留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码
最新录用栏目展示本刊经同行评议确定正式录用的文章,这些文章目前处在编校过程,尚未确定卷期及页码,但可以根据DOI进行引用。
基于机器视觉的多场景输送带跑偏检测方法
王锴, 曾祥进, 黎新, 张锐, 徐成
当前状态:
摘要:
针对散装物料运输过程中由于场景变化和相同场景下光照变化导致皮带跑偏的问题,本文提出了一种改进的适应多场景的皮带边缘检测方法。首先根据先验知识获得图像感兴趣区域并对其进行预处理;然后充分挖掘输送带边缘信息,并用梯度滤波对暗环境边缘加强;最后基于分治法提出一种筛选排序算法对传送带边缘进行识别和定位。通过在不同场景下的皮带跑偏实验结果表明,平均每百张图片处理时间为6.94s,皮带跑偏识别准确率超过95%,四路视频同时运行时CPU占有率132%,能够达到实际运输中的处理时间、精度以及成本要求。提升了不同场景下的跑偏检测的适应性。
<摘要>(0)
低位巷瓦斯抽采条件下采空区遗煤自燃规律研究
范加锋
当前状态:
摘要:
为了解决工作面上隅角瓦斯超限问题,多选择煤层顶板布置低位巷抽采瓦斯方式进行治理。采用COMSOL软件建立非均质采空区三维流-固-热多场耦合数学模型,通过现场实测与模拟结果对比,进而研究巷道布置方式、瓦斯抽放量对解决上隅角瓦斯超限及采空区自燃氧化带分布的影响。结果表明:低位巷抽采瓦斯能够降低工作面上隅角瓦斯浓度;抽采量与上隅角瓦斯浓度呈反比,而与采空区自燃氧化带最大宽度呈正比;内错距与上隅角瓦斯浓度呈正比,而与采空区自燃氧化带最大宽度呈反比;结合数值模拟与其他工程实践,付家焉煤矿低位巷内错距及瓦斯抽采量分别采用15 m和45 m3/min,在不显著增加自燃危险区域的同时有效解决上隅角瓦斯浓度超限问题。
<摘要>(0)
基于残差自注意力的综采工作面目标检测算法
王科平, 连凯海(通讯作者), 杨艺, 费树岷
当前状态:
摘要:
摘要:综采工作面关键设备及人员的准确检测是实现煤炭智能化开采信息感知的重要一环。但工作面因环境复杂,常用检测算法检测结果不准确且网络参数多计算量大,不利于工业部署,为此,提出一种融合残差自注意力的高性能轻量级目标检测算法。首先,为解决井下复杂环境目标难以检测问题,在CSPDarkNet53网络中融入Transformer的自注意力模块,确保局部上下文信息的同时增强全局信息获取能力,提升待检测目标的显著度,进而提高目标检测精度;其次,为适应综采工作面目标检测高效性需求,构建融合深度可分离卷积的轻量级检测网络,减少模型参数量和计算量。实验数据来源于真实煤矿调度室拍摄视频,裁剪为29,569张图片用来训练和测试。与常用的3种目标检测算法作比较,实验表明,所提算法可以在井下复杂环境下对目标准确检测,在参数量降低48%,模型大小降低48%,计算量降低35%的前提下,mAP达到92.59%,明显优于其他常用目标检测算法。
<摘要>(13)
煤矿巷道自动支护的钢带锚孔机器视觉定位方法
张夫净(通讯作者), 王宏伟, 王浩然, 李正龙, 王宇衡
当前状态:
摘要:
针对目前煤矿井下自动钻锚支护时支护钢带锚孔的识别与定位主要依靠人工完成,劳动量大、效率低等问题,提出一种基于改进YOLOv5s模型的目标检测方法来识别煤矿井下锚孔并结合双目摄像头获得锚孔相对于相机的三维坐标。首先为了提高钢带锚孔识别准确率在YOLOv5s的Backbone网络中添加坐标注意力机制(Coordinate Attention),该机制将目标位置信息嵌入到通道注意力当中,提高检测目标的显著度;然后针对井下环境照度低,环境复杂等问题提出通过超分辨率图像重构技术增加锚孔图像的清晰度,提高识别准确率,最后结合双目摄像头获得锚孔相对于摄像头的坐标。实验结果表明,改进后的YOLOv5s模型在自制的锚孔数据集上识别的平均精度达到了96.9%,相比于YOLOv5s模型,平均精度提高了1.4%,达到了在复杂环境下对小目标检测的要求。将模型部署到边缘计算设备后,能准确识别出锚孔并获得其相对于相机的三维坐标,平均检测帧率为35ms左右,满足实时检测要求。
<摘要>(9)
一种基于图像融合和CornerNet-Squeeze的煤矿井下行人 检测方法
邹盛(通讯作者), 周李兵, 季亮, 于政乾
当前状态:
摘要:
在井下无人驾驶和安防监控等领域中,对行人目标的检测至关重要,但受井下低照度、粉尘等特殊工况环境的影响,图像中行人存在边缘纹理细节少、信噪比低、受背景信息影响大的问题,难以有效识别多尺度下的行人目标。针对上述问题,提出了一种基于图像融合和CornerNet-Squeeze的煤矿井下行人目标检测方法。首先,采用TIF算法将红外传感器和深度传感器采集的图像进行像素级融合,充分结合两者的优点,再进行形态学处理,减少背景干扰;然后,在CornerNet-Squeeze目标网络模型的基础上,将八度卷积OctConv连接引入沙漏主干网络之后,处理图像特征中高低频信息,增强图像边缘特征,提高小目标行人的检测能力。实验结果表明,融合图像数据集训练的模型的mAP高于红外和深度图像数据集;改进的CornerNet-Squeeze-Oct相较于CornerNet-Squeeze,在不牺牲原有算法的实时性基础上,有效提升了井下行人检测的mAP。
<摘要>(13)
冲击载荷下原煤试件破裂声发射及碎片分形特征
吕鹏飞(通讯作者), 路康斌, 曹树斌, 丛日盛
当前状态:
摘要:
采用MTS-C64.106型电液伺服系统对原煤试件进行单轴加载基础上施加不同冲击载荷应变率实验,试验中采用PIC-2声发射卡对试件受载破裂过程进行实时监测,同时应用分形理论对试件破裂碎片进行处理分析,定量评价试件破碎程度及与冲击载荷应变率的联系。结果表明:加载应变率增大,声发射振铃计数、能量幅值、撞击数呈“缓增-急增-突增”的一致转变,且声发射a值减小,b值相反;试件碎片的分维值与冲击载荷应变率表现为二次方关系,测试证明存在最大限度地破坏碎片的应变率极值,该数值为2.8×10-3/s。
<摘要>(19)
查看更多
[“矿山机械设备健康状态监测与故障诊断技术及应用”专题]
基于特征迁移学习的提升机轴承智能故障诊断
潘晓博, 葛鲲鹏, 董飞
2022, 48(9): 1-7, 32.   doi: 10.13272/j.issn.1671-251x.17980
摘要: 针对提升机复杂实际工况导致的现有故障诊断方法准确率低和适应性弱的问题,提出了一种基于深度迁移特征选取(DTF)与平衡分布自适应(BDA)的提升机轴承智能故障诊断方法。对不同工况下的轴承故障信号进行时频分析,提取时域、频域统计特征,采用深度置信网络进行高维深度特征提取。为从高维深度特征集中选取出既有利于故障模式识别,也有利于跨域故障诊断的特征,采用基于ReliefF与域间差异的迁移特征选取(TFRD)方法对各特征的可迁移性进行量化评估,利用TFRD方法对各特征进行类别区分度和域不变性量化评估,采用ReliefF算法处理各类特征数据,获得表征类别区分度的权重值;计算同一特征在不同域间的最大均值差异,构建一种新的特征可迁移性量化指标。基于TFRD 方法,选取特征可迁移性大的深度特征构建特征子集,利用BDA对源域和目标域的特征子集进行分布适应,降低两者间的分布差异。采用源域特征集训练故障模式识别分类器,对目标域样本进行故障识别与分类。采用经典机器学习方法、深度学习方法和迁移学习方法构建了8种故障诊断模型,用于与提出的DTF−BDA故障诊断模型进行故障诊断准确率对比。结果表明:① DTF−BDA故障诊断模型能够取得明显优于其他对比模型的性能,最高故障诊断准确率可达100%。② TFRD方法能有效提高基于迁移学习方法构建的故障诊断模型的性能,与迁移成分分析和联合分布自适应相结合情况下的最高故障诊断准确率分别可达96.46%和97.67%。
<HTML> <PDF>(1136KB)
[“矿山机械设备健康状态监测与故障诊断技术及应用”专题]
基于三维点云的带式输送机跑偏及堆煤监测方法
徐世昌, 程刚, 袁敦鹏, 孙旭, 金祖进, 李勇
2022, 48(9): 8-15, 24.   doi: 10.13272/j.issn.1671-251x.17948
摘要: 输送带跑偏和堆煤是煤矿带式输送机常见故障。传统的接触式输送带跑偏或堆煤检测方法在耐用性、灵敏度、可靠性等方面无法满足煤矿安全生产要求,而基于图像处理方法的检测效果受图像颜色信息影响较大,易产生误识别问题。提出了一种基于三维点云的带式输送机跑偏及堆煤监测方法,采用线激光双目相机采集输送带表面的三维点云数据,通过分析处理点云数据对输送带跑偏和堆煤进行实时监测。在输送带跑偏监测方面,采用欧氏聚类和随机采样一致性算法滤除多余点云数据,提取输送带边沿数据点,并采用均中心表征值表征输送带跑偏程度,以减小输送带宽度方向形状变化对监测的影响。在堆煤监测方面,通过处理点云数据得到煤流等效高度来表征煤流高度和宽度信息,实时评估堆煤程度。搭建了带式输送机跑偏及堆煤监测系统试验台,试验结果表明:输送带速度为0.5~3.0 m/s时,输送带边沿点检测误差为−2.84~1.26 mm,最大误差仅为2.84 mm,说明该系统能可靠实现跑偏故障监测功能,并能准确预测跑偏趋势;在输送带上堆积煤炭样本(质量为14~41 kg,以1 kg为增量),当煤炭质量在14~24 kg及28~41 kg范围内,堆煤检测结果均正确,在25~27 kg范围内存在检测错误情况,原因是该范围内煤炭样本质量较接近触发堆煤报警的临界值27.6 kg。
<HTML> <PDF>(11215KB)
[“矿山机械设备健康状态监测与故障诊断技术及应用”专题]
基于全卷积神经网络的输送带撕裂检测方法
游磊, 朱兴林, 陈雨, 罗明华
2022, 48(9): 16-24.   doi: 10.13272/j.issn.1671-251x.2022040087
摘要: 针对现有输送带撕裂检测方法存在井下可见光成像质量差、缺少撕裂物理尺寸测量手段、泛化能力差等问题,提出了一种基于全卷积神经网络的输送带撕裂检测方法。该方法基于线结构光成像原理采集图像,可有效解决煤矿井下光照条件差的问题;采用改进最大值法进行线激光条纹检测,可有效排除条纹断点,精确提取条纹,并拟合出缺失点;选用全卷积神经网络中的U−net网络对线激光条纹进行撕裂分割,将撕裂检测问题转换成语义分割问题,并通过降维对U−net网络进行优化,从而减少参数量和计算量;将分割结果反投影回原始图像,利用线结构光标定数据完成撕裂物理尺寸测量。实验结果表明:改进最大值法可有效处理线激光条纹断点区域,无误检和漏检,性能优于Steger法和灰度重心法;U−net网络收敛速度快于SegNet和FCNs网络,迭代的稳定性较强,评价指标最优,U−net4网络性能优于U−net3和U−net5。在验证集上的检测结果表明,撕裂检测的召回率为96.09%,精确率为96.85%。在实验平台的测量结果表明,撕裂物理尺寸测量的最大相对误差为−13.04%。
<HTML> <PDF>(4320KB)
[“矿山机械设备健康状态监测与故障诊断技术及应用”专题]
矿用带式输送机托辊音频故障诊断方法
吴文臻, 程继明, 李标
2022, 48(9): 25-32.   doi: 10.13272/j.issn.1671-251x.2022070071
摘要: 现有矿用带式输送机托辊故障诊断方法一般是对托辊信号进行分解并转换至频域,从频域提取特征进行故障诊断,而常用的信号小波分解和经验模态分解方法存在小波基选择困难、易出现频谱混叠和端点效应的问题,导致故障诊断准确率较低。针对上述问题,提出了一种基于变分模态分解(VMD)−BP神经网络的矿用带式输送机托辊音频故障诊断方法。首先通过音频传感器采集矿用带式输送机沿线托辊的音频信号,并对音频信号进行预处理,以抑制音频信息中的噪声信号;然后采用VMD将音频信号按照中心频率分解成不同的IMF(本征模态函数)分量,提取各个IMF分量的峭度、重心频率、频率标准差等特征值;最后将特征值输入到已经训练好的BP神经网络,根据IMF分量特征值的差异,可以实现通过音频对矿用带式输送机托辊故障进行诊断,并可根据音频信号对应的传感器编号确定出故障托辊位置。以某煤矿实际采集的带式输送机托辊音频信息对基于VMD−BP神经网络的矿用带式输送机托辊音频故障诊断方法进行分析验证,结果表明:该方法在分解、提取音频信号特征时,可以避免分解过程中的频谱混叠与端点效应,总体故障诊断准确率达到96.15%,与采用BP神经网络的故障诊断方法和基于小波分解与BP神经网络的故障诊断方法相比分别提高了26.92%,15.38%,同时误检率也明显降低。
<HTML> <PDF>(2631KB)
[“矿山机械设备健康状态监测与故障诊断技术及应用”专题]
煤矿旋转机械健康指标构建及状态评估
李曼, 潘楠楠, 段雍, 曹现刚
2022, 48(9): 33-41.   doi: 10.13272/j.issn.1671-251x.18004
摘要: 煤矿设备监测参数为时间序列数据,其时序特征对健康评估的影响较大。针对传统机械设备健康评估中存在的信号时空特性提取不完备、人为经验依赖程度高、设备早期状态变化评估难等问题,建立了基于二维数组的长短期记忆降噪卷积自编码器(2D−LSTMDCAE)模型,并提出了基于2D−LSTMDCAE的煤矿旋转机械健康指标(HI)构建及状态评估方法。将一维振动数据转换为二维数组,通过二维卷积网络模型充分学习原始数据中所包含的信息,增强模型对数据特征的学习能力;将样本并行输入卷积和长短期记忆(LSTM)单元,以获取完备的信号时空特征;构建无监督学习的降噪卷积自编码器(DCAE)模型并进行样本重构,采用Bray−Curtis距离计算原始样本与重构样本间相似度,得到HI,解决设备运行过程中状态标签难以获取的问题,提升模型在强背景噪声中的适应能力。使用XJTU−SY轴承数据集验证2D−LSTMDCAE模型的特征学习能力,并采用相关性和单调性2个指标评价基于HI的状态评估方法,测试结果表明:二维输入样本构建方法及学习数据时序特征的HI构建方法对轴承的性能退化更敏感,2D−LSTMDCAE模型能够更早地检测到设备的早期故障,在测试轴承上相比于LSTMDCAE和DCAE模型构建的HI及均方根平均提前了约7 min;与LSTMDCAE和DCAE模型构建的HI、均方根相比,2D−LSTMDCAE模型构建的HI的相关性和单调性均较高,能更好地反映轴承的退化情况。采用减速器加速退化实验数据进行健康评估实验,在测试减速器上,相比于均方根指标,通过2D−LSTMDCAE模型构建的HI能够提前8 min发现早期故障,且HI相关性提高了0.007,单调性提高了0.211,能够更好地反映减速器的退化情况。
<HTML> <PDF>(2379KB)
[“矿山机械设备健康状态监测与故障诊断技术及应用”专题]
基于小波变换和改进卷积神经网络的刚性罐道故障诊断
杜菲, 马天兵, 胡伟康, 吕英辉, 彭猛
2022, 48(9): 42-48, 62.   doi: 10.13272/j.issn.1671-251x.17964
摘要: 现有刚性罐道故障诊断方法有的仅适用于小样本数据集,有的虽适用于大样本数据集,但忽略了实际工作环境中的多工况背景。基于卷积神经网络的刚性罐道故障诊断方法存在数据和运算量庞大,易产生过拟合等问题。针对上述问题,提出了一种基于小波变换和改进卷积神经网络的刚性罐道故障诊断方法。首先,在刚性罐道设置错位与间隙2种缺陷,采集多工况下提升容器振动加速度信号。其次,利用小波变换将采集的振动加速度信号转换为二维时频图像,采用试凑法最终确定经Complex Morlet 小波基函数处理后的二维时频图像的时间和频率分辨率最佳。然后,通过改进卷积神经网络模型结构,即保留第1层和第5层池化层,将第2,3,4层池化层替换为小尺度卷积层,以防止过拟合现象。最后,将二维时频图像输入改进后的卷积神经网络模型。实验结果表明: ① 改进模型经过训练后,在训练集上的平均准确率为99%左右,在测试集上的平均准确率为99.5%。② 当数据训练至200步后,改进模型的准确率达99%以上,改进模型的损失函数值趋近于0,说明改进模型收敛性能较好,模型的泛化能力得到了增强,在学习过程中对于过拟合的抑制效果明显。③ 在验证集混淆矩阵上,间隙缺陷和错位缺陷识别准确率为100%,无缺陷识别准确率为92%。④ 与EMD−SVD−SVM、小波包−SVM、EMD−SVD−BP神经网络、小波包−BP神经网络相比,基于小波变换和改进卷积神经网络的刚性罐道故障诊断方法准确率达99%。
<HTML> <PDF>(14997KB)
[“矿山机械设备健康状态监测与故障诊断技术及应用”专题]
轴承智能故障诊断
吴冬梅, 王福齐, 李贤功, 唐润, 张新建
2022, 48(9): 49-55.   doi: 10.13272/j.issn.1671-251x.17986
摘要: 轴承振动信号作为一种时间序列数据,其时间维度特征在分类中起着关键作用,单独使用卷积神经网络(CNN)进行轴承故障诊断会造成时间维度信息的丢失,导致诊断精度下降。针对上述问题,提出了一种结合一维CNN、双向门控循环单元(Bi GRU)和注意力机制的轴承故障诊断模型。首先利用CNN自适应提取一维振动信号局部空间特征;然后将该特征信息作为Bi GRU的输入,利用Bi GRU将提取的特征信息进行时间维度的融合,并引入注意力机制对多个时刻的特征信息进行加权,提取出更关键的故障特征;最后将故障特征输入全连接层得到分类结果,实现轴承智能故障诊断。实验结果表明:① 在测试集混淆矩阵上,轴承运行状态基本分类正确,只有部分标记类型没有被完全分类正确,但是召回率达到了95%以上,总的故障识别准确率为99.3%。② 利用t−SNE技术对降维处理后的数据进行可视化,轴承各运行状态的数据很好地聚集在各自的空间内,只有少量数据被混杂到其他区域,说明该模型具有较强的特征提取能力。③ 在恒定负载情况下,该模型故障诊断准确率较一维CNN、Bi GRU和注意力CNN等模型的平均准确率分别提高了0.8%、0.6%和0.3%。④ 在变负载情况下,与SVM(支持向量机)、一维CNN、Bi GRU和注意力CNN等模型相比,该模型具有更好的稳定性,当负载为2.25 kW时,准确率达85%以上。该模型既具有一维CNN局部特征提取能力,又具有Bi GRU时间依赖信息的建模能力,能够在获取轴承信号局部复杂特征后进一步融入特征之间的时间维度信息,同时注意力机制能进一步关注与故障更相关特征,因此具有较好的精度。
<HTML> <PDF>(3662KB)
[“矿山机械设备健康状态监测与故障诊断技术及应用”专题]
基于多信息融合和卷积神经网络的行星齿轮箱故障诊断
史志远, 滕虎, 马驰
2022, 48(9): 56-62.   doi: 10.13272/j.issn.1671-251x.2022060011
摘要: 基于机器学习的行星齿轮箱故障诊断方法依赖人工选择特征向量,而特征向量选择的优劣很大程度上决定了诊断方法的准确率。卷积神经网络(CNN)能自动提取特征,但用于行星齿轮箱故障诊断时难以通过单一振动信号对故障做出精确诊断。针对上述问题,提出了一种基于多信息融合和CNN的行星齿轮箱故障诊断方法。对行星齿轮箱的三向(水平径向、垂直径向与轴向)振动信号和声音信号进行数据层融合,将一维的振动信号和声音信号通过并联方式整合为一个二维信号;将二维信号作为CNN的输入,利用多个卷积层和最大池化层进行深度特征提取和信息过滤,最终通过Softmax分类器实现故障分类。搭建了行星齿轮箱故障诊断实验台,采集不同转速和负载工况下行星齿轮箱正常和故障状态的振动信号和声音信号,并输入CNN中进行训练和验证。在相同条件下选取水平径向振动信号、垂直径向振动信号、轴向振动信号、声音信号4种单源信息分别与CNN相结合的方法进行对比,以验证基于多信息融合和CNN的行星齿轮箱故障诊断方法的优越性,实验结果表明:轴向振动信号+CNN和声音信号+CNN 2种方法的故障识别准确率分别为74.07%和75.13%;水平径向振动信号+CNN和垂直径向振动信号+CNN 2种方法的故障识别准确率分别为89.70%和87.09%;基于多信息融合和CNN方法的收敛速度最快,故障识别准确率最高,为93.33%。
<HTML> <PDF>(8704KB)
查看更多