采煤机截割部负载识别方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术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。根据本发明专利技术，能够精准地识别出采煤机截割部的负载类型。部的负载类型。部的负载类型。

【技术实现步骤摘要】
采煤机截割部负载识别方法、装置及计算机可读存储介质


[0001]本专利技术属于采煤机
，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。

技术介绍

[0002]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。

技术实现思路

[0003]本专利技术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。
[0004]本专利技术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。
[0005]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。
[0006]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。
[0007]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。
[0008]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%。
[0009]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。
[0010]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。
[0011]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。
[0012]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。
[0013]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。
[0014]本专利技术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，本专利技术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
[0015]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。
[0016]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。
[0017]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。
[0018]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。
[0019]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。
[0020]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。
[0021]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。
[0022]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。
[0023]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。
[0024]步骤S120，对振动信号进行小波包分解得到第一特征。
[0025]检本文档来自技高网...

【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；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...

【专利技术属性】
技术研发人员：许志鹏，庄德玉，尹玉玺，
申请(专利权)人：常熟天地煤机装备有限公司，
类型：发明
国别省市：