彭猛;
现有刚性罐道故障诊断方法有的仅适用于小样本数据集，有的虽适用于大样本数据集，但忽略了实际工作环境中的多工况背景。基于卷积神经网络的刚性罐道故障诊断方法存在数据和运算量庞大，易产生过拟合等问题。针对上述问题，提出了一种基于小波变换和改进卷积神经网络的刚性罐道故障诊断方法。首先，在刚性罐道设置错位与间隙2种缺陷，采集多工况下提升容器振动加速度信号。其次，利用小波变换将采集的振动加速度信号转换为二维时频图像，采用试凑法最终确定经Complex Morlet小波基函数处理后的二维时频图像的时间和频率分辨率最佳。然后，通过改进卷积神经网络模型结构，即保留第1层和第5层池化层，将第2,3,4层池化层替换为小尺度卷积层，以防止过拟合现象。最后，将二维时频图像输入改进后的卷积神经网络模型。实验结果表明:(1)改进模型经过训练后，在训练集上的平均准确率为99%左右，在测试集上的平均准确率为99.5%。(2)当数据训练至200步后，改进模型的准确率达99%以上，改进模型的损失函数值趋近于0，说明改进模型收敛性能较好，模型的泛化能力得到了增强，在学习过程中对于过拟合的抑制效果明显。(3)在验证集混淆矩阵上，间隙缺陷和错位缺陷识别准确率为100%，无缺陷识别准确率为92%。(4)与EMD-SVD-SVM、小波包-SVM、EMD-SVD-BP神经网络、小波包-BP神经网络相比，基于小波变换和改进卷积神经网络的刚性罐道故障诊断方法准确率达99%。
2022年09期 v.48;No.318 42-48+62页 [查看摘要][在线阅读][下载 2166K] [下载次数：623 ] |[网刊下载次数：0 ] |[引用频次：12 ] |[阅读次数：37 ] - 吴冬梅;王福齐;李贤功;唐润;张新建;
轴承振动信号作为一种时间序列数据，其时间维度特征在分类中起着关键作用，单独使用卷积神经网络（CNN）进行轴承故障诊断会造成时间维度信息的丢失，导致诊断精度下降。针对上述问题，提出了一种结合一维CNN、双向门控循环单元（Bi GRU）和注意力机制的轴承故障诊断模型。首先利用CNN自适应提取一维振动信号局部空间特征；然后将该特征信息作为Bi GRU的输入，利用Bi GRU将提取的特征信息进行时间维度的融合，并引入注意力机制对多个时刻的特征信息进行加权，提取出更关键的故障特征；最后将故障特征输入全连接层得到分类结果，实现轴承智能故障诊断。实验结果表明：(1)在测试集混淆矩阵上，轴承运行状态基本分类正确，只有部分标记类型没有被完全分类正确，但是召回率达到了95%以上，总的故障识别准确率为99.3%。(2)利用t-SNE技术对降维处理后的数据进行可视化，轴承各运行状态的数据很好地聚集在各自的空间内，只有少量数据被混杂到其他区域，说明该模型具有较强的特征提取能力。(3)在恒定负载情况下，该模型故障诊断准确率较一维CNN、Bi GRU和注意力CNN等模型的平均准确率分别提高了0.8%、0.6%和0.3%。(4)在变负载情况下，与SVM（支持向量机）、一维CNN、Bi GRU和注意力CNN等模型相比，该模型具有更好的稳定性，当负载为2.25 kW时，准确率达85%以上。该模型既具有一维CNN局部特征提取能力，又具有Bi GRU时间依赖信息的建模能力，能够在获取轴承信号局部复杂特征后进一步融入特征之间的时间维度信息，同时注意力机制能进一步关注与故障更相关特征，因此具有较好的精度。
2022年09期 v.48;No.318 49-55页 [查看摘要][在线阅读][下载 1408K] [下载次数：481 ] |[网刊下载次数：0 ] |[引用频次：3 ] |[阅读次数：52 ] - 史志远;滕虎;马驰;
基于机器学习的行星齿轮箱故障诊断方法依赖人工选择特征向量，而特征向量选择的优劣很大程度上决定了诊断方法的准确率。卷积神经网络（CNN）能自动提取特征，但用于行星齿轮箱故障诊断时难以通过单一振动信号对故障做出精确诊断。针对上述问题，提出了一种基于多信息融合和CNN的行星齿轮箱故障诊断方法。对行星齿轮箱的三向（水平径向、垂直径向与轴向）振动信号和声音信号进行数据层融合，将一维的振动信号和声音信号通过并联方式整合为一个二维信号；将二维信号作为CNN的输入，利用多个卷积层和最大池化层进行深度特征提取和信息过滤，最终通过Softmax分类器实现故障分类。搭建了行星齿轮箱故障诊断实验台，采集不同转速和负载工况下行星齿轮箱正常和故障状态的振动信号和声音信号，并输入CNN中进行训练和验证。在相同条件下选取水平径向振动信号、垂直径向振动信号、轴向振动信号、声音信号4种单源信息分别与CNN相结合的方法进行对比，以验证基于多信息融合和CNN的行星齿轮箱故障诊断方法的优越性，实验结果表明：轴向振动信号+CNN和声音信号+CNN 2种方法的故障识别准确率分别为74.07%和75.13%；水平径向振动信号+CNN和垂直径向振动信号+CNN 2种方法的故障识别准确率分别为89.70%和87.09%；基于多信息融合和CNN方法的收敛速度最快，故障识别准确率最高，为93.33%。
2022年09期 v.48;No.318 56-62页 [查看摘要][在线阅读][下载 1546K] [下载次数：720 ] |[网刊下载次数：0 ] |[引用频次：19 ] |[阅读次数：39 ] - 姜家国;郭曼利;
基于模型和基于信号处理与分析的滚动轴承故障诊断方法存在建模困难、信号特征难以提取等问题；基于浅层机器学习的滚动轴承故障诊断方法对复杂数据的特征学习能力有限；基于深度学习的滚动轴承故障诊断方法多采用卷积神经网络，但随着网络深度加深会出现梯度弥散或消失的问题，且直接将滚动轴承振动信号转换成一维或二维图像作为网络输入会无法保留信号间的时间相关性，导致信号信息丢失。针对上述问题，提出了一种基于马尔可夫变迁场（MTF）和密集连接卷积网络（DenseNet）的滚动轴承故障诊断方法。将滚动轴承振动信号通过MTF编码后生成二维图像，保留了信号的时序信息和状态迁移信息；将二维图像作为DenseNet的输入，通过DenseNet对滚动轴承振动信号故障特征进行提取，增强了特征信息传播，使特征信息得到充分利用，进而实现故障分类识别。采用凯斯西储大学轴承数据集上的数据进行试验，结果表明，该方法能有效识别滚动轴承故障类型，故障诊断准确率达99.5%。为进一步验证该方法在电动机载荷发生变化情况下的故障诊断能力及优越性，选取灰度图、包络谱图、倒频谱图和MTF生成图4种网络输入图像分别与Inception,ResNet,DenseNet 3种网络相结合的方法进行对比试验，结果表明：不同方法的故障诊断准确率均在电动机载荷不变时高于电动机载荷变化时；MTF+DenseNet方法故障诊断准确率高于其他方法，在电动机载荷发生变化的情况下仍具有较高的故障诊断准确率，平均值为94.53%，泛化性能较好。
2022年09期 v.48;No.318 63-68页 [查看摘要][在线阅读][下载 829K] [下载次数：873 ] |[网刊下载次数：0 ] |[引用频次：19 ] |[阅读次数：31 ] - 乔佳伟;田慕琴;
针对离心泵叶轮磨损问题，现有研究大都集中在对叶轮磨损的数值仿真分析、振动信号分析和磨损量检测上，很少对叶轮磨损下的离心泵工况参数进行研究。针对该问题，提出了一种基于层次分析法（AHP）和优劣解距离法（TOPSIS）综合评价的离心泵健康状态评估方法。首先根据离心泵的运行条件，结合离心泵的性能要求，确定了表征离心泵健康状态的工况参数（流量、扬程、效率、轴功率）；然后以叶轮外径和比转数大小作为工况参数评价指标，利用AHP和超传递近似法确定各工况参数对离心泵健康状态的权重值；最后利用TOPSIS综合评价法评估离心泵工况参数，通过加权求和方式得到离心泵的健康状态评分，实现对离心泵的健康状态评估。以IS-100-80-125型单级离心泵为研究对象，将叶轮外径由125 mm磨损至87 mm，得到离心泵不同叶轮外径下的工况参数，利用AHP-TOPSIS综合评价法评估离心泵各工况参数和健康状态，结果表明：离心泵的叶轮磨损量和离心泵健康状态呈线性关系，随着叶轮磨损量的不断增加，离心泵排水能力不断降低，评估结果符合离心泵实际情况，证明了该方法的合理性和可行性。
2022年09期 v.48;No.318 69-76页 [查看摘要][在线阅读][下载 1055K] [下载次数：481 ] |[网刊下载次数：0 ] |[引用频次：9 ] |[阅读次数：45 ] - 史晓娟;姚兵;顾华北;
矿井排水系统不断向自动化、智能化方向发展，系统结构和功能越来越复杂，单一部件的功能异常和故障问题可能会造成整个系统故障。针对现有矿井排水系统故障诊断方法实施难度较大、未考虑系统的整体性、故障诊断效率低等问题，提出一种基于模糊贝叶斯网络的矿井排水系统故障诊断方法。首先，利用故障树分析法将系统的故障原因逐层分解细化，找出系统故障的根本原因。其次，将故障树中的事件转换为贝叶斯网络的节点，逻辑门转换为贝叶斯网络的有向边及条件概率，根据故障树与贝叶斯网络之间的映射关系构建贝叶斯网络。然后，将模糊集合理论引入贝叶斯网络中，通过专家评估确定故障与征兆间的关联强度，经三角模糊数模糊化、均值化、去模糊化处理，得到模糊贝叶斯网络的条件概率。最后，根据先验概率和条件概率，利用模糊贝叶斯网络判断各根节点的故障概率。利用Genie3.0仿真软件建立模糊贝叶斯网络并进行推理分析和诊断测试，结果表明，该方法对各故障征兆的诊断准确率均在80%以上，平均准确率为82.7%。该方法不仅能确定故障源的具体位置和具体部件，还能找出矿井排水系统的薄弱点，排除潜在故障，提升系统的可靠性与安全性。
2022年09期 v.48;No.318 77-83页 [查看摘要][在线阅读][下载 909K] [下载次数：974 ] |[网刊下载次数：0 ] |[引用频次：18 ] |[阅读次数：44 ] - 刘宁;辛嵩;贺敏;陈秋艳;
针对目前液压支架裂纹检测方法操作繁琐的问题，提出了一种基于地磁场激励的液压支架顶梁裂纹弱磁无损检测方法。首先运用COMSOL Multiphysics仿真软件对液压支架顶梁裂纹处的应力场进行分析，然后基于弱磁无损检测原理，在仿真空间内加载地磁场，得到顶梁含裂纹缺陷材料磁化后与地磁场形成的叠加场，对该叠加场进行分析。结果表明：(1)在液压支架顶梁缺陷处有应力集中现象，且越靠下应力越大，裂纹由表及里向两侧拓展，及时发现表面裂纹可有效减小顶梁失效风险。(2)当裂纹缺陷的长度与深度固定时，不同宽度裂纹的磁通密度模曲线的波谷与波峰的水平间距和波峰值随宽度的增加而增大，波谷值随宽度的增加而先减小后增大。磁通密度模变化的幅值随裂纹宽度的增加而增大，磁通密度模相邻最大谷峰差的变化率随宽度的增加而减小。磁通密度的变化幅值与裂纹宽度的变化呈正相关。(3)当裂纹缺陷的长度与宽度固定时，不同深度裂纹的磁通密度模曲线的波谷值差异较小，左侧波峰值随宽度的增加而增大，右侧波峰值随宽度的增加而减小。随着裂纹深度的增加，磁通密度模的变化幅值增大，磁通密度模相邻最大谷峰差的变化率几乎不变。磁通密度的变化幅值与裂纹深度的变化呈正相关。相较于裂纹的深度变化，磁通密度对裂纹的宽度变化更为敏感。(4)当裂纹缺陷的长度、宽度与深度固定时，改变裂纹的走向并不影响对裂纹缺陷处的判断。
2022年09期 v.48;No.318 84-91+133页 [查看摘要][在线阅读][下载 3441K] [下载次数：172 ] |[网刊下载次数：0 ] |[引用频次：4 ] |[阅读次数：31 ]