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

带式输送机托辊故障检测方法

曹贯强

曹贯强.带式输送机托辊故障检测方法[J].工矿自动化,2020,46(6):81-86..  doi: 10.13272/j.issn.1671-251x.2018100035
引用本文: 曹贯强.带式输送机托辊故障检测方法[J].工矿自动化,2020,46(6):81-86..  doi: 10.13272/j.issn.1671-251x.2018100035
CAO Guanqiang. Fault detection method for belt conveyor roller[J]. Industry and Mine Automation, 2020, 46(6): 81-86. doi: 10.13272/j.issn.1671-251x.2018100035
Citation: CAO Guanqiang. Fault detection method for belt conveyor roller[J]. Industry and Mine Automation, 2020, 46(6): 81-86. doi: 10.13272/j.issn.1671-251x.2018100035

带式输送机托辊故障检测方法

doi: 10.13272/j.issn.1671-251x.2018100035
基金项目: 

国家重点研发计划资助项目(2017YFC0804300)

北京市科技计划智能制造技术创新与培育资助项目(Z171100000817003)

中国煤炭科工集团科技创新资助项目(2016MS014,KJ-2016-TDMK-01)

详细信息
  • 中图分类号: TD634.1

Fault detection method for belt conveyor roller

  • 摘要: 针对现有带式输送机托辊故障检测方法采用接触式测量、不便于安装操作、不适合于井下大范围故障检测等问题,提出了一种基于小波去噪和BP-RBF神经网络的托辊故障检测方法。采集托辊运行时的音频信号,采用结合了软阈值法和硬阈值法的折中法对音频信号进行小波去噪处理;将每一层小波分解信号的能量和作为该层的特征值,通过处理系数对低频部分的特征值进行转换,以减小其在总能量中的占比,使故障特征更加明显;将提取的特征向量输入BP-RBF神经网络模型中进行故障检测。测试结果表明,对于正常托辊信号、托辊表面存在裂痕、托辊表面磨损3种情况,该方法的故障识别率达到96.7%。与传统的频谱分析诊断技术相比,该方法所需的工作量更少、准确率更高;相较于基于温度检测等的故障检测技术,该方法采用非接触安装方式,安装更方便,检测范围更大,具有良好的应用前景。

     

  • 加载中
计量
  • 文章访问数:  111
  • HTML全文浏览量:  12
  • PDF下载量:  17
  • 被引次数: 0
出版历程
  • 刊出日期:  2020-06-20

目录

    /

    返回文章
    返回