Research on fault diagnosis of idler bearing of belt conveyor based on 1DCNN-ELM
-
摘要:
针对带式输送机托辊轴承故障诊断中振动信号提取特征困难而导致故障诊断精度较低的难题,提出了一种基于一维卷积神经网络(1DCNN)和极限学习机(ELM)的托辊轴承故障诊断方法。首先,根据具体的故障诊断任务,对采集到的数据进行划分,并进行傅里叶变换,采用多个标签表示健康状态、故障类型和损伤程度。然后,利用1DCNN来提取故障特征,根据提取的故障特征利用ELM进行故障分类。该方法中的参数是随机产生的,不需要迭代更新,可有效加快计算速度。最后,通过Case Western Reserve University的轴承数据集以及自制托辊故障数据集进行故障诊断试验,测试精度均达到了100%,用时分别为2.82 s和2.42 s,能够在较短的时间内准确判断出托辊故障类型,验证了所提方法的有效性。通过与ELM、随机森林、K最邻近法、支持向量机和卷积神经网络等方法进行对比,体现了所提方法的优越性。结果表明:采用1DCNN和ELM相结合的诊断方法,其诊断效果比采用单一方法更好,能够满足煤矿领域托辊故障诊断的需求。
Abstract:Aiming at the problem that vibration signal features in the fault diagnosis of idler bearing of belt conveyor are extracted difficulty, which leads to low accuracy of fault diagnosis. A fault diagnosis method for idler bearings based on one-dimensional convolutional neural network (1DCNN) and extreme learning machine (ELM) is proposed. First, the collected data is separated according to the specific fault diagnosis task, the Fourier transform is performed, and the health status, fault type and damage degree are expressed by multiple labels. Then, 1DCNN is used to extract fault features, and ELM performs fault classification according to the extracted features. In this method, the parameters are randomly generated, and iterative updating is not needed, which speeds up the calculation speed. Finally, the fault diagnosis experiments were carried out through the bearing data set of Case Western Reserve University and the self-made idler fault data set. The test accuracy reached 100%, and the running time was 2.82 s and 2.42 s, respectively. It can accurately judge the type of idler failure in a short time, which verifies the effectiveness of this method. The superiority of the proposed method is demonstrated by comparing it with methods such as ELM, random forest, K-nearest neighbor, support vector machine, and convolutional neural networks. The results show that the diagnosis effect of the combination of 1DCNN and ELM is better than that of a single method, and it can meet the needs of idler fault diagnosis in the coal mine field.
-
0. 引 言
煤炭作为我国的主体能源,在社会经济发展中具有举足轻重的作用。经过几十年来的持续开发,我国中东部地区浅部煤炭资源逐步枯竭,已经进入了下组煤开采阶段[1],且采掘深度以8~12 m/a的速度延伸[2],下组煤开采过程中受到煤层底板灰岩含水层的突水威胁不断加大[3-4]。据统计华北地区20%的煤炭资源受底板岩溶水的威胁,部分老矿区受底板突水威胁的煤炭资源甚至高达50%~85% [5-6]。煤层底板广泛发育有岩溶裂隙带、断层和陷落柱等导水通道[7-9],随着矿井开采深度和开采规模的不断加大,开采过程中煤层底板处于“三高一扰动”的复杂应力环境[10],陷落柱、断层或岩溶裂隙带等导水通道在釆动影响下,极易与下伏奥灰强富水充水含水层连通,发生严重突水淹井事故,甚至造成人员伤亡[11-12]。
导水通道导致的突水具有隐蔽性、突发性和破坏性强的特点[13],围绕煤层底板突水机理与导水通道探查治理,相关学者做了大量的研究[14-17]。董书宁等[18]综合考虑华北型煤田煤层埋深、底板承受水压与底板岩层结构组合等判识指标,确定了底板水害治理模式的选择准则。赵庆彪[19]在对邯邢矿区下组煤开采受奥灰水威胁的基础上,指出隐伏构造的隐蔽性和难以探知性是导致底板突水的根本原因,提出通过近水平钻孔探查隐伏构造,并根据浆液的漏失量判断隐伏构造的位置,但并没有总结出定向钻进探查导水通道需遵循的原则。赵家巍等[20]从开釆扰动、隐伏构造、承压水作用角度分析,根据典型突水矿井地质条件及突水原因分析,建立了含隐伏导水通道的概化力学模型,进而推导出煤层底板渗流路径的扩展规律。董书宁等[21]从宏观上构建煤层底板水害超前区域治理理论框架与技术体系,针对隐伏导水通道提出了判识指标和判识方法,但未对各定性指标钻遇不同导水通道时的变化进行详细描述,没有进一步利用定量指标的变化提出导水通道导水性大小的分级体系。郑士田[22]在潘集二矿导水通道重大突水事故中利用地面定向钻进技术对突水点快速探查,准确查明了陷落柱形态并成功封堵导水通道。王进尚等[23]以递进导升及断裂力学原理为基础,建立了断层递进导升简化断裂力学模型,得出底板隐伏断层在采动影响下,随着工作面的不断推进,当导升高度达到底板破坏区的最小安全距离时会发生突水。顾大钊等[24]指出,为了实现对矿井水源、水量、通道等水文地质信息的准确勘探和预测,有必要研究地下水赋存的准确探测技术。此外,物探方法也被广泛应用在导水通道的探查[25-26],但主要以探查大型导水通道为主,中小型垂向导水通道的识别精度仍不够高。总的来说,以上工作尚没有提出系统详细的导水通道类型识别体系,也未形成能够表征通道导水性大小的分级体系。
通过分析导水通道的特征与地面区域探查技术的优点,提出了导水通道精准探查的原则。分析探查工程中岩屑、钻时、钻井液漏失量和压水试验透水率等指标,形成系统的导水通道类型分类体系和导水性分级体系,为快速准确识别导水通道提供了科学依据,进而为煤层底板水害的治理提供指导。
1. 导水通道探查设计原则
煤层底板导水通道主要有以下特征[27-29]:①通道类型多样,有岩溶裂隙型、断层型、陷落柱型及复合型导水通道;②褶曲轴部、岩溶发育区域以及大型断层附近有利于导水通道的发育;③一般位置不明,常规物探手段难以准确探查;④底板导水通道所引发的突水具有突发性、水量大、危害性强的特点。
由于煤层底板导水通道的以上特点,对其探查方法要具有针对性和适用性,目前地面定向钻进是快速准确探查导水通道最常用的手段。可以利用多分支水平孔技术面状超前探查区域导水通道,再根据导水通道类型与导水性的不同采取对应的注浆治理工艺将其改造为隔水层段,以满足煤矿安全开采需求[30],导水通道探查设计应服从以下原则:
1)轨迹合理。在设计时应避开采空区及井下巷道,避免影响对导水通道的判断。各钻孔设计方位应尽可能与裂隙的优势发育方向斜交。
2)目标层合理。在物探基础上,探查目标层应选择在导水通道最发育的含水层,层厚6~10 m为宜且经过治理后能够满足突水系数的要求。
3)探查区域最大化。定向孔应设计多级分支对区域内的导水通道进行全面探查,钻孔间距不大于浆液扩散半径的2倍,既满足探查精度又保证治理效果。
2. 导水通道多元信息判识
结合地面定向钻进技术的特点,在探查导水通道过程中揭露地层起伏或构造时,岩屑、钻时、钻井液漏失量等直观指标和压水试验透水率、注浆参数等验证性指标均与正常地层条件下有显著差异。结合淮北矿区、淮南矿区、邢台矿区、黄河北煤田等工程实践与理论分析[8,18,31-32],将多源信息判识指标分为定性和定量2大类,据此对导水通道进行分类,对导水性进行分级,为准确识别各类导水通道提供科学依据。
2.1 导水通道定性判识指标
2.1.1 岩屑指标
1)岩屑变化标准曲线如图1所示,在煤层底板灰岩含水层顺层钻进过程中,若岩屑在进尺超过5 m范围,灰岩占比逐渐变化为其他岩性(泥岩、砂岩等),不调整轨迹继续钻进后又恢复灰岩岩性,说明揭露岩溶裂隙带或地层存在微小起伏,定义该类型为“岩屑−Ⅰ”型。
2)在煤层底板灰岩含水层顺层钻进过程中,若岩屑在进尺5 m范围以内从灰岩突变为其他岩性,通过调整钻孔轨迹后岩性中灰岩占比又恢复为100%,且孔内无明显异响声,表明揭露的是断层构造,定义该类型为“岩屑−Ⅱ”型。
3)在煤层底板灰岩含水层顺层钻进过程中,若岩屑从灰岩占比由100%突变为泥岩、砂质泥岩、煤等混杂岩性,甚至出现黄铁矿、方解石等煤层伴生物质或钻井液失返,无法获得岩屑,同时孔内有明显异响声,表明揭露陷落柱,定义该类型为“岩屑−Ⅲ”型。
2.1.2 钻时指标
由于不同岩石的硬度具有差异性,用单位长度岩层所用的钻进时间可判别岩性的变化[33]。我国华北型煤田煤系地层主要有泥岩、砂岩、灰岩和煤层。一般而言,煤层底板常见的岩层中,泥岩硬度低,砂岩中等,灰岩最高,因此单位长度钻进泥岩钻时短、砂岩次之,而灰岩钻时最长。钻时变化标准曲线如图2所示。
1)与岩屑录井较为类似,在地层起伏条件下岩性发生渐变,因此由灰岩地层到其他地层过渡时,钻时录井表现为钻时逐渐减小,调整钻孔轨迹后钻时快速恢复,钻时变化范围不大于2 min/m,以此趋势单次或反复出现,定义该类型为“钻时−Ⅰ”型。
2)若钻时迅速减小但钻具并未放空(钻具放空时钻时为0),持续钻进后钻时仍未有明显增加,调整钻探轨迹后钻时缓慢恢复原速率,钻时变化范围大于2 min/m,定义该类型为“钻时−Ⅱ”型。
3)若钻时突然减小为0,说明钻具在该处放空,该类型为“钻时−Ⅲ”型。
钻时与岩屑的变化可以直观地定性判识揭露通道的类型,但对于不同通道导水性的分级需要定量指标进行判识。
2.2 导水通道定量判识指标
2.2.1 钻井液漏失量
探查过程中揭露不同发育程度导水通道时钻井液消耗量具有明显差别,如揭露陷落柱往往会发生钻井液全部漏失现象[18]。因此,钻井液漏失量可以作为通道导水性判识的重要指标,揭露导水通道后若钻井液漏失量≤30 m3/h,表明揭露的导水通道空间有限,发育范围较小,该通道导水性定义为“漏失−Ⅰ”型,如图3中①与④区域;若钻井液漏失量>30 m3/h,甚至钻井液失返,表明揭露的导水通道较“漏失−Ⅰ”型空间大,发育范围大,导水性好,该通道导水性定义为“漏失−Ⅱ”型,如图3中②与③区域。
2.2.2 压水试验透水率
钻孔压水试验是将清水压入钻孔试验段,根据一定时间内压入的水量和施加压力大小的关系,测定岩体相对透水性的试验。通过压水试验可以测定并评价岩体透水性能,从而分析岩体完整性和发育程度,反映揭露导水通道的导水情况[34]。压水试验的结果用透水率的大小反映。
在揭露导水通道后进行压水试验,若压水试验获得的透水率≤10 Lu,说明通道连通性差,通道导水性定义为“透水−Ⅰ”型,如图3中①与②区域;若压水试验获得的透水率>10 Lu,或压水压力为0,表明揭露的导水通道较“透水−Ⅰ”型通道连通性强,导水能力好,通道导水性定义为“透水−Ⅱ”型,如图3中③与④区域。
2.3 导水通道分类体系
根据导水通道类型和导水性对其进行科学分类是指导煤层底板水害治理的重要前提条件。前文总结出岩屑、钻时、钻井液漏失量和压水试验透水率4个主要判识指标,其中岩屑和钻时用于定性判识导水通道的类型,钻井液漏失量和透水率用于定量确定导水通道的导水性。
1)导水通道类型分类体系。结合2.1节中岩屑和钻时指标提出目标含水层中通道类型的分类体系,见表1。
表 1 导水通道类型分类体系Table 1. Classification system of water-conducting channel types岩屑类型 钻时类型 导水通道类型 岩屑−Ⅰ型 钻时−Ⅰ型 非导水通道 岩屑−Ⅰ型 钻时−Ⅱ型 岩溶裂隙带 岩屑−Ⅱ型 钻时−Ⅱ型 小型断层 岩屑−Ⅱ型 钻时−Ⅲ型 大中型断层 岩屑−Ⅲ型 钻时−Ⅱ型 半胶结陷落柱 岩屑−Ⅲ型 钻时−Ⅲ型 未胶结或局部胶结陷落柱 2)导水性分级体系。钻井液漏失量和透水率指标可以定量的对导水通道导水性进行分类,进而指导导水通道的治理。根据我国现阶段主要底板水害治理区揭露导水通道时以上指标的情况[12,20],提出钻井液漏失量30 m3/h,压水试验透水率10 Lu作为导水性分级的界限。据此对导水通道的导水性能建立双因素综合分级体系,见表2。
表 2 导水通道导水性分级体系Table 2. Classification of hydraulic conductivity of water-conducting channel漏失量类型 透水率类型 导水性 漏失−Ⅰ型 透水−Ⅰ型 一级 漏失−Ⅰ型 透水−Ⅱ型 二级 漏失−Ⅱ型 透水−Ⅰ型 三级 漏失−Ⅱ型 透水−Ⅱ型 四级 一级导水性:漏失量≤30 m3/h,透水率≤10 Lu。表现为钻井液漏失量小或无消耗,压水压力在短时间内上升,说明通道发育空间有限,通道间连通性差,导水性弱,不需要专门进行注浆加固。
二级导水性:漏失量≤30 m3/h,透水率>10 Lu。表现为钻井液漏失量小,压水试验时水压上升缓慢,说明通道发育空间有限,但通道间连通性好,导水性一般,注浆加固过程中注浆材料选择水泥、粉煤灰等常规材料即可。
三级导水性:漏失量>30 m3/h,透水率≤10 Lu。表现为钻井液漏失量大,压水压力在短时间内上升,说明通道发育空间大,但通道间连通性差,导水性一般,注浆加固过程中注浆材料选择水泥、粉煤灰等常规材料即可。
四级导水性:漏失量>30 m3/h,透水率>10 Lu。表现为钻井液漏失量大或失返,压水试验水压上升缓慢,说明通道发育空间大,且通道间连通性好,导水性强,注浆加固过程中注浆材料除水泥、粉煤灰等常规材料,还应加入粗砂等骨料,对导水通道进行快速封堵。
3. 工程示例
3.1 工程背景
华北型煤田某典型煤矿位于安徽省淮北市,东部有较大的复背斜,中部为复向斜,井田构造较为复杂。主采山西组6号煤层,煤层回采受到底板太原组薄层灰岩含水层和奥陶系灰岩含水层威胁。煤层底板共发育12层太原组薄层灰岩(L1~L12),平均厚度1.32~12.17 m,岩溶发育程度差异极大,Ⅲ631工作面曾发生过陷落柱突水,经物探解析区内发育多条断层并存在底板低阻异常区,底板导水通道的存在严重威胁着矿井的安全生产。
3.2 导水通道探查概况
结合第1节导水通道探查原则,利用地面定向钻进技术针对Ⅲ63采区部分工作面进行导水通道探查。D1、D2、D3孔组实钻轨迹如图4所示。D4孔组实钻轨迹如图5所示。
3.3 导水通道识别与分类
3.3.1 导水断层
在D1孔组和D2孔组的探查过程中,根据判识标准识别出了导水断层4条,与采掘过程中实揭的断层SF1~SF4位置基本一致,位置如图4所示。
以D1主孔为例进行分析。岩屑指标方面:D1主孔于井深739 m开始沿L3灰岩含水层钻进,灰岩含量100%,自1 020 m岩屑由灰白色灰岩突变为灰黑色灰岩且夹杂泥岩颗粒,1 022 m岩屑完全变为泥岩,调整钻孔轨迹,1 058 m岩性恢复为灰白色灰岩。岩性变化期间没有发生异响。岩屑变化过程与图1中岩屑-Ⅱ型标准曲线基本一致,据此判定1 020 m附近存在断层。
钻时指标方面:如图6所示,D1主孔在从739 m进入太原组灰岩后正常钻时为6~8 min/m,钻进至1 020 m钻时突然加快到2~4 min/m,1 058 m钻时恢复到6~8 min/m,钻时变化期间没有发生钻具突然放空的现象,且钻时变化范围大于2 min/m,继续钻进,1 058~1 190 m钻时为6~8 min/m,期间也没有发生钻具突然放空的现象。钻时变化趋势与图2中钻时−Ⅱ型标准曲线基本一致。
根据以上分析,D1主孔岩屑和钻时变化类型为岩屑−Ⅱ型和钻时−Ⅱ型,结合表1定性识别出1020 m附近存在小型断层。
根据2.2节的判识指标,D1主孔在1 020 m附近钻探过程中钻井液漏失量为2 m3/h,属于“漏失−Ⅰ”型;压水试验透水率为7.39 Lu,属于“透水−Ⅰ”型。根据表2确定出该处断层导水性为一级,是发育空间有限,通道间连通性差的小型断层,不需要专门进行注浆加固。继续钻进至终孔1 190 m岩性为纯灰岩,未发生漏失。
3.3.2 导水岩溶裂隙带
在D2孔组和D3孔组的探查过程中,根据判识标准识别出了导水裂隙发育带2处(图4)。
以D3-2孔为例进行分析。岩屑指标方面:D3-2孔自孔深600 m处沿L3灰岩含水层钻进,灰岩含量100%,从860 m开始灰岩比例逐渐下降,到1 008 m岩屑完全变为泥岩,在1 026 m岩屑中灰岩含量增加至20%,至1 060 m恢复为纯灰岩。岩性变化期间没有发生异响,继续钻进至终孔1 200 m仍为灰岩岩性。岩屑变化过程如图7所示,与图1中岩屑−Ⅱ型标准曲线基本一致,判定1 008 m附近揭露岩溶裂隙带。
钻时指标方面:如图7所示,D3-2孔从600 m进入太原组灰岩正常钻时为6~8 min/m,钻进至1 008 m钻时突然加快到3 min/m,1 008~1 060 m钻时2~4 min/m,调整轨迹后1 061 m钻时恢复为6~8 min/m,钻时变化范围大于2 min/m,钻时变化期间没有发生钻具突然放空的现象。钻时变化趋势与钻时−Ⅰ型判识标准基本一致。钻时变化趋势与图2中钻时−Ⅱ型判识标准基本一致。继续钻进至终孔1 200 m,钻时为6~8 min/m,期间也没有发生钻具突然放空的现象。
根据以上分析,D3-2孔岩屑和钻时变化类型为岩屑−Ⅰ型和钻时−Ⅱ型,结合表1定性识别出1 008~1 026 m范围存在岩溶裂隙带。结合D3孔组其他钻孔情况,判识D3孔组末端存在岩溶裂隙发育带。
根据2.2节的判识指标,D3-2孔在1 008 m附近钻探过程中钻井液未发生明显漏失,为“漏失−Ⅰ”型;进行压水试验,透水率为0.355 Lu,为“透水−Ⅰ”型。根据表2识别出该处通道导水性为一级,是发育空间有限,通道间连通性差的岩溶裂隙发育带,不需要专门进行注浆加固。继续钻进至终孔1 200 m岩性为纯灰岩,未发生漏失。
3.3.3 导水陷落柱
某工作面回采至135 m时发生底板出水,水呈浑浊状,稳定水量约170 m3/h,推测工作面发育有隐伏导水通道。在D4孔组探查过程中,根据判识标准识别出1个导水陷落柱,位置如图5所示。
D4-1孔自孔深680 m处沿L3灰岩含水层钻进,灰岩含量100%,正常钻时7 min/m左右,钻进至765 m钻井液发生大量漏失,漏失量大于50 m3/h,岩屑颗粒大小不一,岩性杂乱。钻进至779 m钻井液失返,无法获取岩屑。孔内发生“噼啪”声异响,继续顶漏钻进至788 m钻井液仍失返并发生塌孔卡钻现象,起钻准备注浆。779~788 m钻时加快至2 min/m,未出现钻具放空现象。D4-1孔岩屑变化符合岩屑−Ⅲ型标准曲线,钻时变化趋势与图2中钻时−Ⅱ型判识标准基本一致。判定779~788 m进入陷落柱边缘裂隙带。
根据以上分析,D4-1孔岩屑和钻时变化类型为岩屑−Ⅲ型和钻时−Ⅱ型,结合表1定性识别出779~788 m范围存在半胶结陷落柱。D4孔组其他钻孔对疑似陷落柱位置继续进行探查,在附近位置同样发生钻井液全漏与钻时突然加快的现象。
根据2.2节的判识指标,D4-1孔在779~788 m钻井液发生失返,为“漏失−Ⅱ”型;进行压水试验,压力为0,为“透水−Ⅱ”型。根据表2识别出该处通道导水性为四级,是发育空间大,通道导水性强的陷落柱。治理过程中注浆材料除水泥外,还应选用骨料对其进行封堵。
4. 结 论
1)根据煤层底板导水通道的特征,利用地面定向钻进区域探查技术的优点,提出导水通道超前钻探设计应服从轨迹合理、目标层合理和探查区域最大化的原则。
2)确定了导水通道多元信息判识指标为:以岩屑和钻时为主的定性指标与以钻井液漏失量和压水试验透水率为主的定量指标。以此为基础提出了导水通道类型定性分类体系,又根据钻井液漏失量是否大于30 m3/h和压水试验透水率是否大于10 Lu建立了导水性分级体系。
3)通过分析华北型煤田某典型煤矿的水文地质条件与水害特征,结合探查设计原则,实施了该煤矿部分工作面导水通道探查工程,利用导水通道判识指标和多元信息识别技术在研究区内准确识别出4条导水断层,2处岩溶裂隙发育带和1个导水陷落柱,并确定了它们的导水性等级。
-
表 1 轴承数据集的样本描述
Table 1 Sample description of bearing dataset
负载
/马力轴承状态 故障直径/mm 样本
数量分类
标签0&1
&2&3健康 0 480 1 滚动体故障 0.177 8 480 2 内圈故障 0.177 8 480 3 外圈故障 0.177 8 480 4 滚动体故障 0.355 6 480 5 内圈故障 0.355 6 480 6 外圈故障 0.355 6 480 7 滚动体故障 0.534 4 480 8 内圈故障 0.534 4 480 9 外圈故障 0.534 4 480 10 表 2 托辊数据集的样本描述
Table 2 Sample description of idler
轴承状态 样本数量 分类标签 健康 200 1 内圈故障 200 2 外圈故障 200 3 旋转卡顿 200 4 旋转卡死 200 5 -
[1] 谢厚抗,鲍久圣,葛世荣,等. 带式输送机承载托辊旋转阻力特性试验研究[J]. 煤炭学报,2019,44(S2):731−736. doi: 10.13225/j.cnki.jccs.2019.0902 XIE Houkang,BAO Jiusheng,GE Shirong,et al. Experimental research on rotational resistance characteristics of belt conveyor bearing idler[J]. Journal of China Coal Society,2019,44(S2):731−736. doi: 10.13225/j.cnki.jccs.2019.0902
[2] 陈维望,李军霞,张 伟. 基于分支卷积神经网络的托辊轴承故障分级诊断研究[J]. 机电工程,2022,39(05):596−603. doi: 10.3969/j.issn.1001-4551.2022.05.004 CHENG Weiwang,LI Junxia,ZHANG Wei. Hierarchical fault diagnosis of idler bearing based on branch convolutional neural network[J]. Journal of Mechanical & Electrical Engineering,2022,39(05):596−603. doi: 10.3969/j.issn.1001-4551.2022.05.004
[3] 郑一珍,牛蔺楷,熊晓燕,等. 基于一维卷积神经网络的圆柱滚子轴承保持架故障诊断[J]. 振动与冲击,2021,40(19):230−238,285. doi: 10.13465/j.cnki.jvs.2021.19.029 ZHENG Yizhen,NIU Linkai,XIONG Xiaoyan,et al. Fault diagnosis of cylindrical roller bearing cage based on 1D convolution neural network[J]. Journal of Vibration and Shock,2021,40(19):230−238,285. doi: 10.13465/j.cnki.jvs.2021.19.029
[4] RAVIKUMAR S,KANAGASABAPATHY H,MURALIDHARAN V. Fault diagnosis of self-aligning troughing rollers in belt conveyor system using k-star algorithm[J]. Measurement,2018,133:341−349.
[5] RAVIKUMAR S, KANAGASABAPATHY H, MURALIDHARAN V, et al. Fault diagnosis of self-aligning troughing rollers in a belt conveyor system using an artificial neural network and Naive Bayes algorithm [C]//5th Biennial International Conference on Emerging Trends in Engineering, Science and Technology, Govt Coll, Thrissur, INDIA: CRC Press-Taylor & Francis Group, 2018: 401−408.
[6] DENG W,YAO R,ZHAO H,et al. A novel intelligent diagnosis method using optimal LS-SVM with improved PSO algorithm[J]. Soft Computing,2017,23(7):2445−2462.
[7] 王 琦,邓林峰,赵荣珍. 基于改进一维卷积神经网络的滚动轴承故障识别[J]. 振动与冲击,2022,41(3):216−223. doi: 10.13465/j.cnki.jvs.2022.03.026 WANG Qi,DENG Linfeng,ZHAO Rongzhen. Fault recognition of rolling bearing based on improved 1D convolutional neural network[J]. Journal of Vibration and Shock,2022,41(3):216−223. doi: 10.13465/j.cnki.jvs.2022.03.026
[8] LIU Z,WANG H,LIU J,et al. Multitask learning based on lightweight 1DCNN for fault diagnosis of wheelset bearings[J]. IEEE Transactions on Instrumentation and Measurement,2021,70:3501711.
[9] PINTO N, COX D. Beyond simple features: A large-scale feature search approach to unconstrained face recognition[C]//IEEE International Conference on Automatic Face and Gesture Recognition, Santa Barbara, CA, USA: IEEE, 2011: 8−15.
[10] JARRETT K,KAVUKCUOGLU K,K. RANZATO M,et al. What is the best multi-stage architecture for object recognition?[J]. 2009 IEEE 12th International Conference on Computer Vision,2009:2146−2154.
[11] 任晓红,万 红,俞 啸,等. 基于Park变换的三电平逆变器开路故障诊断[J]. 工矿自动化,2020,46(5):82−86,93. doi: 10.13272/j.issn.1671-251x.17523 REN Xiaohong,WAN Hong,YU Xiao,et al. Open-circuit fault diagnosis of three-level inverter based on Park transformation[J]. Journal of Mine Automation,2020,46(5):82−86,93. doi: 10.13272/j.issn.1671-251x.17523
[12] 杨 洁,万安平,王景霖,等. 基于多传感器融合卷积神经网络的航空发动机轴承故障诊断[J]. 中国电机工程学报,2022,42(13):4933−4942. doi: 10.13334/J.0258-8013.PCSEE.211097 YANG Jie,WAN Anping,WANG Jinglin,et al. Aeroengine bearing fault diagnosis based on convolutional neural network for multi-sensor information fusion[J]. Proceedings of the CSEE,2022,42(13):4933−4942. doi: 10.13334/J.0258-8013.PCSEE.211097
[13] DENG W,ZHANG S,ZHAO H,et al. A novel fault diagnosis method based on integrating empirical wavelet transform and fuzzy entropy for motor bearing[J]. IEEE Access,2018,6(1):35042−35056.
[14] 丁津津,邵庆祝,齐振兴,等. 基于迁移学习的卷积神经网络电网故障诊断[J]. 科学技术与工程,2022,22(14):5653−5658. doi: 10.3969/j.issn.1671-1815.2022.14.020 DING Jinjin,SHAO Qingzhu,QI Zhenxing,et al. CNN distribution network fault diagnosis method based on transfer learning[J]. Science Technology and Engineering,2022,22(14):5653−5658. doi: 10.3969/j.issn.1671-1815.2022.14.020
[15] 葛兴来,张 鑫. 采用奇异能量谱与改进ELM的轴承故障诊断方法[J]. 电机与控制学报,2021,25(5):80−87. doi: 10.15938/j.emc.2021.05.010 GE Xinglai,ZHANG Xin. Bearing fault diagnosis method using singular energy spectrum and improved ELM[J]. Electric Machines and Control,2021,25(5):80−87. doi: 10.15938/j.emc.2021.05.010
[16] XIAO L,ZHANG L,YAN Z,et al. Diagnosis and distinguishment of open-switch and current sensor faults in PMSM drives using improved regularized extreme learning machine[J]. Mechanical Systems and Signal Processing,2022,171:108866. doi: 10.1016/j.ymssp.2022.108866
[17] 刘 立,朱健成,韩光洁,等. 基于1D-CNN联合特征提取的轴承健康监测与故障诊断[J]. 软件学报,2021,32(08):2379−2390. doi: 10.13328/j.cnki.jos.006188 LIU Li,ZHU Jiancheng,HAN Guangjie,et al. Bearing health monitoring and fault diagnosis based on joint feature extraction in 1D-CNN[J]. Journal of Software,2021,32(08):2379−2390. doi: 10.13328/j.cnki.jos.006188
[18] HENDRIKS J,DUMOND P,KNOX D A. Towards better benchmarking using the CWRU bearing fault dataset[J]. Mechanical Systems and Signal Processing,2022,169:108732. doi: 10.1016/j.ymssp.2021.108732
[19] ROY S S,DEY S,CHATTERJEE S. Autocorrelation aided random forest classifier-based bearing fault detection framework[J]. IEEE Sensors Journal,2020,20(18):10792−10800. doi: 10.1109/JSEN.2020.2995109
[20] DENG L,ZHANG A,ZHAO R. Intelligent identification of incipient rolling bearing faults based on VMD and PCA-SVM[J]. Advances in Mechanical Engineering,2022,14(1):1−18.
-
期刊类型引用(7)
1. 严红,吴林,李桂臣,宋维斌. 煤矿岩巷TBM快速掘进研究进展与展望. 煤炭工程. 2025(01): 1-7 . 百度学术
2. 张风林,唐彬,沈仁为,李宏亮,张鹏涛,程晋轶,刘震宇,侯俊领. TBM掘进煤矿深井巷道支护方案优化实践. 科技资讯. 2024(14): 103-107 . 百度学术
3. 王永军,孟凡贞,吕文茂,张垚,赵春虎,钟林华,胡东祥. 深部强矿压矿井煤层覆岩爆破卸压机理研究. 中国矿业. 2024(S2): 325-329 . 百度学术
4. 邵文琦,陈大勇,佟治,乔亮,杜浪浪,黄炳香,陈圣贺,高尚占,祁正飞,孙政. 煤矿岩巷掘进技术现状及展望. 中国矿业. 2024(11): 192-205 . 百度学术
5. 吕玉柱,孙鹏,王力强. 韩城矿区岩巷快速施工工艺匹配支护优化研究. 陕西煤炭. 2024(12): 173-177 . 百度学术
6. 满轲,武立文,刘晓丽,宋志飞,李可娜. 基于CNN-LSTM模型的TBM隧道掘进参数及岩爆等级预测. 煤炭科学技术. 2024(S2): 21-37 . 本站查看
7. 张钦,苏金华,慎宏然,胡志飞,徐晓东,李浩,李鹏权,赵春阳,崔宗类. 某矿复杂地层硬岩巷道TBM同步探掘技术研究与实践. 现代矿业. 2023(09): 233-237 . 百度学术
其他类型引用(0)