煤炭学报

作者：李宁, 丁华, 孙晓春, 刘泽平, 浦国树,

关键词：采煤机, 不确定过程, 非线性数据, 智能故障诊断, 特征融合, 重构贡献,

采煤机作为煤炭开采的主要装置之一，其健康状态受工作环境恶劣、操作空间狭窄等因素影响而难以准确监测，且极易受到煤岩的冲击而发生故障，直接影响采煤机工作效率。此外，由于采煤机特殊的工作环境，使采集的振动数据极易受到各种因素的干扰而变的难以使用，影响其监测可靠性和智能化水平。为准确监测采煤机健康状态，以采煤机正常状态下的电流、温度、流量等容易获取的数据为基础，综合考虑数据集的全局和局部特征以避免其结构信息的丢失。利用主成分分析PCA (Principal Component Analysis)和局部保持投影LPP (Locality Preserving Projections)构建的目标函数，结合互信息、核函数、区间内积估计和重构贡献的方法建立了一种基于简化区间核全局–局部特征融合SIKGLFF(Simplified interval kernel global–local feature fusion)的智能故障诊断方法，用于对表征采煤机状态的非线性不确定数据进行特征提取。并使用山西斜沟煤矿采煤机实际运行数据模拟故障和沙曲二号煤矿实际故障数据对所提方法的性能进行评估实验。结果表明，与中点–半径核PCA、核局部保持投影和区间核全局–局部特征融合算法相比，所提方法对采煤机的单变量模拟故障、多变量的截齿损耗和水路堵塞故障具有良好的监测效果，其故障监测准确率分别达到了99.90%、99.40%和98.70%，计算时间分别只有0.324、0.367和0.345 s，而且可以准确识别产生故障的相关变量，为采煤机故障位置的确定提供理论依据，也为工作人员维护性决策的准确实施指明了方向。

来源：2024年第11期

《煤炭学报》期刊编辑部

查看煤炭学报杂志2024年第11期