• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      基于虛實(shí)融合數(shù)據(jù)的懸臂式掘進(jìn)機(jī)截割部故障預(yù)警技術(shù)研究

      2023-04-29 00:44:03張旭輝白琳娜楊紅強(qiáng)
      工礦自動(dòng)化 2023年8期
      關(guān)鍵詞:掘進(jìn)機(jī)懸臂神經(jīng)元

      張旭輝 白琳娜 楊紅強(qiáng)

      摘要:目前懸臂式掘進(jìn)機(jī)截割部故障預(yù)警技術(shù)依賴于傳統(tǒng)的數(shù)據(jù)采集方法,在掘進(jìn)機(jī)截割部實(shí)際運(yùn)行過(guò)程中存在信號(hào)獲取困難、噪聲較多等問(wèn)題,導(dǎo)致掘進(jìn)機(jī)截割部故障預(yù)測(cè)預(yù)警能力受到限制。針對(duì)上述問(wèn)題,提出一種基于虛實(shí)融合數(shù)據(jù)的懸臂式掘進(jìn)機(jī)截割部故障預(yù)警方法。對(duì)懸臂式掘進(jìn)機(jī)截割部進(jìn)行三維實(shí)體建模,利用機(jī)械系統(tǒng)動(dòng)力學(xué)自動(dòng)分析軟件(ADAMS)獲取截割部機(jī)械系統(tǒng)虛擬數(shù)據(jù),構(gòu)建其動(dòng)力學(xué)仿真模型以獲取虛擬數(shù)據(jù),并采用余弦相似度函數(shù)表征其與真實(shí)數(shù)據(jù)的相似度,驗(yàn)證虛擬數(shù)據(jù)的可信度。將虛擬、真實(shí)數(shù)據(jù)分別采用貝葉斯估計(jì)與自適應(yīng)互補(bǔ)加權(quán)融合方法進(jìn)行相似關(guān)聯(lián)與互補(bǔ)關(guān)聯(lián)融合,獲得虛實(shí)融合數(shù)據(jù)。針對(duì)傳統(tǒng)自組織映射(SOM)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效率易受學(xué)習(xí)速率的影響問(wèn)題,建立了基于改進(jìn) SOM神經(jīng)網(wǎng)絡(luò)的故障預(yù)警模型,引入關(guān)于時(shí)間的單調(diào)遞減函數(shù)對(duì) SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,在保證學(xué)習(xí)速率的同時(shí),兼顧模型的穩(wěn)定性。將融合數(shù)據(jù)輸入基于 SOM 神經(jīng)網(wǎng)絡(luò)的故障預(yù)警模型以確定獲勝神經(jīng)元并進(jìn)行權(quán)值調(diào)整,計(jì)算真實(shí)數(shù)據(jù)與獲勝神經(jīng)元間的距離并進(jìn)行權(quán)值調(diào)整,進(jìn)而實(shí)現(xiàn)故障預(yù)警。實(shí)驗(yàn)結(jié)果表明,改進(jìn) SOM神經(jīng)網(wǎng)絡(luò)的平均運(yùn)行效率可提高35.84%;基于虛實(shí)融合數(shù)據(jù)的懸臂式掘進(jìn)機(jī)截割部故障預(yù)警方法可成功實(shí)現(xiàn)單一故障和復(fù)合故障的類型預(yù)測(cè),其預(yù)測(cè)準(zhǔn)確率達(dá)83.33%。

      關(guān)鍵詞:懸臂式掘進(jìn)機(jī);截割部;故障預(yù)警;故障預(yù)測(cè);虛實(shí)數(shù)據(jù)融合;自組織映射神經(jīng)網(wǎng)絡(luò)中圖分類號(hào): TD421??? 文獻(xiàn)標(biāo)志碼: A

      Research on fault warning technology for cutting part of cantilever roadheader based on virtual and real fusion data

      ZHANG Xuhui1,2, BAI Linna1, YANG Hongqiang1

      (1. College of Mechanical Engineering, Xi'an University of Science and Technology, Xi'an 710054, China;

      2. Shaanxi Key Laboratoty of Mine Electromechanical Equipment Intelligenct Monitoring, Xi'an 710054, China)

      Abstract: Currently, the fault warning technology for the cutting part of cantilever roadheader relies on traditional data collection methods. In the operation process of the cutting part of the roadheader, problems such as difficulty in obtaining signals and high noise limit the capability to predict and warn faults in the cutting part of the roadheader. In order to solve the above problems, a fault warning method for the cutting part of cantilever roadheader based on virtual and real fusion data is proposed. The method performs three-dimensional solid modeling of the cutting section of a cantilever roadheader. It uses the automatic dynamic analysis of mechanical systems (ADAMS) to obtain virtual data of the cutting section's mechanical system, constructs its dynamicsimulation model to obtain virtual data. The method uses the cosine similarity function to characterize its similarity with real data to verify the credibility of the virtual data. The method uses Bayesian estimation and adaptive complementary weighted fusion methods to perform similarity association and complementary association fusion on virtual and real data, respectively, to obtain virtual and real fusion data. In response to the problem that the learning efficiency of traditional self-organizing mapping (SOM) neural networks is easily affected by the learning rate, a fault warning model based on an improved SOM neural network is established. A monotonic decreasing function about time is introduced to train the SOM neural network, ensuring both the learning rate and the stability of the model. The method inputs the fused data into the fault warning model based on SOM neural network to determine the winning neuron and adjust its weight. The method calculates the distance between the real data and the winning neuron and adjusts its weight to achieve fault warning. The experimental results show that the average operating efficiency of the improved SOM neural network can be improved by 35.84%. The fault warning method for the cutting part of a cantilever roadheader based on virtual and real fusion data can successfully predict the types of single and composite faults, with a prediction accuracy of 83.33%.

      Key words: cantilever roadheader; cutting part; fault warning; fault prediction; virtual and real data fusion; self-organizing mapping neural network

      0 引言

      隨著智慧礦山的發(fā)展,礦山機(jī)械設(shè)備也朝著高速化、精密化、系統(tǒng)化方向發(fā)展。設(shè)備內(nèi)外之間互相聯(lián)系、緊密耦合,一旦設(shè)備發(fā)生故障,這種結(jié)構(gòu)將具有不確定性、非線性和并發(fā)性等特征[1]。懸臂式掘進(jìn)機(jī)是集切割、裝載、運(yùn)輸、轉(zhuǎn)運(yùn)、自行走及噴霧降塵于一體的綜掘設(shè)備,是礦山綜掘工作面的主力設(shè)備。截割部是掘進(jìn)機(jī)完成采掘工作的主體部件,也是最容易出現(xiàn)故障的部分[2]。

      截割部故障會(huì)直接影響懸臂式掘進(jìn)機(jī)對(duì)井下巷道的掘進(jìn)和開拓。其在工作過(guò)程中主要有以下2種故障:①當(dāng)截割到的巖石硬度超過(guò)截割部設(shè)計(jì)強(qiáng)度時(shí),出現(xiàn)過(guò)負(fù)荷,導(dǎo)致截割頭停止轉(zhuǎn)動(dòng),掘進(jìn)工作停止;②當(dāng)減速器發(fā)生機(jī)械故障時(shí),由于截割電動(dòng)機(jī)持續(xù)性高速輸出,造成電動(dòng)機(jī)過(guò)負(fù)荷,電動(dòng)機(jī)電流增大,若超過(guò)電動(dòng)機(jī)允許的額定電流,持續(xù)升溫會(huì)損壞電動(dòng)機(jī)絕緣性能,嚴(yán)重時(shí)會(huì)燒毀電動(dòng)機(jī),造成截割部停止工作[3-5]。因此,截割部故障預(yù)警是保證懸臂式掘進(jìn)機(jī)安全、可靠運(yùn)行的關(guān)鍵技術(shù)。

      針對(duì)掘進(jìn)機(jī)故障預(yù)警問(wèn)題,眾多學(xué)者結(jié)合設(shè)備的結(jié)構(gòu)特性、參數(shù)、環(huán)境條件及歷史數(shù)據(jù)等信息,借助相關(guān)模型對(duì)設(shè)備故障進(jìn)行預(yù)測(cè)研究。蒙康等[6]以傳統(tǒng)故障預(yù)警模型的可解釋性和泛化能力不強(qiáng)問(wèn)題為切入口,提出了基于設(shè)備運(yùn)行機(jī)理與數(shù)據(jù)雙驅(qū)動(dòng)的故障預(yù)警模型。劉送永等[7]分析了掘進(jìn)機(jī)健康管理技術(shù)的研究現(xiàn)狀,指出掘進(jìn)機(jī)微弱故障診斷方法和監(jiān)測(cè)多信息融合技術(shù)的重要性。張?zhí)烊鸬萚8]建立了一種基于灰色預(yù)測(cè)和神經(jīng)網(wǎng)絡(luò)的掘進(jìn)機(jī)運(yùn)行狀態(tài)預(yù)測(cè)評(píng)估模型,初步實(shí)現(xiàn)了掘進(jìn)機(jī)關(guān)鍵部件的運(yùn)行狀態(tài)評(píng)估。張境麟等[9]開發(fā)了一種與井下無(wú)人化開采相適配的故障診斷預(yù)警系統(tǒng),提出了故障診斷預(yù)警算法,建立了設(shè)備相關(guān)體系的知識(shí)庫(kù)和專家?guī)欤梢杂行p少設(shè)備故障的發(fā)生。韓寶宏等[10]提出基于結(jié)合自組織映射(Self-Organizing Map,SOM)神經(jīng)網(wǎng)絡(luò)和最小量化誤差(Minimum Quantifying Error, MQE)的 SOM?MQE 模型對(duì)設(shè)備故障進(jìn)行預(yù)警,該模型根據(jù) MQE 值確定設(shè)備的故障預(yù)警區(qū)間,判斷設(shè)備是否出現(xiàn)故障。 Ji Xiaodong 等[11]提出一種基于參考流形學(xué)習(xí)和改進(jìn) K?Means 的振動(dòng)信號(hào)分析方法,通過(guò)建立健康評(píng)價(jià)指標(biāo)的正態(tài)分布模型,確定健康評(píng)價(jià)指標(biāo)的置信區(qū)間,對(duì)掘進(jìn)機(jī)的健康狀態(tài)進(jìn)行分析,進(jìn)而實(shí)現(xiàn)故障預(yù)警功能。Fan Yuhao 等[12]提出一種基于層疊式自動(dòng)編碼器(Stacked Auto Encoder, SAE)的主軸承故障預(yù)警方法,對(duì)風(fēng)電動(dòng)機(jī)組潛在故障進(jìn)行早期預(yù)測(cè),確保風(fēng)電動(dòng)機(jī)組安全穩(wěn)定運(yùn)行。目前故障預(yù)警技術(shù)依賴于傳統(tǒng)的數(shù)據(jù)采集方法,在設(shè)備實(shí)際運(yùn)行過(guò)程中存在信號(hào)獲取困難、噪聲較多等問(wèn)題,導(dǎo)致模型的預(yù)測(cè)預(yù)警能力受到限制。

      針對(duì)上述問(wèn)題,本文提出一種基于虛實(shí)融合數(shù)據(jù)的懸臂式掘進(jìn)機(jī)截割部故障預(yù)警方法。首先,構(gòu)建懸臂式掘進(jìn)機(jī)截割部三維模型;其次,利用 ADAMS(Automatic Dynamic Analysis of Mechanical Systems,機(jī)械系統(tǒng)動(dòng)力學(xué)自動(dòng)分析)獲取截割部機(jī)械系統(tǒng)虛擬數(shù)據(jù),并對(duì)虛擬數(shù)據(jù)的可信度進(jìn)行驗(yàn)證;然后,將虛擬數(shù)據(jù)與真實(shí)數(shù)據(jù)進(jìn)行相似關(guān)聯(lián)與互補(bǔ)關(guān)聯(lián)融合,獲得虛實(shí)融合數(shù)據(jù),建立以虛實(shí)融合數(shù)據(jù)驅(qū)動(dòng)的基于改進(jìn) SOM 神經(jīng)網(wǎng)絡(luò)的懸臂式掘進(jìn)機(jī)截割部故障預(yù)警模型;最后,將融合數(shù)據(jù)輸入懸臂式掘進(jìn)機(jī)截割部故障預(yù)警模型進(jìn)行故障預(yù)警。

      1 懸臂式掘進(jìn)機(jī)截割部故障預(yù)警總體方案

      懸臂式掘進(jìn)機(jī)截割部故障預(yù)警總體方案主要由虛擬數(shù)據(jù)獲取、故障預(yù)警模型建立和故障預(yù)警模型驗(yàn)證3個(gè)部分組成,如圖1所示。其中,虛擬數(shù)據(jù)獲取部分根據(jù)余弦相似度對(duì)所獲取的虛擬數(shù)據(jù)進(jìn)行可信度分析,以余弦相似度對(duì)應(yīng)變量相關(guān)性閾值調(diào)整相關(guān)參數(shù),保證虛擬數(shù)據(jù)的可信度;故障預(yù)警模型建立部分通過(guò)將虛擬數(shù)據(jù)與真實(shí)數(shù)據(jù)進(jìn)行相似關(guān)聯(lián)與互補(bǔ)關(guān)聯(lián)融合,以虛實(shí)融合數(shù)據(jù)驅(qū)動(dòng),構(gòu)建基于改進(jìn) SOM 神經(jīng)網(wǎng)絡(luò)的故障預(yù)警模型;故障預(yù)警模型驗(yàn)證部分對(duì)構(gòu)建完畢的故障預(yù)警模型進(jìn)行訓(xùn)練,并采用真實(shí)數(shù)據(jù)對(duì)訓(xùn)練完畢的故障預(yù)警模型進(jìn)行故障預(yù)警,檢驗(yàn)預(yù)警模型的準(zhǔn)確性。

      2 懸臂式掘進(jìn)機(jī)截割部虛擬數(shù)據(jù)獲取

      2.1 懸臂式掘進(jìn)機(jī)截割部三維建模

      懸臂式掘進(jìn)機(jī)截割部主要工作任務(wù)是對(duì)煤巖進(jìn)行破碎。因此,截割部狀態(tài)的優(yōu)劣直接決定著掘進(jìn)機(jī)的運(yùn)行速度和巷道成形質(zhì)量。懸臂式掘進(jìn)機(jī)截割部主要由截割頭、截割臂、行星減速器和截割電動(dòng)機(jī)等組成。其中,截割頭是煤巖破碎的重要工作部件,通過(guò)旋轉(zhuǎn)使截齒截割煤巖[13];截割臂為懸臂式掘進(jìn)機(jī)運(yùn)動(dòng)執(zhí)行機(jī)構(gòu)且多為剛體外殼,故障較少,故本文不進(jìn)行研究;行星減速器由多對(duì)齒輪嚙合,將截割電動(dòng)機(jī)高速輸出轉(zhuǎn)換為低轉(zhuǎn)速輸出[14-15];截割電動(dòng)機(jī)是截割部工作時(shí)的驅(qū)動(dòng)設(shè)備,為截割頭旋轉(zhuǎn)切割工作提供動(dòng)力。

      2.2 懸臂式掘進(jìn)機(jī)截割部動(dòng)力學(xué)仿真模型

      由于煤礦井下作業(yè)環(huán)境特殊,故障數(shù)據(jù)特征及趨勢(shì)難以獲取,故將截割部三維實(shí)體模型導(dǎo)入 ADAMS 中,對(duì)各部件材料屬性進(jìn)行定義并重命名。此外,還建立了各部件之間的相對(duì)運(yùn)動(dòng)約束和接觸,施加驅(qū)動(dòng)以完成虛擬建模,并進(jìn)行動(dòng)力學(xué)仿真分析。

      截割部?jī)?nèi)部齒輪傳動(dòng)過(guò)程中,輪齒間嚙合接觸產(chǎn)生作用力來(lái)轉(zhuǎn)動(dòng)。由于補(bǔ)償法中懲罰系數(shù)和補(bǔ)償系數(shù)難以確定,所以,本文選擇沖擊函數(shù)法進(jìn)行接觸力Fimpact計(jì)算[16]。

      式中:K 為接觸剛度系數(shù),N/mm;q0為2個(gè)待碰撞物體的初始距離,mm;q 為2個(gè)物體碰撞過(guò)程中的實(shí)際距離,mm;e為碰撞指數(shù);Cb為阻尼系數(shù),N · s/mm; t 為時(shí)間; S(·)為階躍函數(shù); h為擊穿深度, mm。

      碰撞時(shí)產(chǎn)生的接觸力根據(jù) Hertz 彈性碰撞理論計(jì)算[16]。

      式中:R1,R2為碰撞點(diǎn)接觸物體的曲率半徑,mm;μ1,μ2為接觸物體材料的泊松比;E1,E2為接觸物體材料的彈性模量, Pa。

      為使截割部正常運(yùn)轉(zhuǎn),在行星減速器傳動(dòng)軸(輸入端)中添加旋轉(zhuǎn)驅(qū)動(dòng),選取階躍函數(shù),達(dá)到模擬截割電動(dòng)機(jī)的目的。

      結(jié)合截割部運(yùn)行特性與動(dòng)力學(xué)仿真模型的需要,設(shè)仿真持續(xù)時(shí)間為1 s,仿真步長(zhǎng)為0.01步,積分誤差為0.001,并勾選運(yùn)行前復(fù)位按鈕。

      2.3 懸臂式掘進(jìn)機(jī)截割部動(dòng)力學(xué)分析

      1)轉(zhuǎn)速驗(yàn)證。對(duì)截割部動(dòng)力學(xué)仿真模型傳動(dòng)軸(輸入端)輸入6.6 Hz轉(zhuǎn)頻,在仿真參數(shù)基礎(chǔ)上,對(duì)正常狀態(tài)下的截割部行星減速器傳動(dòng)軸(輸入端、輸出端)進(jìn)行轉(zhuǎn)速對(duì)比實(shí)驗(yàn)。轉(zhuǎn)速仿真模擬曲線如圖2所示,可看出傳動(dòng)軸(輸入端)轉(zhuǎn)速在0.1 s 內(nèi)逐漸增加到41.23 r/s,并在0.1 s后達(dá)到動(dòng)態(tài)平衡。傳動(dòng)軸(輸出端)轉(zhuǎn)速為11.96 r/s。根據(jù)行星減速器傳動(dòng)軸(輸入端、輸出端)轉(zhuǎn)速,計(jì)算截割部行星減速器的傳動(dòng)比為3.45。

      2)幅值圖對(duì)比驗(yàn)證。行星減速器傳動(dòng)軸(輸入端)正常狀態(tài)和斷齒狀態(tài)的動(dòng)力學(xué)仿真模型幅值分別如圖3和圖4所示??煽闯鳊X輪軸在開始運(yùn)行時(shí)存在較大波動(dòng)沖擊,之后加速度趨于穩(wěn)定,且正常狀態(tài)下的齒輪軸加速度高于斷齒狀態(tài),斷齒狀態(tài)的加速度是正常狀態(tài)的0.002倍。

      行星減速器傳動(dòng)軸(輸出端)正常狀態(tài)和斷齒狀態(tài)的動(dòng)力學(xué)仿真模型幅值分別如圖5和6所示??煽闯稣顟B(tài)下的齒輪軸加速度明顯低于斷齒狀態(tài),且斷齒狀態(tài)下的加速度是正常狀態(tài)的8.33倍,出現(xiàn)明顯的峰值波動(dòng)。

      動(dòng)力學(xué)分析結(jié)果表明,建立的懸臂式掘進(jìn)機(jī)截割部動(dòng)力學(xué)仿真模型可以用來(lái)模擬懸臂式掘進(jìn)機(jī)截割部實(shí)際工況,以獲得虛擬數(shù)據(jù)。

      2.4 懸臂式掘進(jìn)機(jī)截割部虛擬數(shù)據(jù)可信度驗(yàn)證

      在實(shí)際情況中,實(shí)際數(shù)據(jù)易受環(huán)境因素影響,使得仿真數(shù)據(jù)與實(shí)際數(shù)據(jù)存在較大偏差,無(wú)法反映出真實(shí)運(yùn)行情況。余弦相似度[17]可以區(qū)分不同數(shù)據(jù)之間的偏差,且由余弦函數(shù)特性可知,區(qū)間[0,]內(nèi),其函數(shù)減小的速率不斷增大。當(dāng)狀態(tài)對(duì)應(yīng)的夾角較大,余弦相似值接近0時(shí),2種數(shù)據(jù)相似度較低,余弦函數(shù)減小的速率就增大;反之當(dāng)夾角較小時(shí),2種數(shù)據(jù)相似度較高,余弦函數(shù)對(duì)應(yīng)值的變化速率就減小。因此,本文以余弦相似度為參考標(biāo)準(zhǔn),將仿真數(shù)據(jù)作為向量 X,實(shí)際數(shù)據(jù)作為向量 Y,實(shí)時(shí)計(jì)算二者余弦相似度大小,調(diào)整相關(guān)參數(shù),達(dá)到以虛擬模型狀態(tài)模擬物理實(shí)體狀態(tài)的目的。

      根據(jù)余弦相似度 cos(X,Y)閾值來(lái)確定仿真數(shù)據(jù)與實(shí)際數(shù)據(jù)之間的相似程度[18],其具體閾值見表1。

      為保證虛擬模型運(yùn)行數(shù)據(jù)的可信度,對(duì)截割部虛實(shí)數(shù)據(jù)進(jìn)行對(duì)比,結(jié)果如圖7所示,可看出虛擬運(yùn)行數(shù)據(jù)表現(xiàn)出極高的可信度。通過(guò)計(jì)算得出虛擬運(yùn)行數(shù)據(jù)與真實(shí)運(yùn)行數(shù)據(jù)的余弦相似度為0.803,當(dāng)前真實(shí)運(yùn)行數(shù)據(jù)與虛擬運(yùn)行數(shù)據(jù)強(qiáng)相關(guān),說(shuō)明當(dāng)前虛擬運(yùn)行數(shù)據(jù)可表征真實(shí)運(yùn)行數(shù)據(jù)。

      3 懸臂式掘進(jìn)機(jī)截割部故障預(yù)警模型構(gòu)建

      3.1 懸臂式掘進(jìn)機(jī)截割部虛實(shí)數(shù)據(jù)融合

      3.1.1 虛實(shí)數(shù)據(jù)相似關(guān)聯(lián)融合

      利用貝葉斯估計(jì)法對(duì)截割部虛實(shí)數(shù)據(jù)進(jìn)行相似關(guān)聯(lián)融合,首先計(jì)算出虛實(shí)數(shù)據(jù)的置信距離矩陣,并對(duì)數(shù)據(jù)有效性進(jìn)行判斷,然后選擇合適的距離臨界值,由置信距離矩陣產(chǎn)生關(guān)系矩陣,由關(guān)系矩陣對(duì)虛實(shí)數(shù)據(jù)進(jìn)行選擇,產(chǎn)生最佳融合數(shù),最后將虛實(shí)數(shù)據(jù)的均值、方差和最佳融合數(shù)對(duì)應(yīng)的數(shù)據(jù)、方差代入貝葉斯融合估計(jì)公式求得參數(shù)估計(jì)值。建立設(shè)備相應(yīng)的故障預(yù)警模型,在故障發(fā)生前及時(shí)采取相應(yīng)措施進(jìn)行維修,避免設(shè)備故障對(duì)生產(chǎn)帶來(lái)的影響,提高設(shè)備運(yùn)行可靠性。

      將相似關(guān)聯(lián)融合前后的行星減速器傳動(dòng)軸(輸入端)加速度進(jìn)行對(duì)比,如圖8所示。可看出行星減速器傳動(dòng)軸(輸入端)物理實(shí)體數(shù)據(jù)與虛擬模型數(shù)據(jù)的相似關(guān)聯(lián)部分進(jìn)行融合后,減少了懸臂式掘進(jìn)機(jī)截割部運(yùn)行過(guò)程中所產(chǎn)生的噪聲,使得融合數(shù)據(jù)更加準(zhǔn)確。

      3.1.2 虛實(shí)數(shù)據(jù)互補(bǔ)關(guān)聯(lián)融合

      在懸臂式掘進(jìn)機(jī)截割部的虛擬監(jiān)測(cè)與故障預(yù)警中,采用自適應(yīng)互補(bǔ)加權(quán)融合方法對(duì)截割部虛實(shí)數(shù)據(jù)進(jìn)行互補(bǔ)關(guān)聯(lián)融合,在總均方誤差最小的前提下,為各數(shù)據(jù)分配對(duì)應(yīng)的最優(yōu)加權(quán)因子,數(shù)據(jù)的方差越大,對(duì)應(yīng)所分配的權(quán)值越小,以使最終的估計(jì)值貼近真實(shí)值。這一方法可以解決懸臂式掘進(jìn)機(jī)截割部在運(yùn)行過(guò)程中由于外界因素干擾所導(dǎo)致的數(shù)據(jù)可用性差和可靠性低等問(wèn)題,提高了所獲取數(shù)據(jù)的可利用性。

      將互補(bǔ)關(guān)聯(lián)融合前后的行星減速器傳動(dòng)軸(輸入端)加速度進(jìn)行對(duì)比,結(jié)果如圖9所示。可看出融合后的行星減速器傳動(dòng)軸(輸入端)加速度數(shù)據(jù)與未融合時(shí)相比減少了虛實(shí)數(shù)據(jù)中的異常波動(dòng)值,提高了融合數(shù)據(jù)的可操作性。

      3.2 基于改進(jìn) SOM神經(jīng)網(wǎng)絡(luò)的故障預(yù)警模型建立

      3.2.1 SOM 神經(jīng)網(wǎng)絡(luò)概述

      SOM 神經(jīng)網(wǎng)絡(luò)是一種無(wú)監(jiān)督的競(jìng)爭(zhēng)學(xué)習(xí)型網(wǎng)絡(luò),常用于數(shù)據(jù)聚類和降維分析[10]。與其他聚類算法不同,SOM 神經(jīng)網(wǎng)絡(luò)不僅能夠?qū)崟r(shí)學(xué)習(xí),而且具有較好的自穩(wěn)定性,抗噪聲能力強(qiáng)。且 SOM 神經(jīng)網(wǎng)絡(luò)不依賴其他評(píng)價(jià)函數(shù),即可進(jìn)行相應(yīng)的向量空間特征識(shí)別,經(jīng)過(guò)一定訓(xùn)練的 SOM 神經(jīng)網(wǎng)絡(luò)可進(jìn)一步實(shí)現(xiàn)分類、預(yù)測(cè)等功能。

      目前,懸臂式掘進(jìn)機(jī)截割部故障預(yù)警技術(shù)僅能對(duì)具有單項(xiàng)獨(dú)立參數(shù)的設(shè)備進(jìn)行預(yù)警,數(shù)據(jù)冗余處理算法操作繁瑣,一般是預(yù)警后發(fā)生故障的時(shí)間較短,不能實(shí)現(xiàn)有效預(yù)警。而 SOM 神經(jīng)網(wǎng)絡(luò)屬于無(wú)監(jiān)督學(xué)習(xí),不需要對(duì)數(shù)據(jù)進(jìn)行先驗(yàn)知識(shí)的學(xué)習(xí),操作簡(jiǎn)便。通過(guò)對(duì)數(shù)據(jù)進(jìn)行聚類,計(jì)算正常數(shù)據(jù)、異常數(shù)據(jù)與 SOM 神經(jīng)網(wǎng)絡(luò)中獲勝神經(jīng)元間的距離比值,超過(guò)一定閾值范圍則判定為異常數(shù)據(jù),對(duì)設(shè)備故障預(yù)警具有較強(qiáng)的應(yīng)用性和拓展性。

      3.2.2 學(xué)習(xí)速率設(shè)置

      SOM 神經(jīng)網(wǎng)絡(luò)能根據(jù)輸入數(shù)據(jù)的相似度進(jìn)行分析比較,尋找數(shù)據(jù)間內(nèi)在規(guī)律,實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的自適應(yīng)分類[19]。但在 SOM 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過(guò)程中,如何選擇合適的學(xué)習(xí)速率η(t)是解決傳統(tǒng) SOM 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率低下的關(guān)鍵因素。當(dāng)η(t)較大時(shí), SOM 神經(jīng)網(wǎng)絡(luò)中的權(quán)重向量會(huì)振蕩更新,導(dǎo)致 SOM 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程穩(wěn)定性差,使得 SOM 網(wǎng)絡(luò)訓(xùn)練結(jié)果可靠度低;當(dāng)η(t)較小時(shí),SOM 神經(jīng)網(wǎng)絡(luò)訓(xùn)練穩(wěn)定性得以保障,但容易造成網(wǎng)絡(luò)收斂速度減慢,難以滿足實(shí)際應(yīng)用需求。

      因此,針對(duì)傳統(tǒng) SOM 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率不能達(dá)到目前所需速率要求的問(wèn)題,引入關(guān)于時(shí)間 t 的單調(diào)遞減函數(shù),以保證在開始階段該網(wǎng)絡(luò)能以較快的速度進(jìn)行模型學(xué)習(xí)。

      式中:η(0)為模型起初的學(xué)習(xí)速率;T 為學(xué)習(xí)步長(zhǎng); D 為迭代次數(shù)。

      隨著學(xué)習(xí)步長(zhǎng)的更新,SOM 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率越來(lái)越趨近于0。

      3.2.3 故障預(yù)警模型建立

      基于改進(jìn) SOM 神經(jīng)網(wǎng)絡(luò)的故障預(yù)警模型如圖10所示。

      首先,采用正例樣本比例對(duì)模型輸入數(shù)據(jù)進(jìn)行排序[20],并計(jì)算數(shù)據(jù)的熵H(M)及在 M = mk(M 為總樣本數(shù)據(jù),mk為第 k 個(gè)樣本數(shù)據(jù))條件下隨機(jī)變量 N的條件熵 H(N ∣M)。

      式中:pk 為 M 中第 k 個(gè)樣本數(shù)據(jù)的概率;k為樣本個(gè)數(shù),c為樣本總個(gè)數(shù)。

      其次,選擇條件熵加權(quán)和最小值作為分箱劃分點(diǎn),進(jìn)行箱體分裂,將每個(gè)分箱內(nèi)的異常值剔除后結(jié)束,并初始化輸入層神經(jīng)元的向量 Z 與競(jìng)爭(zhēng)層神經(jīng)元間的權(quán)值向量 W。

      式中waf為輸入層第 a 個(gè)神經(jīng)元與競(jìng)爭(zhēng)層第f 個(gè)神經(jīng)元之間的連接權(quán)值。

      再次,將輸入層神經(jīng)元向量 Z 與競(jìng)爭(zhēng)層神經(jīng)元間的權(quán)值向量Wf全部進(jìn)行歸一化處理,得到 Z(?)和 W(?)f:

      計(jì)算競(jìng)爭(zhēng)層神經(jīng)元(映射層的權(quán)值向量)與輸入向量之間的歐氏距離df。

      式中:Za 為第 a 個(gè)神經(jīng)元向量; b 為神經(jīng)元總個(gè)數(shù)。

      將與輸入向量距離最小的競(jìng)爭(zhēng)層神經(jīng)元稱為獲勝神經(jīng)元,記為f *。按“勝者通吃”(Winner Take All, WTA)學(xué)習(xí)法則,獲勝神經(jīng)元輸出為1,其余為0。

      式中:ya(t+1)為兩向量間的內(nèi)積; t 為訓(xùn)練次數(shù)。

      然后,對(duì)獲勝神經(jīng)元f *和其鄰近神經(jīng)元f(f * f *)的權(quán)值進(jìn)行調(diào)整,并確定輸出ok 的值。

      式中g(shù)(·)為輸出函數(shù),其輸出值范圍為(0,1),且g(·)也可為其他非線性函數(shù)。

      最后,根據(jù)預(yù)設(shè)要求判斷算法是否結(jié)束,若未滿足預(yù)設(shè)要求,則重新進(jìn)行學(xué)習(xí);反之,則 SOM 神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型建立完畢[21]。

      將獲取的懸臂式掘進(jìn)機(jī)截割部實(shí)時(shí)運(yùn)行數(shù)據(jù)輸入至 SOM 神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型中,計(jì)算第 v 條實(shí)時(shí)數(shù)據(jù)與獲勝神經(jīng)元之間的距離為 lv,一旦距離閾值τv>1,則認(rèn)為該條數(shù)據(jù)為異常數(shù)據(jù)。其中,距離閾值τt>1計(jì)算如下。

      由于 SOM 神經(jīng)網(wǎng)絡(luò)的離散化,訓(xùn)練數(shù)據(jù)與對(duì)應(yīng)獲勝神經(jīng)元間會(huì)存在一定的距離[21],所以,間隔的最大距離r為

      式中:si為訓(xùn)練數(shù)據(jù);wf為競(jìng)爭(zhēng)層第 f個(gè)神經(jīng)元的權(quán)值;I 和 F 分別為訓(xùn)練數(shù)據(jù)個(gè)數(shù)和競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)。

      計(jì)算實(shí)時(shí)數(shù)據(jù)與獲勝神經(jīng)元之間的距離lv:

      式中sv(、)為第v條實(shí)時(shí)數(shù)據(jù)。

      將第v條實(shí)時(shí)數(shù)據(jù)與獲勝神經(jīng)元的距離lv 和訓(xùn)練數(shù)據(jù)與其對(duì)應(yīng)神經(jīng)元間隔的最大距離r進(jìn)行比較[22],得出距離閾值τv:

      當(dāng)τv>1時(shí),表示lv>r,說(shuō)明第v條實(shí)時(shí)數(shù)據(jù)與訓(xùn)練數(shù)據(jù)差異較大,可能為異常數(shù)據(jù)。τv 越大表示該條數(shù)據(jù)的異常程度越大。

      4 實(shí)驗(yàn)驗(yàn)證

      4.1 實(shí)驗(yàn)平臺(tái)

      為驗(yàn)證基于虛實(shí)融合數(shù)據(jù)的懸臂式掘進(jìn)機(jī)截割部故障預(yù)警方法的有效性,以機(jī)械動(dòng)力傳輸系統(tǒng)故障模擬平臺(tái)(Drivetrain Diagnostics Simulator,DDS)為實(shí)驗(yàn)平臺(tái),如圖11所示。在實(shí)驗(yàn)過(guò)程中,通過(guò)更換齒輪箱內(nèi)的齒輪和前端軸承等零件,來(lái)模擬懸臂式掘進(jìn)機(jī)的不同故障。將加速度傳感器一端固定于數(shù)據(jù)采集部位,另一端接入多通道數(shù)據(jù)采集儀,多通道數(shù)據(jù)采集儀和電動(dòng)機(jī)與計(jì)算機(jī)連接。通過(guò)加速度傳感器采集齒輪、軸承和電動(dòng)機(jī)的運(yùn)行數(shù)據(jù),再將采集到的數(shù)據(jù)導(dǎo)入懸臂式掘進(jìn)機(jī)截割部故障預(yù)警模型進(jìn)行測(cè)試,進(jìn)而驗(yàn)證能否實(shí)現(xiàn)故障預(yù)警。

      4.2 故障預(yù)警模型訓(xùn)練

      為了便于模型驗(yàn)證,將虛實(shí)融合數(shù)據(jù)輸入故障預(yù)警模型中進(jìn)行訓(xùn)練,構(gòu)建懸臂式掘進(jìn)機(jī)截割部故障預(yù)警模型,克服在實(shí)際過(guò)程中獲取故障特征數(shù)據(jù)困難且噪聲大等問(wèn)題,具體故障類型見表2。

      訓(xùn)練改進(jìn) SOM 神經(jīng)網(wǎng)絡(luò)時(shí),設(shè)競(jìng)爭(zhēng)層結(jié)構(gòu)為10×10,假定最大迭代次數(shù)為500。將處理后的樣本數(shù)據(jù)輸入 SOM 神經(jīng)網(wǎng)絡(luò)中,進(jìn)行無(wú)監(jiān)督學(xué)習(xí)訓(xùn)練。經(jīng)訓(xùn)練10、100、200、500次后,得到不同迭代次數(shù)下的權(quán)值向量,如圖12所示。可看出 SOM 神經(jīng)網(wǎng)絡(luò)訓(xùn)練初始聚類效果并不明顯,但隨著迭代次數(shù)的不斷增加,神經(jīng)元的位置發(fā)生了顯著變化,當(dāng)網(wǎng)絡(luò)迭代次數(shù)達(dá)500時(shí),SOM 神經(jīng)網(wǎng)絡(luò)對(duì)輸入向量的聚類效果最為顯著。

      當(dāng)?shù)螖?shù)為500時(shí),對(duì)輸入樣本進(jìn)行識(shí)別、聚類,結(jié)果如圖13所示。可看出 SOM 神經(jīng)網(wǎng)絡(luò)將輸入的樣本數(shù)據(jù)聚類為6類,這對(duì)應(yīng)了表2中樣本數(shù)據(jù)的6類故障類型。

      為了驗(yàn)證 SOM 神經(jīng)網(wǎng)絡(luò)的聚類效果,實(shí)驗(yàn)得到 SOM 神經(jīng)網(wǎng)絡(luò)相鄰權(quán)重之間的距離曲線,如圖14所示??煽闯霎?dāng)網(wǎng)絡(luò)訓(xùn)練次數(shù)達(dá)500時(shí),SOM 神經(jīng)網(wǎng)絡(luò)相鄰權(quán)重之間的距離曲線具有明顯的聚類效果,表明了懸臂式掘進(jìn)機(jī)故障預(yù)警模型訓(xùn)練成功。

      4.3 模型測(cè)試數(shù)據(jù)采集

      實(shí)驗(yàn)過(guò)程中,以行星齒輪箱故障數(shù)據(jù)集作為數(shù)據(jù)樣本,將截割頭轉(zhuǎn)速、行星減速器傳動(dòng)軸(輸入端、輸出端)加速度、軸承加速度、太陽(yáng)輪加速度和截割電動(dòng)機(jī)轉(zhuǎn)速正常數(shù)據(jù)作為測(cè)試樣本,部分正常樣本訓(xùn)練數(shù)據(jù)見表3。

      4.4 故障預(yù)警模型功能驗(yàn)證

      為驗(yàn)證截割部故障預(yù)警模型的有效性,從所采集的測(cè)試數(shù)據(jù)中隨機(jī)選取一組數(shù)據(jù)輸入到訓(xùn)練完畢的故障預(yù)警模型進(jìn)行測(cè)試,其模型運(yùn)行結(jié)果見表4??煽闯鲚斎霚y(cè)試數(shù)據(jù)運(yùn)行結(jié)果為10,這與樣本獲勝神經(jīng)元中輸入軸故障數(shù)據(jù)保持一致,表明了測(cè)試數(shù)據(jù)符合輸入軸數(shù)據(jù)故障類型。說(shuō)明該模型可對(duì)單一類別的故障進(jìn)行預(yù)測(cè)。

      為了驗(yàn)證故障預(yù)警模型綜合故障預(yù)警能力,從測(cè)試數(shù)據(jù)中隨機(jī)選取一組包含復(fù)合故障類型的數(shù)據(jù)輸入到訓(xùn)練完畢的故障預(yù)警模型進(jìn)行測(cè)試,其模型運(yùn)行結(jié)果見表5??煽闯鲚斎霐?shù)據(jù)運(yùn)行后測(cè)試獲勝神經(jīng)元分別為10和99,分別對(duì)應(yīng)輸入軸故障和太陽(yáng)輪故障。此外,該模型對(duì)6類故障的預(yù)測(cè)準(zhǔn)確率為83.33%,表明了該模型可以有效實(shí)現(xiàn)復(fù)合故障預(yù)測(cè)。

      4.5 SOM 神經(jīng)網(wǎng)絡(luò)改進(jìn)性能測(cè)試

      為驗(yàn)證基于改進(jìn) SOM 神經(jīng)網(wǎng)絡(luò)的故障預(yù)警模型的有效性,在不同迭代次數(shù)(10、100、200和500)下將改進(jìn)前后 SOM 神經(jīng)網(wǎng)絡(luò)分別運(yùn)行5次進(jìn)行性能驗(yàn)證,其結(jié)果見表6??煽闯鲭S著迭代次數(shù)的增加,改進(jìn) SOM網(wǎng)絡(luò)運(yùn)行時(shí)間分別縮短了19.71%,36.64%,44.98%,42.02%。

      為了更直觀體現(xiàn)改進(jìn)效果,本文將平均時(shí)間數(shù)據(jù)進(jìn)行可視化處理,如圖15所示??煽闯龈倪M(jìn) SOM 神經(jīng)網(wǎng)絡(luò)相較于傳統(tǒng)的 SOM 神經(jīng)網(wǎng)絡(luò)平均運(yùn)行效率提高了35.84%。

      5 結(jié)論

      1)針對(duì)懸臂式掘進(jìn)機(jī)截割部故障特征數(shù)據(jù)獲取困難的問(wèn)題,對(duì)懸臂式掘進(jìn)機(jī)截割部關(guān)鍵部件進(jìn)行三維建模。建立了其動(dòng)力學(xué)仿真模型,獲取了截割頭轉(zhuǎn)速、行星減速器傳動(dòng)軸(輸入端、輸出端)加速度、軸承加速度、太陽(yáng)輪加速度和截割電動(dòng)機(jī)轉(zhuǎn)速虛擬數(shù)據(jù),并根據(jù)余弦相似度閾值對(duì)所獲取的虛擬數(shù)據(jù)進(jìn)行了可信度驗(yàn)證。仿真數(shù)據(jù)與實(shí)際數(shù)據(jù)的余弦相似度值為0.803,這表示兩者強(qiáng)相關(guān),驗(yàn)證了虛擬數(shù)據(jù)可表征當(dāng)前時(shí)刻的真實(shí)數(shù)據(jù)。

      2)針對(duì)傳統(tǒng)自組織映射網(wǎng)絡(luò)學(xué)習(xí)效率易受學(xué)習(xí)速率的影響問(wèn)題,以最小熵分箱法按正例樣本比例對(duì)輸入數(shù)據(jù)排序,并以條件熵加權(quán)和最小值作為分箱劃分點(diǎn)進(jìn)行箱體分裂,剔除數(shù)據(jù)異常值;同時(shí),引入關(guān)于時(shí)間的單調(diào)遞減函數(shù)對(duì)自組織映射網(wǎng)絡(luò)進(jìn)行訓(xùn)練,在保證學(xué)習(xí)速率的同時(shí),兼顧預(yù)警模型的穩(wěn)定性。實(shí)驗(yàn)結(jié)果表明,改進(jìn) SOM 神經(jīng)網(wǎng)絡(luò)的平均運(yùn)行效率可提高35.84%。

      3)針對(duì)懸臂式掘進(jìn)機(jī)截割部利用單一實(shí)際振動(dòng)數(shù)據(jù)進(jìn)行故障預(yù)警困難的問(wèn)題,設(shè)計(jì)了基于虛實(shí)融合數(shù)據(jù)的懸臂式掘進(jìn)機(jī)截割部故障預(yù)警模型,并通過(guò)虛實(shí)融合數(shù)據(jù)進(jìn)行訓(xùn)練與測(cè)試。實(shí)驗(yàn)結(jié)果表明,基于虛實(shí)數(shù)據(jù)的懸臂式掘進(jìn)機(jī)截割部故障預(yù)警方法準(zhǔn)確率可達(dá)83.33%,但在模型訓(xùn)練數(shù)據(jù)完整性、測(cè)試數(shù)據(jù)多樣性及模型準(zhǔn)確率等方面仍需進(jìn)一步深入研究。

      參考文獻(xiàn)(References):

      [1] 毛君,董鈺峰,盧進(jìn)南,等.巷道掘進(jìn)截割鉆進(jìn)先進(jìn)技術(shù)研究現(xiàn)狀及展望[J].煤炭學(xué)報(bào),2021,46(7):2084-2099.

      MAO Jun,DONG Yufeng,LU Jinnan,et al. Research status and prospect of advanced technology of roadway excavation cutting and drilling equipment[J]. Journal of China Coal Society,2021,46(7):2084-2099.

      [2] 耿晉杰.掘進(jìn)機(jī)截割部故障分析與優(yōu)化設(shè)計(jì)[J].西部探礦工程,2020,32(9):160-161.

      GENG Jinjie. Fault analysis and optimization design of roadheader cutting unit[J]. West-China Exploration Engineering,2020,32(9):160-161.

      [3] 吳晉軍.懸臂式掘進(jìn)機(jī)液壓故障診斷系統(tǒng)設(shè)計(jì)[J].液壓氣動(dòng)與密封,2022,42(8):86-90.

      WU Jinjun. Design of hydraulic fault diagnosis system for roadheader[J]. Hydraulics Pneumatics & Seals,2022,42(8):86-90.

      [4] 蓋巍巍,席亞兵,樊志家.掘進(jìn)機(jī)回轉(zhuǎn)臺(tái)開裂故障分析及改進(jìn)[J].礦山機(jī)械,2021,49(3):18-21.

      GAI Weiwei,XI Yabing,F(xiàn)AN Zhijia. Analysis on cracking fault of rotary table of roadheader and improvement[J]. Mining & Processing Equipment,2021,49(3):18-21.

      [5] 吉昌生.煤礦井下掘進(jìn)機(jī)機(jī)電設(shè)備故障診斷及維護(hù)[J].采礦技術(shù),2018,18(6):122-123.

      JI Changsheng. Fault diagnosis and maintenance of mechanical and electrical equipment of underground roadheader in coal mine[J]. Mining Technology,2018,18(6):122-123.

      [6] 蒙康,滕偉,彭迪康,等.運(yùn)行機(jī)理與數(shù)據(jù)雙驅(qū)動(dòng)的風(fēng)電齒輪箱系統(tǒng)故障預(yù)警[J].中國(guó)機(jī)械工程,2023,34(12):1476-1485.

      MENG Kang, TENG Wei, PENG Dikang, et al. Operating mechanism and data driven approach for fault alarm of wind turbine gearbox systems[J]. China Mechanical Engineering,2023,34(12):1476-1485.

      [7] 劉送永,劉強(qiáng).巷道掘進(jìn)機(jī)健康管理研究現(xiàn)狀及展望[J].工礦自動(dòng)化,2021,47(2):32-37.

      LIU Songyong,LIU Qiang. Research status and prospect of roadheader health management[J]. Industry and Mine Automation,2021,47(2):32-37.

      [8] 張?zhí)烊?,魏銘琦,劉?全斷面掘進(jìn)機(jī)健康管理系統(tǒng)的建模與仿真[J].中國(guó)工程機(jī)械學(xué)報(bào),2019,17(3):231-237.

      ZHANG Tianrui, WEI Mingqi, LIU Bin. System modeling and simulation for health management of tunnel boring? machine[J]. Chinese Journal of Construction Machinery,2019,17(3):231-237.

      [9] 張境麟,姚鈺鵬,馮銀輝,等.故障診斷預(yù)警系統(tǒng)在煤炭開采的應(yīng)用[J].煤炭科學(xué)技術(shù),2021,49(增刊1):175-182.

      ZHANG Jinglin,YAO Yupeng,F(xiàn)ENG Yinhui,et al. Application of fault diagnosis and early warning system in coal mining[J]. Coal Science and Technology,2021,49(S1):175-182.

      [10] 韓寶宏,閆明勝,段鵬飛,等.基于SOM?MQE模型的設(shè)備故障預(yù)警方法[J].工業(yè)技術(shù)創(chuàng)新,2021,8(1):74-78.

      HAN Baohong,YAN Mingsheng,DUAN Pengfei,et al. Equipment fault warning method based on SOM-MQE model[J]. Industrial Technology Innovation,2021,8(1):74-78.

      [11] JI Xiaodong,YANG Yang,QU Yuanyuan,et al. Health diagnosis of roadheader based on reference manifold learning and improved K-means [J/OL]. Shock and Vibration,2021. https://www.hindawi.com/journals/sv/2021/6311795/.

      [12] FAN Yuhao,QIAN Chenying. Research on fault early warning technology of wind turbine main bearing by stacked auto encoder[J/OL]. Journal of Physics: Conference Series,2021,2033(1). https://iopscience. iop.org/article/10.1088/1742-6596/2033/1/012112/pdf.

      [13] 王炳效.掘進(jìn)機(jī)截割頭故障分析及改進(jìn)方案[J].價(jià)值工程,2015,34(17):115-116.

      WANG Bingxiao. Analysis on the cutting head fault of boring machine and the improvement program[J]. Value Engineering,2015,34(17):115-116.

      [14] 王福忠,田曉盈,張麗.懸臂式掘進(jìn)機(jī)截割機(jī)構(gòu)狀態(tài)診斷策略研究[J].計(jì)算機(jī)仿真,2015,32(5):390-394.

      WANG Fuzhong,TIAN Xiaoying,ZHANG Li. State diagnosis? strategy? for? boring? machine? cutting institutions[J]. Computer Simulation,2015,32(5):390-394.

      [15] 郝錦龍,董洪全.掘進(jìn)機(jī)截割部減速器動(dòng)力學(xué)建模及行星架結(jié)構(gòu)強(qiáng)度分析[J].煤礦機(jī)械,2020,41(10):87-90.

      HAO Jinlong,DONG Hongquan. Dynamic modeling and strength analysis of planet frame structure of roadheader cutting part reducer[J]. CoalMine Machinery,2020,41(10):87-90.

      [16] 孫英.掘進(jìn)機(jī)整機(jī)動(dòng)力學(xué)分析及電控箱減振研究[D].太原:太原理工大學(xué),2016.

      SUN Ying. Research on dynamical analysis of road- header and vibration reduction about the electric cabinet[D].? Taiyuan: Taiyuan? University? of Technology,2016.

      [17] 賈科,鄭黎明,畢天姝,等.基于余弦相似度的風(fēng)電場(chǎng)站送出線路縱聯(lián)保護(hù)[J].中國(guó)電機(jī)工程學(xué)報(bào),2019,39(21):6263-6275.

      JIA Ke,ZHENG Liming,BI Tianshu,et al. Pilot protection based on cosine similarity for transmission line connected to wind farms[J]. Proceedings of the CSEE,2019,39(21):6263-6275.

      [18] 耿志強(qiáng),胡海霞,韓永明.基于余弦相似度的復(fù)雜網(wǎng)絡(luò)故障檢測(cè)方法及應(yīng)用[J].北京化工大學(xué)學(xué)報(bào)(自然科學(xué)版),2017,44(2):87-94.

      GENG Zhiqiang, HU Haixia, HAN Yongming. A complex network fault detection method based on cosine similarity and its application[J]. Journal of Beijing University of Chemical Technology(Natural Science Edition),2017,44(2):87-94.

      [19] 胡津銘,趙戈,張艷.基于改進(jìn)SOM神經(jīng)網(wǎng)絡(luò)的移動(dòng)警務(wù)終端流量監(jiān)測(cè)方法研究[J].信息網(wǎng)絡(luò)安全,2021(增刊1):109-112.

      HU Jinming,ZHAO Ge,ZHANG Yan. Research on the traffic monitoring method of mobile police terminal based on improved SOM neural network[J]. Netinfo Security,2021(S1):109-112.

      [20] 申屠晗,彭冬亮,薛安克.最小熵反饋式變結(jié)構(gòu)多模型融合算法[J].控制理論與應(yīng)用,2013,30(3):372-378.

      SHEN Tuhan,PENG Dongliang,XUE Anke. Minimum entropy and feedback structure-based algorithm for variable structure multi-model fusion[J]. Control Theory & Applications,2013,30(3):372-378.

      [21] 劉達(dá),陳松燦.基于高斯神經(jīng)元的自組織映射網(wǎng)絡(luò)研究[J].數(shù)據(jù)采集與處理,2023,38(1):85-92.

      LIU Da,CHEN Songcan. Research on self-organizing map network based on gaussian neuron [J]. Journal of Data Acquisition and Processing,2023,38(1):85-92.

      [22] 吳錢昊.基于數(shù)字孿生車間的生產(chǎn)車間設(shè)備監(jiān)控和設(shè)備故障預(yù)警方法研究[D].合肥:合肥工業(yè)大學(xué),2020.

      WU Qianhao. Research on methods for equipment monitoring and equipment fault early warning of production? workshop? based? on? digital? twin workshop[D]. Hefei:Hefei University of Technology,2020.

      猜你喜歡
      掘進(jìn)機(jī)懸臂神經(jīng)元
      《從光子到神經(jīng)元》書評(píng)
      自然雜志(2021年6期)2021-12-23 08:24:46
      懸臂式硫化罐的開發(fā)設(shè)計(jì)
      掘進(jìn)機(jī)掘進(jìn)速度模糊PID控制
      躍動(dòng)的神經(jīng)元——波蘭Brain Embassy聯(lián)合辦公
      當(dāng)液壓遇上懸臂云臺(tái) 捷信GHFG1液壓懸臂云臺(tái)試用
      探討掛籃懸臂灌注連梁的施工
      LF爐懸臂爐蓋防傾覆結(jié)構(gòu)
      掘進(jìn)機(jī)行走部支重輪潤(rùn)滑方式改進(jìn)
      基于二次型單神經(jīng)元PID的MPPT控制
      毫米波導(dǎo)引頭預(yù)定回路改進(jìn)單神經(jīng)元控制
      甘南县| 惠东县| 舞阳县| 醴陵市| 顺义区| 金坛市| 固阳县| 霍林郭勒市| 黎川县| 贵定县| 通化市| 华容县| 交城县| 汉源县| 呼伦贝尔市| 浙江省| 阜新市| 满洲里市| 榕江县| 乌兰浩特市| 平顺县| 疏附县| 安图县| 九寨沟县| 东平县| 桂阳县| 宝丰县| 抚州市| 大安市| 鄯善县| 丰顺县| 台州市| 横山县| 上饶县| 吕梁市| 当雄县| 交城县| 晋城| 社旗县| 托里县| 玉田县|