一种采煤机煤岩截割介质高效识别和机械故障精确诊断方法技术

发明专利技术提供一种采煤机煤岩截割介质高效识别和机械故障精确诊断方法。构建了采煤机振动信号判别函数模型，并实现对截割介质型振动信号高维特征集和机械故障型振动信号高维特征集进行高效区分。创建了采煤机振动信号图嵌入模型，有效解决采煤机振动信号体量大、特征散、数据冗余等问题。并实现对采煤机振动信号高效快速降维，提高了煤岩介质识别和故障诊断的效率和准确率。率和准确率。率和准确率。

【技术实现步骤摘要】
一种采煤机煤岩截割介质高效识别和机械故障精确诊断方法


[0001]本专利技术涉及煤炭智能安全开采
，特别涉及一种采煤机煤岩截割介质高效识别和机械故障精确诊断方法。

技术介绍

[0002]采煤机作为综合机械化采煤工作面的关键设备之一，实现其智能化、无人化开采是采煤机研发的重要趋势。同时，其连续、安全、可靠地运行是实现煤炭高产高效的重要保障。煤岩截割介质识别技术是实现采煤机智能化和无人化开采的基础，与此同时，对采煤机进行机械故障预测诊断能有效减少采煤机故障停机率。
[0003]采煤机工作过程中因为传动系统转动、煤岩截割介质改变、机械故障等原因会形成多源的振动信号。其中，传动系统转动引起的振动为正常工作振动，截割介质变化和机械故障引起的振动是超出许用振动范围的异常振动。现有研究表明，截割不同的煤岩介质对应着不同的振动特性，采煤机的故障类别和振动信号特征存在一定的规律性，通过对采煤机振动信号进行处理和溯源分析能够得到采煤机的工作状态和设备健康状态，是实现煤岩截割介质识别和机械故障诊断的重要手段。然而，目前针对采煤机多源振动信号煤岩截割识别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种采煤机煤岩截割介质高效识别和机械故障精确诊断方法，其特征在于，包括以下步骤：1)在调试阶段，采集采煤机在当前综采工作面不同截割速度和不同截割位置所对应的空载振动信号分布，并进行滤波和时频域特征提取；其中，提取的时频域特征指标包括通频幅值X
ppv
、均方值有效值X
rms
、峭度指标K
v
和脉冲指标I；根据不同截割速度和不同截割位置对振动信号特征指标进行标记，构建由初始空载振动信号判别特征向量所组成的振动信号判别特征矩阵E；2)截割煤岩作业阶段，实时采集负载振动信号并进行滤波和时频域特征提取；进行标记，构建当前工况负载振动信号判别特征向量当中任意一项振动信号特征指标大于等于分析阈值P中对应特征指标时，判定监测振动信号为异常振动信号，响应启动步骤3)，否则重复步骤2)；所述分析阈值P为响应振动信号的最小值；当采煤机振动信号小于P值时，振动处于许用范围，振动信号不反应截割介质变化和机械故障；3)构建异常振动信号高维特征集U；当振动信号确定为异常振动信号后，通过对异常振动信号进行进一步地时频域分析，得到16个时域特征指标和13个频域特征指标；提取当前工况负载状态三个方向异常振动信号29个特征指标(p1,p2....,p
29
)组合得到异常振动信号高维特征集U；4)构建当前工况空载振动信号判别特征向量当振动信号确定为异常振动信号后，保持当前工况不变，触发采煤机机电控制系统响应，控制滚筒由负载状态变为空载状态，采集此时相同位置、相同方向以及相同截割速度的振动信号，并进行滤波和时频域特征提取；进行标记，构建当前工况空载振动信号判别特征向量5)调用E中与和标记相同的初始空载振动信号判别向量将和代入振动信号判别函数中，根据函数取值判别异常振动信号高维特征集U为截割介质型振动信号高维特征集U1或机械故障型振动信号高维特征集U2；当f函数值小于判定阈值M时，异常振动信号高维特征集U为截割介质型振动信号高维特征集U1；当f函数值大于等于判定阈值M时，异常振动信号高维特征集U为机械故障型振动信号高维特征集U2；其中，所述判别阈值M根据采煤机型号和采煤工况确定；所述振动信号判别函数表达如下：值M根据采煤机型号和采煤工况确定；所述振动信号判别函数表达如下：值M根据采煤机型号和采煤工况确定；所述振动信号判别函数表达如下：值M根据采煤机型号和采煤工况确定；所述振动信号判别函数表达如下：α+β+δ+μ+θ＝1式中，分子A1‑
A0为故障诊断因子，是当前空载振动状态相对于初始空载振动状态的改变量；分母B1‑
A1为截割介质因子，是当前负载振动状态相对于当前空载振动状态的改变量；α,β,δ,μ,θ为特征指标权重系数，根据实际情况和专家经验确定；
6)根据步骤5)中的判别结果，选择相应的识别诊断程序；若异常振动信号高维特征集U为截割介质型振动信号高维特征集U1，则调用煤岩截割介质识别程序；否则，异常振动信号高维特征集U为机械故障型振动信号高维特征集U2，调用采煤机截割部故障诊断程序；所述煤岩截割介质识别程序将截割介质型振动信号高维特征集U1输入采煤机振动信号图嵌入模型进行降维嵌入，生成低维敏感特征向量，再将低维特征向量输入到煤岩截割介质KNN分类器中，将煤岩截割工况分为空载工况、割煤工况、割夹矸煤工况和割岩石工况；所述采煤机截割部故障诊断程序将机械故障型振动信号高维特征集U2输入采煤机振动信号图嵌入模型进行降维嵌入，生成低维敏感特征向量，再将低维特征向量输入采煤机截割部故障诊断KNN分类器中，识别出所对应的采煤机故障类别；所述采煤机截割部故障类型包括轴承故障和齿轮故障；轴承故障包括内圈故障、滚动体故障、外圈故障和保持架故障；齿轮故障包括齿轮断裂、齿面划痕、齿...

【专利技术属性】
技术研发人员：邹全乐，湛金飞，陈子涵，陈春梅，梁金燕，冉启灿，刘莹，霍紫煊，
申请(专利权)人：重庆大学，
类型：发明
国别省市：