Research on sorting reliability of cable-driven gangue sorting robot system based on fault tree
-
摘要: 拣矸机器人的分拣可靠性与煤的品质及分拣效率息息相关，对拣矸机器人系统分拣可靠性进行研究十分必要。现有机器人系统可靠性研究主要是针对其结构可靠性进行研究，而没有对其工作任务可靠性即分拣可靠性进行研究。针对该问题，以柔索驱动拣矸机器人系统为研究对象，采用故障树分析法对其分拣可靠性进行研究。首先，从拣矸机器人系统的结构出发，分析了拣矸机器人系统分拣故障的原因，采用演绎法构建拣矸机器人系统的分拣故障树；然后，将故障树底事件发生概率考虑为区间变量，根据区间性质、运算法则和顶事件的概率表达式得到分拣故障树顶事件概率区间参数，结合设计要求计算出反映拣矸机器人系统分拣可靠性的非概率可靠性指标；最后，基于非概率可靠性指标公式及模糊重要度定义，提出了一种区间重要度指标，对分拣故障树底事件的区间重要度进行求解并排序，结果表明分拣可靠性满足拣矸机器人可靠分拣要求，煤矸石流瞬时含矸率增大和工业相机故障是影响其分拣可靠性的重要因素。根据非概率可靠性指标计算结果和区间重要度排序找出了拣矸机器人系统的薄弱环节，并针对薄弱环节提出了3个改进措施：在分拣前对煤矸石流振荡混合；根据识别的矸石信息，智能控制带式输送机带速；在拣矸机器人系统中增加备用工业相机。Abstract: The sorting reliability of the gangue sorting robot is closely related to coal quality and sorting efficiency. It is necessary to study the sorting reliability of the sorting robot system. The existing reliability research of robot system mainly focuses on the structural reliability. There is no research on the task reliability of robot system, namely sorting reliability. In order to solve this problem, taking the cable-driven gangue sorting robot system as the research object, the sorting reliability is studied by fault tree analysis. Firstly, based on the structure of the gangue sorting robot system, the reasons for the sorting failure of the gangue sorting robot system are analyzed. The deductive method is used to construct the sorting fault tree of the gangue sorting robot system. Secondly, the occurrence probability of the bottom event of the fault tree is considered as an interval variable. The probability interval parameter of the top event of the sorting fault tree is obtained according to the interval property, the algorithm and the probability expression of the top event. According to the design requirements, the non-probabilistic reliability index which reflects the sorting reliability of the gangue sorting robot system is calculated. Finally, based on the formula of the non-probabilistic reliability index and the definition of fuzzy importance, an interval importance index is proposed. The interval importance of the events at the bottom of the sorting fault tree is solved and ranked. The results show that the sorting reliability can meet the requirements of sorting reliability of the gangue sorting robot. The increase of instantaneous gangue content in coal gangue flow and the failure of the industrial camera are important factors affecting the sorting reliability. According to the calculation result of the non-probability reliability index and the ranking of interval importance, the weak link of the gangue sorting robot system is found. Three improvement measures are proposed for the weak link. It is suggested to shake and mix the coal gangue flow before sorting. According to the identified gangue information, it is suggested to intelligently control the belt speed of the belt conveyor. It is suggested to add spare industrial camera in the gangue sorting robot system.
-
0. 引言
地下铝土矿开采环境与煤矿相似[1]，借鉴煤矿开采经验，在地下铝土矿中引进综采成套机械设备，是铝土矿高效、安全开采的一条新出路[2]。大部分地下铝土矿的工作面地质赋存条件与煤矿相似，矿体与岩层交界崎岖，直接顶与直接底为岩石，将采矿机应用于地下铝土矿生产时，采矿机滚筒可能因割顶底板的岩类负载，致使滚筒截齿磨损加速，机械损耗增加。在地下开采过程中，工作人员根据经验判断截割负载类型，并通过手持遥控装置或端子调节采矿机滚筒高度，但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。在开采智能化趋势下，采矿机智能化是其中的重要环节，而准确、智能地识别截割负载是实现采矿机智能化的关键技术。
目前，以振动信号为参考的截割负载类型识别方式被广泛应用[3]，其识别过程主要包括信号特征提取和模式分类2个部分，其中有效的信号特征提取是截割负载类型识别的基础。采矿机实际运行工况复杂，获得的振动信号具有时域非线性的随机非平稳特征。目前，傅里叶变换、小波变换等时频特征提取方法应用场景广泛。但传统的傅里叶变换不能反映信号在时域上的突变趋势，无法适用于非平稳信号的分解；小波变换在分析信号的高频部分时分辨率较低，易丢失信号的有效特征信息。小波包分解广泛用于处理非平稳信号，信号的有效信息保留全面、分辨率高。郭伟超等[4]利用小波包分解得到表征信号特征的能量谱作为特征向量，并利用主成分分析（Principal Component Analysis，PCA）方法降低特征向量维度，以提取出区分故障类型的有效特征。
在模式分类方面，BP神经网络（Back Propagation Neural Network，BPNN）具备非线性映射、自学习和自适应等能力，但在BPNN训练过程中，算法受反向传播影响，易陷入局部最优解，同时，网络初始化时的权值、阈值选取会直接影响网络收敛速度。麻雀搜索算法（Sparrow Search Algorithm，SSA）是于2020年提出的一种群智能优化算法，通过模拟麻雀的集体觅食行为，优化群体活动以找到全局最优解。孙全等[5]引入SSA对BPNN的初始权值、阈值进行优化，提高了神经网络的训练精度和收敛速度。
因此，本文将小波包分解与SSA−BPNN相结合，基于振动信号对地下铝土矿截割负载类型进行识别。利用小波包分解提取采矿机滚筒空载、截割铝土、截割岩石时的振动信号能量特征，并对特征向量进行降维处理；将特征向量输入至SSA−BPNN，以实现截割负载的分类。
1. 基于小波包分解的信号特征提取
1.1 小波包分解
小波包分解能对小波分解中未分解的高频信号进一步分解到各个频段上，并根据样本数据的特征，自适应选取频段以匹配信号的频谱特征，保留了数据中完整的有效特征[6]。
1.2 特征向量计算
将振动信号x(t)进行n层小波包分解后，得到2n个子频带，则第i（
$ i=\mathrm{0,1},\cdots ,{2}^{n}-1 $ ）个子频带的能量为$$ {E}_{{i}}=\sum _{m=0}^{m=N-1}{\left|{f}_{i}\left(m\right)\right|}^{2} $$ (1) 式中
$ {f}_{i}\left(m\right) $ 为x(t)分解后第i个子频带中第m（$m=0, 1,\cdots ,N-1，N\mathrm{为}\mathrm{采}\mathrm{样}\mathrm{点}\mathrm{数}$ ）个离散采样点的幅值。根据能量守恒定律，将提取的各子频带能量累加求和可得信号总能量
${E}$ ，则各子频带能量在信号总能量的占比为$$ {\beta }_{1}=\frac{1}{{E}}\left\{{E}_{{1}}\right.,{E}_{{2}},\cdots ,\left.{E}_{{i}}\right\} $$ (2) 信号总能量与不同截割负载类型下信号最大能量
$ {E}_{{{\rm{max}}}} $ 的比值为$$ {\beta }_{2}=\frac{{E}}{{E}_{{{\rm{max}}}}} $$ (3) 则表征截割负载状态的2n+1维特征向量为[7]
$$ {{\boldsymbol{\beta}} }=\left\{{\beta }_{1}\right.\text{，}\left.{\beta }_{2}\right\} $$ (4) 1.3 PCA降维
PCA常用于提取高维数据的有效信息及特征。当小波包分解层数过大时，特征向量维度过高，为降低高维数据的稀疏性，利用数据映射方法将高维度、线性相关的数据转换为低维度、线性无关的数据，通过计算数据主成分的累计贡献率，选取最能代表数据有效信息的主成分。
2. SSA−BPNN
在麻雀群体的觅食过程中，麻雀个体分为发现者和加入者2种：发现者负责寻找食物的区域及方向；加入者根据发现者的位置实时调整自己的位置以寻获食物。麻雀种群中的个体在觅食过程中互相监视，加入者与摄入量较多的个体争夺食物。当群体捕食环境出现危险，预警值达到临界点，种群中出现预警者，麻雀种群会迅速反应并进行反捕食[8-12]。
在模式分类过程中，为使BPNN更好、更快地收敛，将BPNN的1组权值、阈值作为麻雀个体，通过寻找麻雀个体的最佳适应度值求得权值、阈值的最优解，并赋值给BPNN。
3. 截割负载类型识别流程
基于小波包分解和SSA−BPNN的截割负载类型识别流程如图1所示，具体步骤如下。
![]()
图 1 基于小波包分解和SSA−BPNN的截割负载类型识别流程Figure 1. Cutting load type identification process based on wavelet packet decomposition and sparrow search algorithm optimized back propagation neural network（1） 将多组振动信号划分为空载、铝土、岩石负载类型下的数据样本，对样本进行小波包分解后得到各子频带能量，并对其进行归一化得到特征向量，进而对特征向量进行降维处理，并将其作为BPNN的输入。
（2） 确定BPNN的拓扑结构。根据输入的特征向量维度和模式种类，设定BPNN输入层、隐含层、输出层的神经元个数。
（3） 参数初始化。确定SSA最大迭代次数、种群规模、发现者所占种群比例、预警值及预警者数量。
（4） 计算个体适应度值。用种群中的每个个体代表BPNN中的初始权值和阈值，利用适应度函数寻找较小的适应度值以寻找最优解。
（5） 更新麻雀位置。在迭代过程中，将适应度值较好的个体作为发现者；加入者根据发现者搜索到的食物范围进行移动并与发现者抢夺食物资源；预警者在种群中随机产生，比较麻雀个体当前的适应度值与当前全局最优适应度值，并实时更新发现者、加入者和预警者的位置。
（6） 比较位置更新后的个体适应度值，并与当前最优适应度值相比较，达到最大迭代次数后选择全局最优解[13]。
（7） 利用最优解初始化BPNN并进行训练。
（8） 使用训练后的SSA−BPNN进行截割负载分类。
4. 试验验证
4.1 工程地质条件
贵州某铝土矿矿体赋存条件良好，矿层厚度变化大，主体矿层厚度为1.3～3.5 m，矿料坚固性系数变化范围大，铝土坚固性系数为2～5，岩石坚固性系数达6～8，地质赋存情况见表1。参照煤矿开采经验，该矿引入综合机械化开采技术，配备MG500/1170−AWD1采矿机。采矿机滚筒空载、截割铝土和岩石时产生的振动信号存在明显差异，因此，基于振动信号判断采矿机截割负载类型。
表 1 工作面地质赋存Table 1. Geological occurrence of working face层位 岩性 岩性描述 基本顶 灰岩 灰色薄−中厚层状细晶灰岩，夹灰−深灰色薄−中厚层状含泥质灰岩和灰黑色薄层含生物碎屑泥灰岩，含线状、脉状灰白色方解石 直接顶 泥岩、泥质灰岩、
白云质灰岩灰−深灰色薄中厚层状含泥质灰岩，夹杂生物碎屑灰岩，含线状灰白色方解石 伪顶 炭质泥岩、铝土岩 深灰色、黑色炭质泥岩，灰绿色致密铝土岩 矿体 铝土矿 灰白色、浅黄灰色碎屑状、豆状、半土状铝土矿，含少量星点状细粒黄铁矿 直接底 铝土岩、
铝土质泥岩深灰绿色致密铝土岩、深灰−灰黑色薄−中厚层状含炭质泥，含团块状细−中粒黄铁矿 基本底 泥（页）岩 灰白色中厚层灰岩夹灰绿色薄层绿泥石岩、紫红色夹灰绿色薄层泥岩、浅紫红色片状薄层页岩 4.2 传感器及测点选择
由于生产环境中采矿机摇臂预留螺孔堵塞、生锈，利用转接板将传感器固定于采矿机的方法不便实施，所以在试验过程中选用便于安装拆卸的磁吸式方法安装传感器。采用1A314E型三向压电式加速度传感器，参数见表2（g为重力加速度）。
表 2 传感器参数Table 2. 2 Sensor parameters指标 值 轴向灵敏度/（mV·g−1） 100 工作温度/℃ −40～+120 冲击极限/g 2 000 频率范围/Hz 0.5～7 000 将磁吸式加速度传感器安装于摇臂传动系统的一轴、三轴、五轴、七轴处（图2），采样频率设置为10 kHz，对摇臂进行加载试验（图3），采集加载过程中的振动信号。摇臂加载试验过程中，通过调节电流大小改变扭矩，并逐渐增加扭矩完成加载过程，加载试验分为空载、加载50%、加载75%、满载4个阶段，各阶段内载荷恒定，每种工况下采集振动信号60 s。
选用均方根和峭度2个指标从时域特征上分析摇臂不同工况下的振动信号。均方根反映振动信号的振幅大小；峭度表征振动信号中冲击信号的多少，峭度值越偏离3，代表信号受冲击激励影响越大。各工况下，一轴、三轴、五轴、七轴处振动信号的均方根和峭度分别如图4、图5所示。由图4可知，一轴处振动信号的均方根随着负载的升高上升趋势最明显，表明一轴处传感器对负载的变化最为敏感。由图5可知，一轴处振动信号峭度值偏离3的程度最小，表明一轴处振动信号受冲击振动影响最小。因此在后续工业性试验中选用摇臂一轴作为传感器安装位置。
![]()
图 4 不同工况下各轴振动信号的均方根Figure 4. Root mean square of vibration signal of each shaft under different working conditions![]()
图 5 不同工况下各轴振动信号的峭度Figure 5. Kurtosis of vibration signal of each shaft under different working conditions4.3 工业性试验方案
在工业性试验过程中，为保证传感器的可靠性，将传感器吸附于摇臂一轴靠近支架侧的壳体处，如图6所示。采集空载、截割铝土、截割岩石3种工况对应的振动信号[14-15]。在信号采集过程中，由专人跟随采矿机，实时观测滚筒位置，通过防爆手机、传感器与电控箱中的标准时间，将采矿机滚筒位置等基本信息与振动信号进行同步关联记录与保存。
4.4 特征向量提取及数据降维
采集采矿机滚筒空载、截割铝土和岩石3种不同工况下的振动信号各40 s，采样频率为10 kHz，此时，每种工况下振动信号数据点为400 000个，单个样本长度取400个数据点，则每种工况下振动信号数据点可划分为1 000个样本。
（1） 特征向量提取。选取bior3.3小波基函数，对各样本进行3层小波包分解，得到8个子频带能量及信号总能量，并利用离差标准化将数据映射至[0，1]，实现数据归一化，如图7所示。可看出不同负载下信号在各子频带上的能量表现出一定的差异性，表明经小波包分解后得到的能量特征可以作为区分不同负载类型的特征向量。
小波包能量特征向量见表3。
表 3 小波包能量特征向量Table 3. 3 Wavelet packet energy feature vectors序号 特征向量 1 [0.275 2 0.340 7 0.101 8 0.440 6 0.119 3 0.081 8
0.018 4 0.018 3 0.890 3]2 [0.316 7 0.339 3 0.107 6 0.049 4 0.095 0 0.061 8
0.012 7 0.017 5 0.886 2]3 [0.282 6 0.332 4 0.092 2 0.045 7 0.109 6 0.094 4
0.021 5 0.021 6 0.877 9] 3 000 [0.444 5 0.252 0 0.084 2 0.707 0 0.072 6 0.043 7
0.016 2 0.016 1 0.440 1]（2） 数据降维。利用PCA方法对数据进行降维，各主成分贡献率如图8所示。可看出第一、第二、第三主成分已获得累计贡献率98.7%，因此可将9维特征向量降至3维。
4.5 BPNN及SSA的参数初始化
（1） BPNN参数设置。由于降维后的特征向量为3维，设定输入层神经元个数u=3。[1 0 0]、[0 1 0]、[0 0 1]分别代表空载、铝土、岩石3种负载，设定输出层神经元个数v=3。根据经验公式可得隐含层神经元个数：
$$ l=\sqrt{u+v}+a $$ (5) 式中a为常量，取值范围为（0，10）。
通过试算法可知，取l=11时，神经网络准确性最高，因此BPNN的拓扑结构为3−11−3。
（2） SSA参数初始化。通过试算法，取最大迭代次数为30、种群规模为20，设置发现者所占种群比例为0.2，预警值为0.8，预警者数量为2。
4.6 结果分析
将特征向量作为BPNN和SSA−BPNN的输入分别进行训练，以均方误差为指标评估2种训练方案的性能，如图9所示。可看出BPNN在124次迭代时达到收敛，SSA−BPNN在91次迭代时收敛；与BPNN相比，SSA−BPNN收敛速度更快、均方误差更小。
取总样本的10%作为测试集分别代入训练好的BPNN和SSA−BPNN 2种神经网络中进行负载分类，结果如图10所示（空载时的样本编号为1—100，设为标签0；截割负载为铝土时的样本编号为101—200，设为标签1；截割负载为岩石时的样本编号为201—300，设为标签2）。可看出BPNN的识别准确率为91.7%，SSA−BPNN的识别准确率为95.3%，经SSA优化后的BPNN的识别准确率较BPNN有所提升。
5. 结论
（1） 基于小波包分解提取采矿机摇臂振动信号的能量特征，不同负载下振动信号的小波包能量特征在各频率尺度下存在差异。
（2） 利用SSA优化BPNN的初始权值和阈值，加快了神经网络的收敛速度。
（3） 经小波包分解后得到的能量特征作为特征向量输入SSA−BPNN，实现了空载、铝土与岩石负载的分类，提高了负载类型识别准确率，达95.3%。
-
![]()
图 4 拣矸机器人系统非概率可靠性指标判定
Figure 4. Evaluation of non-probabilistic reliability index of gangue sorting robot system
![]()
图 6 底事件中值重要度与离差重要度
Figure 6. Median importance degree and dispersion importance of bottom events
表 1 拣矸机器人系统分拣故障树底事件
Table 1 Bottom event of sorting fault tree of gangue sorting robot system
事件代号 事件内容 事件代号 事件内容 X1 柔索断裂 X13 继电器故障 X2 柔索变形 X14 熔断器故障 X3 索架破坏 X15 开关故障 X4 定滑轮破坏 X16 编码器通信故障 X5 卷筒破坏 X17 传感器故障 X6 末端抓斗定位不准 X18 控制卡板故障 X7 末端抓斗抓取掉落 X19 工控机故障 X8 末端抓斗空抓 X20 集成电路故障 X9 伺服电动机故障 X21 控制程序无法加载 X10 驱动器故障 X22 控制程序跑飞 X11 变压器故障 X23 瞬时含矸率增大 X12 线路故障 X24 工业相机故障 
下载: 导出CSV
表 2 底事件发生概率区间变量的上界和下界
Table 2 Upper and lower bounds of the bottom event probability interval
底事件
发生概率区间变量
下界区间变量
上界底事件
发生概率区间变量
下界区间变量
上界q1 2.0×10−5 4.0×10−5 q13 5.8×10−4 7.8×10−4 q2 1.6×10−4 2.4×10−4 q14 5.8×10−4 8.2×10−4 q3 1.8×10−4 2.4×10−4 q15 3.0×10−5 5.0×10−5 q4 2.5×10−4 3.5×10−4 q16 5.4×10−4 7.8×10−4 q5 1.3×10−4 1.7×10−4 q17 2.6×10−4 3.8×10−4 q6 5.0×10−4 7.2×10−4 q18 8.0×10−5 1.6×10−4 q7 1.5×10−4 1.9×10−4 q19 3.5×10−4 5.5×10−4 q8 1.0×10−5 3.0×10−5 q20 1.2×10−3 1.6×10−3 q9 5.0×10−4 7.0×10−4 q21 6.0×10−4 1.8×10−3 q10 5.9×10−4 8.1×10−4 q22 2.5×10−4 4.5×10−4 q11 4.0×10−4 6.0×10−4 q23 1.4×10−3 2.6×10−3 q12 1.0×10−5 3.0×10−5 q24 4.2×10−3 4.8×10−3
下载: 导出CSV
表 3 底事件区间重要度计算结果
Table 3 Calculation results of the interval importance degree of the bottom event
底事件 Ei Di 底事件 Ei Di X1 2.95×10−5 9.77×10−6 X13 6.70×10−4 9.70×10−5 X2 1.97×10−4 3.89×10−5 X14 6.89×10−4 1.16×10−4 X3 2.07×10−4 2.90×10−5 X15 3.94×10−5 9.75×10−6 X4 2.95×10−4 4.85×10−5 X16 6.50×10−4 1.16×10−4 X5 1.48×10−4 1.93×10−5 X17 3.15×10−4 5.83×10−5 X6 6.01×10−4 1.07×10−4 X18 1.18×10−4 3.91×10−5 X7 1.67×10−4 1.93×10−5 X19 4.43×10−4 9.75×10−5 X8 1.97×10−5 9.80×10−6 X20 1.38×10−3 1.94×10−4 X9 5.91×10−4 9.71×10−5 X21 6.90×10−4 9.70×10−5 X10 6.90×10−4 1.07×10−4 X22 3.45×10−4 9.77×10−5 X11 4.92×10−4 9.73×10−5 X23 1.97×10−3 5.88×10−4 X12 1.97×10−5 9.80×10−6 X24 4.45×10−3 2.87×10−4
下载: 导出CSV
-
[1] HOU Wei. Identification of coal and gangue by feed-forward neural network based on data analysis[J]. International Journal of Coal Preparation and Utilization,2019,39(1):33-43. DOI: 10.1080/19392699.2017.1290609
[2] 来文豪,周孟然,胡锋,等. 基于多光谱成像和改进YOLO v4的煤矸石检测[J]. 光学学报,2020,40(24):72-80. LAI Wenhao,ZHOU Mengran,HU Feng,et al. Coal gangue detection based on multi-spectral imaging and improved YOLO v4[J]. Acta Optica Sinica,2020,40(24):72-80.
[3] LI Man,DUAN Yong,HE Xianli,et al. Image positioning and identification method and system for coal and gangue sorting robot[J]. International Journal of Coal Preparation and Utilization,2020,40(4):1759-1777.
[4] SUN Zhiyuan, HUANG Linlin, JIA Ruiqing. Coal and gangue separating robot system based on computer vision[J]. Sensors, 2021, 21（4）: 1349. DOI: 10.3390/s21041349.
[5] 夏晶,张昊,周世宁,等. 煤矸分拣机器人动态拣取避障路径规划[J]. 煤炭学报,2021,46(增刊1):570-577. DOI: 10.13225/j.cnki.jccs.2020.1448 XIA Jing,ZHANG Hao,ZHOU Shining,et al. Dynamic picking and obstacle avoidance path planning of coal gangue sorting robot[J]. Journal of China Coal Society,2021,46(S1):570-577. DOI: 10.13225/j.cnki.jccs.2020.1448
[6] 赵明辉. 双臂并联煤矸石分拣机器人及其轨迹规划研究[J]. 工矿自动化,2020,46(9):57-63. DOI: 10.13272/j.issn.1671-251x.2020040059 ZHAO Minghui. Research on dual-arm parallel coal gangue sorting robot and its trajectory planning[J]. Industry and Mine Automation,2020,46(9):57-63. DOI: 10.13272/j.issn.1671-251x.2020040059
[7] LIU Peng, MA Hongwei, ZHANG Xuhui, et al. On the equivalent position workspace for a coal gangue picking robot [J]. Journal of Physics: Conference Series, 2019, 1267（1）. DOI: 10.1088/1742-6596/1267/1/012078.
[8] WANG Zixiang,XIE Shuxin,CHEN Guodong,et al. An online flexible sorting model for coal and gangue based on multi-information fusion[J]. IEEE Access,2021,9:90816-90827. DOI: 10.1109/ACCESS.2021.3090780
[9] 刘鹏,马宏伟,乔心州,等. 柔索驱动拣矸机器人最小索拉力等值曲面研究[J]. 西安科技大学学报,2020,40(5):797-804. DOI: 10.13800/j.cnki.xakjdxxb.2020.0507 LIU Peng,MA Hongwei,QIAO Xinzhou,et al. On the contour surfaces of minimum tensions for a cable-driven coal-gangue picking gangue robot[J]. Journal of Xi'an University of Science and Technology,2020,40(5):797-804. DOI: 10.13800/j.cnki.xakjdxxb.2020.0507
[10] 曹现刚,吴旭东,王鹏,等. 面向煤矸分拣机器人的多机械臂协同策略[J]. 煤炭学报,2019,44(增刊2):763-774. DOI: 10.13225/j.cnki.jccs.2019.0734 CAO Xiangang,WU Xudong,WANG Peng,et al. Collaborative strategy of multi-manipulator for coal-gangue sorting robot[J]. Journal of China Coal Society,2019,44(S2):763-774. DOI: 10.13225/j.cnki.jccs.2019.0734
[11] 曹现刚,费佳浩,王鹏,等. 基于多机械臂协同的煤矸分拣方法研究[J]. 煤炭科学技术,2019,47(4):7-12. DOI: 10.13199/j.cnki.cst.2019.04.002 CAO Xiangang,FEI Jiahao,WANG Peng,et al. Study on coal-gangue sorting method based on multi-manipulator collaboration[J]. Coal Science and Technology,2019,47(4):7-12. DOI: 10.13199/j.cnki.cst.2019.04.002
[12] 王鹏,曹现刚,夏晶,等. 基于机器视觉的多机械臂煤矸石分拣机器人系统研究[J]. 工矿自动化,2019,45(9):47-53. DOI: 10.13272/j.issn.1671-251x.17442 WANG Peng,CAO Xiangang,XIA Jing,et al. Research on multi-manipulator coal and gangue sorting robot system based on machine vision[J]. Industry and Mine Automation,2019,45(9):47-53. DOI: 10.13272/j.issn.1671-251x.17442
[13] JIANG Guangjun,GAO Le. Reliability analysis of martial arts arena robot systems based on fuzzy set theory[J]. Journal of Mechanical Science and Technology,2018,32(11):5069-5077. DOI: 10.1007/s12206-018-1003-1
[14] 陈霞. 蠕动式缆索机器人模糊故障树分析与应用[J]. 机械设计,2015,32(8):31-35. DOI: 10.13841/j.cnki.jxsj.2015.08.007 CHEN Xia. Analysis and application of the worming cable robot fuzzy fault tree[J]. Journal of Machine Design,2015,32(8):31-35. DOI: 10.13841/j.cnki.jxsj.2015.08.007
[15] 韩雪,訾斌,孙辉辉. 可缠绕式混合驱动柔索并联机器人可靠性分析[J]. 机械设计与制造,2015(4):155-158,162. DOI: 10.3969/j.issn.1001-3997.2015.04.043 HAN Xue,ZI Bin,SUN Huihui. The reliability analysis of the winding hybrid-driven cable parallel manipulator[J]. Machinery Design & Manufacture,2015(4):155-158,162. DOI: 10.3969/j.issn.1001-3997.2015.04.043
[16] FERSGUSON T A, LU Lixuan. Fault tree analysis for an inspection robot in a nuclear power plant[EB/OL]. [2022-03-11]. https://iopscience.iop.org/article/10.1088/1757-899X/235/1/012003/meta.
[17] FAZLOLLAHTABAR H,NIAKI S. Integration of fault tree analysis,reliability block diagram and hazard decision tree for industrial robot reliability evaluation[J]. Industrial Robot,2017,44(6):754-764. DOI: 10.1108/IR-06-2017-0103
[18] BALASUNDARAM M,MUTHUSWAMY S. Implementation of role assignment and fault tree analysis for multi robot interaction[J]. International Journal of Robotics and Automation,2017,32(3):214-223.
[19] 周长聪, 常琦, 周春苹, 等. 基于非概率模型的飞机襟翼故障树分析[J]. 清华大学学报（自然科学版）, 2021, 61（6）: 636-642. ZHOU Changcong, CHANG Qi, ZHOU Chunping,et al. Fault tree analysis of an aircraft flap system based on a non-probability model[J]. Journal of Tsinghua University (Science and Technology), 2021, 61(6): 636-642.
[20] 方坤,陶军. 液压ABS系统的故障树分析[J]. 液压与气动,2020,44(2):155-161. FANG Kun,TAO Jun. Fault tree analysis of hydraulic ABS system[J]. Chinese Hydraulics and Pneumatics,2020,44(2):155-161.
[21] 庞楠,贾鹏,王立权,等. 水下连接器结构可靠性分析[J]. 哈尔滨工程大学学报,2021,42(1):68-73. PANG Nan,JIA Peng,WANG Liquan,et al. Reliability analysis of subsea connector structure[J]. Journal of Harbin Engineering University,2021,42(1):68-73.
[22] 罗承昆,陈云翔,何桢,等. 基于故障树分析的航空装备体系结构贡献率评估方法[J]. 国防科技大学学报,2021,43(1):155-162. LUO Chengkun,CHEN Yunxiang,HE Zhen,et al. Evaluation method of aviation equipment's structure contribution rate to system-of-system based on fault tree analysis[J]. Journal of National University of Defense Technology,2021,43(1):155-162.
[23] CHENG S R,LIU B S,HSU B M,et al. Fault-tree analysis for liquefied natural gas terminal emergency shutdown system[J]. Expert Systems with Applications,2009,36(9):11918-11924.
计量
- 文章访问数: 874
- HTML全文浏览量: 29
- PDF下载量: 24
