基于改进特征提取算法及胶囊网络的设备故障诊断研究

上官星驰, 张晓良, 刘朝, 石会, 王嘉宇

上官星驰, 张晓良, 刘朝, 石会, 王嘉宇. 基于改进特征提取算法及胶囊网络的设备故障诊断研究[J]. 工矿自动化, 2024, 50(S1): 146-150.
引用本文: 上官星驰, 张晓良, 刘朝, 石会, 王嘉宇. 基于改进特征提取算法及胶囊网络的设备故障诊断研究[J]. 工矿自动化, 2024, 50(S1): 146-150.
SHANGGUAN Xingchi, ZHANG Xiaoliang, LIU Chao, SHI Hui, WANG Jiayu. Research on equipment fault diagnosis based on improved feature extraction algorithm and capsule network[J]. Journal of Mine Automation, 2024, 50(S1): 146-150.
Citation: SHANGGUAN Xingchi, ZHANG Xiaoliang, LIU Chao, SHI Hui, WANG Jiayu. Research on equipment fault diagnosis based on improved feature extraction algorithm and capsule network[J]. Journal of Mine Automation, 2024, 50(S1): 146-150.

基于改进特征提取算法及胶囊网络的设备故障诊断研究

详细信息
    作者简介:

    上官星驰(1996-),男,陕西咸阳人,助理工程师,主要从事智能化矿山建设方面的研究工作,E-mail:shangguanxingchi@cctegitc.com

  • 中图分类号: TD67

Research on equipment fault diagnosis based on improved feature extraction algorithm and capsule network

  • 摘要: 机电设备工作过程中产生的信号多为非平稳信号,特征提取难度大,针对该问题,将经验模态分解(EMD)与自回归(AR)模型相结合,利用AR模型的优点降低EMD提取特征的难度,用AR模型的自回归参数及残差方差构建特征向量。针对传统粒子群算法寻优效率较低的问题,对粒子群算法的惯性权重因子、学习因子及粒子速度迭代公式进行改进,提高算法的寻优能力,并通过仿真分析验证了改进算法的优越性。结合改进特征提取方法、改进粒子群算法及胶囊网络建立故障诊断模型,通过煤矿通风机现场真实数据进行试验验证,结果表明基于改进特征提取算法及胶囊网络的设备故障诊断方法具有较高的准确率,可提高煤矿井下机电设备故障诊断效率。
  • [1] 杨春才, 李向磊, 吕晓伟.煤机设备轴承故障诊断方法[J].工矿自动化, 2023, 49(12):147-151.
    [2] 李哲.煤矿井下机电设备常见故障处理及分析[J].能源与节能, 2023(11):168-170.
    [3] 吴景红.煤矿机械故障诊断研究现状及发展趋势[J].煤炭工程, 2023, 55(6):187-192.
    [4] 谷玉海, 朱腾腾, 饶文军, 等.基于EMD二值化图像和CNN的滚动轴承故障诊断[J].振动.测试与诊断, 2021, 41(1):105-113, 203.
    [5] 张习习, 顾幸生.改进经验模态分解的电机轴承特征提取方法[J].控制工程, 2020, 27(11):1882-1891.
    [6] 窦希杰, 王世博, 刘后广, 等.基于EMD特征提取与随机森林的煤矸识别方法[J].工矿自动化, 2021, 47(3):60-65.
    [7] 熊璐伟, 钟晓阳, 李庶林, 等.基于改进的HHT-SVM微震信号特征提取及分类识别研究[J].中国安全生产科学技术, 2023, 19(10):13-20.
    [8] 李博, 郭星燃, 李娟莉, 等.基于LSTM-Adam的刮板输送机链传动系统故障预警方法[J].工矿自动化, 2023, 49(9):140-146.
    [9] 丁华, 吕彦宝, 崔红伟, 等.基于分布式深度神经网络的刮板输送机启停工况故障诊断方法[J].振动与冲击, 2023, 42(18):112-122, 249.
    [10] 杨秀宇, 邵斌, 贾少毅, 等.强背景噪声下滚动轴承轻微磨损故障特征提取方法[J].煤炭工程, 2023, 55(5):153-159.
    [11] 董志超, 温庆华, 代鹰, 等.公转滑动轴承外圈划伤故障图像特征提取方法[J].煤炭工程, 2022, 54(增刊1):171-175.
    [12] 刘宁.基于VMD混合特征提取和ANFIS的滚动轴承故障诊断方法[J].煤矿机械, 2020, 41(6):164-168.
    [13] 张建公.矿用电动机振动信号早期故障特征提取方法[J].工矿自动化, 2019, 45(5):96-99.
    [14] 邹雨君, 田慕琴, 乔建强, 等.基于时频图像的齿辊式破碎机中电机轴承故障特征提取方法[J].煤炭学报, 2018, 43(增刊2):623-633.
    [15]

    JANUSZ G, AGNIESZKA W, RADOSLAW Z.Subordinated continuous-time AR processes and their application to modeling behavior of mechanical system[J].Physica A-Statistical Mechanics and Its Applications, 2016, 464:123-137.

    [16]

    LIU Hui, XIANG Jiawei.Autoregressive model-enhanced variational mode decomposition for mechanical fault detection[J].IET Science, Measurement & Technology, 2019, 13(6):843-851.

    [17] 钟志贤, 焦博隆, 王家园, 等.基于VMD和AR模型的转子裂纹故障诊断方法[J].机械强度, 2020, 42(3):516-522.
    [18] 涂文涛, 刘韬, 刘浩炜, 等.BP与AR模型在轴承性能退化评估和预测中的应用[J].电子测量与仪器学报, 2019, 33(11):79-88.
    [19] 景治, 张纯龙.基于经验模态分解和分类器集的滚动轴承故障诊断方法[J].选煤技术, 2023, 51(5):94-98.
    [20] 马天兵, 王鑫泉, 王孝东.基于EMD-PNN网络的刚性罐道故障诊断方法[J].电子测量与仪器学报, 2019, 33(3):58-64.
    [21] 姚军, 马宇静, 甄梓越.基于改进粒子群算法在煤矿安全预警中的研究[J].煤炭技术, 2022, 41(5):145-148.
计量
  • 文章访问数:  9
  • HTML全文浏览量:  0
  • PDF下载量:  3
  • 被引次数: 0
出版历程
  • 收稿日期:  2024-01-24

目录

    /

    返回文章
    返回