基于深度学习的采煤机截割部齿轮故障预测

作者：任春美. 日期：2022-10-20/span> 浏览：1250 查看PDF文档

摘要:采煤机截割部齿轮发生故障会降低采煤机的生产工作效率,并带来生产安全隐患,针对这一问题,以MG1000/2500WD型采煤机作为研究对象,对其截割部的齿轮故障进行了成因机理研究、仿真分析和实验研究。首先,分析了采煤机的总体结构,对采煤机截割部齿轮故障的常见成因与机理进行了分析;其次,归纳了卷积神经网络(CNN)的卷积层、池化层和全连接层的表达公式,基于深度卷积神经网络(D-CNN)构建了截割部齿轮故障模型,并且研究了模型的算法流程;最后,通过选取训练的数据集,对模型进行了训练,对截割部齿轮故障进行了预测和分类,并结合性能评价指标对不同模型的实验结果进行了对比。研究结果表明:采用基于深度学习方法的预测模型可对采煤机截割部齿轮故障进行有效预测,齿轮故障识别率约为98.71%;在同等情况下,D-CNN模型对齿轮正常状态和故障状态分类精准率达到98.78%、召回率达到98.88%;相比于其他模型,该模型对齿轮故障具有更高的识别率,具备较高的故障预测与分类性能。

关键词:煤矿机械;齿轮传动;故障预测模型;故障分类;深度卷积神经网络;故障识别率

中图分类号:TH132.41;TD421文献标识码:A文章编号:1001-4551(2022)08-1061-10


本文引用格式:

任春美.基于深度学习的采煤机截割部齿轮故障预测［J］.机电工程,2022,39(8):1061-1070.

REN Chun-mei. Fault prediction of shearer cutting gear based on deep learning［J］.Journal of Mechanical & Electrical Engineering, 2022,39(8):1061-1070.