基于CLSRIME-XGBOOST的带式输送机托辊故障诊断方法
作者:
作者单位:

1.中国矿业大学机电工程学院 徐州,221116;2.智能采矿装备技术全国重点实验室 徐州,221008;3.徐州矿务集团有限公司博士后科研工作站 徐州,221018;4.江苏省徐州技师学院汽车工程学院 徐州,221002;5.陕西延长石油榆林可可盖煤业有限公司 榆林,719015

作者简介:

通讯作者:

程舒曼,女,1999年5月生,硕士。主要研究方向为机电装备状态监测和故障诊断。

中图分类号:

TH133.3;TD57

基金项目:

山西省创新生态服务支撑专项资助项目(202404010911003Z);江苏省科技成果转化专项资助项目(BA2022075);新疆煤炭资源绿色开采教育部重点实验室课题资助项目(KLXGY-Z2402)


E-mail: 849438179@qq.com
Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对声音信号分析在诊断带式输送机托辊故障中的高维特征存在信息冗余、计算量大和诊断效果不理想等问题,笔者构建了声音信号特征精简策略,基于Circle混沌映射、Levy飞行策略和正弦因子改进了霜冰优化算法(rime optimization algorithm,简称RIME),记作CLSRIME。再结合极致梯度提升模型(extreme gradient boosting,简称XGBOOST),构建了CLSRIME-XGBOOST带式输送机托辊轴承故障诊断方法。首先,利用梅尔倒谱系数(Mel-scale frequency cepstral coefficient,简称 MFCC)融合方法提取信号关键特征,并通过t-分布领域嵌入算法(t-distributed stochastic neighbor embedding, 简称tSNE)进行降维,构建了基于MFCC和tSNE的精简特征提取策略;其次,针对RIME存在初始种群分布不均、霜冰粒子搜索能力弱、收敛速度较慢的问题,引入Circle混沌映射、Levy飞行策略和正弦因子,设计了CLSRIME;最后,利用CLSRIME优化XGBOOST中树的深度、迭代次数及学习率等参数,构建了基于CLSRIME-XGBOOST的诊断模型。结果表明,所提方法能够精简表征托辊轴承故障状态的特性信息,改善了RIME的优化性能,提高了传统XGBOOST诊断模型的准确率,为带式输送机托辊故障诊断提供了新思路。

    Abstract:

    参考文献
    相似文献
    引证文献
引用本文
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2024-03-07
  • 最后修改日期:2024-05-13
  • 录用日期:
  • 在线发布日期: 2025-09-03
  • 出版日期:
您是第位访问者
振动、测试与诊断 ® 2025 版权所有
技术支持:北京勤云科技发展有限公司