Fault diagnosis of mine roof support swash plate based on SDP image processing algorithm
-
摘要: 斜盘是顶板支护设备中的重要零件，为了能够保证顶板支护的安全可靠，需对支护斜盘的健康状态进行检测。针对顶板支护斜盘的故障检测问题，提出了一种基于对称极坐标(SDP)图像处理算法的矿用顶板支护斜盘故障诊断方法，该方法将振动数据转换为对称极坐标图像，再利用神经网络提取故障特征，实现对斜盘的故障诊断。实验中模拟了4种不同的斜盘故障信号，并分析了卷积神经网络使用不同的网络层数、尺寸、卷积核个数和学习率对诊断结果的影响，经过综合考虑模型的稳定性、训练时间及对故障识别的准确率，确定了最佳的参数。故障诊断模型可实现对斜盘4种不同故障的准确识别，识别准确率达92.25%,表明该模型可高效地完成顶板支护斜盘的故障诊断工作。
-
0. 引言
随着斜坡道建设技术的完善及无轨车辆在非煤矿山的广泛运用，众多矿山已经建立了用于运输的斜坡道[1-3]。然而，由于斜坡道施工难度和成本限制，国内井下斜坡道大多为单行道。除常规岔路口外，为便于井下无轨胶轮车错车，斜坡道每隔一定距离便设有避让路口，加之斜坡道路线的复杂性，导致井下斜坡道的辅助运输和监管变得复杂[4-5]。此外，井下还存在运输管理不严和司机安全意识不足等问题。若没有系统的有效监管和引导，时常发生超速、闯红灯、交通堵塞等现象，甚至导致碰撞等事故。因此，斜坡道辅助运输车辆管控系统成为矿山安全运营中不可或缺的重要组成部分[6-8]。
信号灯闭锁控制系统作为斜坡道辅助运输系统的重要组成部分，对于确保无轨胶轮车安全行驶起到至关重要的作用[9-11]。信号灯闭锁控制系统的基础是车辆定位。最简单、最早使用的定位方式是地感线圈，通过地感线圈检测固定位置是否有车辆经过，再通过PLC统计闭锁区间内的车辆数量，结合线圈感应顺序实现信号灯判定[12]。但地感线圈只能实现定点检测，无法进行车辆识别。李朝金[13]采用RFID车辆识别技术，通过车卡与基站的数据通信来区分车辆。佘九华等[14]提出采用位置传感器判断车辆位置的方法，较地感线圈定位范围大，可实现井下全范围车辆定位。随着无线通信技术的发展，ZigBee、WiFi和UWB等被应用到煤矿井下定位中[15-17]。其中，UWB技术具有较高的静态定位精度，但其动态定位精度会随着速度提高而降低。
信号灯闭锁控制系统的另一个关键是控制逻辑。米彦军[18]提出的闭锁控制逻辑，可有效解决车辆“顶牛”问题，但逻辑仅限于闭锁区间，缺少提前警示功能，易造成后发司机看到红灯后倒车的问题。包翔宇等[19]提出的车辆放行逻辑适用于视线不好的复杂路口，实际车辆放行效率较低，易造成车辆等待时间过长的问题。
针对上述问题，本文提出一种基于改进卡尔曼滤波和状态观测器的井下信号灯闭锁控制算法。结合非煤矿山井下斜坡道运输的实际情况，提出了井下信号灯控制逻辑规则，可避免井下常见的错车问题，提高斜坡道运输效率；通过强跟踪卡尔曼滤波进行UWB定位数据处理，以提高动态定位精度；通过预测到达门限时间，保证逻辑判定与信号灯响应的及时性；最后采用基于结果分析的远程状态观测器评估算法性能。
1. 基于UWB的车辆定位原理
采用UWB技术进行车辆定位，测距采用双向飞行时间法，静态定位误差小于0.3 m，可视覆盖范围达400 m。位于直线上的车辆仅需2个定位接收器即可完成定位，因此，将2个UWB定位模块合并放入定位分站中，分站左右两端各连接1个5 m长的定位天线（图1）用于接收和发送数据。图1中，红色为远路口天线，蓝色为近路口天线。
定位以近路口天线为主、远路口天线为辅。定位原理如图2所示。其中，$ D $为车辆与路口中心的距离；$ {D}_{1}{，D}_{2} $分别为车辆与近路口天线和远路口天线的距离；$ {D}_{{\mathrm{S}}} $为定位分站中心到路口中心的距离；$ {D}_{\mathrm{1,2}} $为2个天线之间的距离，该距离需≥5 m。近路口天线测得车辆与天线的距离为$ {D}_{1} $，由此可推测车辆位置有2种可能：① 车辆在近路口天线的左侧（−$ {D}_{1} $处）；② 车辆位置在近路口天线的右侧（+$ {D}_{1} $处）。远路口天线测得车辆位置距天线距离为$ {D}_{2} $，由$ {D}_{2} $可判断车辆真实位置在近路口天线的左侧。
以近路口天线为界划分为近路口、远路口2个区域，如图3所示。
车辆位于远路口区域（近路口天线左侧）时，即$ {D}_{1} $＞$ {D}_{2} $或（$ {D}_{1} $＜$ {D}_{2} $）&（$ {D}_{2} $＜${D}_{\mathrm{1,2}} $）时，车辆位置的计算公式为
$$ D={-D}_{{\mathrm{S}}}+{D}_{\mathrm{1,2}}/2-{D}_{1} $$ (1) 车辆位于近路口区域（近路口天线右侧）时，即（$ {D}_{1} $＜$ {D}_{2} $） &（$ {D}_{2}\geqslant {D}_{\mathrm{1,2}} $）时，车辆位置的计算公式为
$$ D={-D}_{{\mathrm{S}}}+{D}_{\mathrm{1,2}}/2+{D}_{1} $$ (2) 根据定位分站的覆盖范围，可将井下巷道划分为多条直线，其中弯道可看成多条直线的组合，如图4所示。
2. 井下信号灯逻辑判定方法
2.1 逻辑判定基本参数
进行信号灯逻辑判定时，首先要确定车辆行驶状态。车辆行驶状态可分为静止状态、驶入路口状态、驶离路口状态3种。定位分站采集到连续离散定位数据并进行分析，推断出车辆行驶状态。车辆行驶状态判定流程如图5所示。当分站检测到车辆连续2组定位数据后，通过计算车速判定车辆是否静止，若为非静止状态，再基于前后位置变化判定是驶入还是驶离路口。
除车辆行驶状态外，系统还需要根据车辆不同位置做出不同逻辑判定。基于判定逻辑，车辆位置可划分为入列、关联闭锁及区间闭锁3个区域，如图6所示。当车辆驶入入列门限时，车辆进入入列状态。此状态下，该车辆的控制权归本地路口所有，本地分站同时向关联路口分享该车辆位置数据。当车辆继续驶过关联闭锁门限时，车辆进入关联闭锁状态，此时关联路口需要响应以提前作出警示。当车辆驶出区间闭锁门限时，车辆进入区间闭锁状态，驶向的关联路口需要响应以继续作出警示，其余关联路口恢复通行状态。
2.2 逻辑判定规则
逻辑判定的目是引导车辆在斜坡道安全行驶，以避免产生交通问题。本文结合斜坡道运输的实际情况对逻辑判定规则进行了归纳，主要分为8种情况：① 未入列状态；② 入列限行；③ 关联闭锁；④ 区间闭锁；⑤车辆饱和限行；⑥ 特殊车辆跟车禁止；⑦ 辅助信号灯判定；⑧ 优先放行。
1） 未入列状态如图7所示。当车辆驶向路口A且未经过入列门限时，若驶离的地方为车场、工作面或与路口A不关联的路口，则认为车辆为未入列状态，路口A的灯1为绿色状态。
2） 当车辆驶过入列门限后，进入路口A的控制区域。此时车辆位置状态切换为入列限行状态（图8），路口A 的灯1应变为红色。
3） 当车辆驶过路口A的关联闭锁门限后，车辆切换为关联闭锁状态（图9），本地路口A的灯1释放，恢复成绿灯状态。路口B、C与路口A关联，当路口B、C的分站从路口A的分站处读到有非关联车辆（即不在关联闭锁区内的车辆）驶入关联闭锁门限时，路口B、C的关联灯（灯1）变为红色响应状态，以警示路口内司机：关联路口可能有车驶向本路口。
4） 当车辆驶出路口A并经过区间闭锁门限后，车辆切换为区间闭锁状态（图10）。路口B的分站未检测到路口A有非关联的关联闭锁车及关联的区间闭锁车，因此路口B的灯1恢复为绿色；而路口C的分站读到与路口A的闭锁区有区间闭锁车辆，路口C的灯1保持红色。当车辆行驶到路口C的入列门限后，车辆位置状态重新进入入列限行状态，开始新的循环。
5） 车辆饱和限行包括闭锁区车辆超限限行和路口饱和限行。闭锁区车辆超限限行如图11（a）所示，当同时有3辆车（闭锁区限行3辆）驶入路口A与路口B之间的闭锁区时，路口A的灯1会变红，限制车辆继续进入闭锁区，以免造成拥堵。路口饱和限行如图11（b）所示，当路口A出现≤1个岔口能放行车辆的情况时，除最先有车的关联路口的关联灯（路口B的灯1）为绿灯外，其余关联路口的关联灯（路口C、D的灯1）均为红灯，以免造成拥堵。
6） 特殊车辆跟车限行是指炸药运输车、油罐车等驶入闭锁区间时，该闭锁区关联的信号灯会变红，禁止后续车辆跟车。
7） 当井下环境不好、斜坡道过窄或视线受阻时，可能存在司机开车过程中看不到对应闭锁区信号灯的问题，需要增加辅助信号灯。辅助信号灯按逻辑可分为2种，一种是同步信号灯，一种是放行信号灯。同步信号灯与对应关联信号灯同步显示，放行信号灯需要根据本地路口其他信号灯情况判定，一般遵循“有红则红”的原则。
同步信号灯如图12（a）所示。由于视线受阻，区间②与区间③的司机互相看不到对方信号灯，此时可分别在区间②、③安装对方的同步信号灯，以提醒区间内的司机对向区间内有来车。放行信号灯如图12（b）所示。区间①、②为主巷道，区间②连接到停车场，可在停车场出口安装放行信号灯，用于管控停车场内车辆的驶离。当主巷道有来车时，放行信号灯变红，禁止车辆驶离，让主巷道车辆先行，以免发生“顶牛”。
8） 优先放行车辆包括优先放行闭锁区车辆和特殊车辆，二者逻辑相似。当优先放行闭锁区有车或一般闭锁区有特殊车辆时，除该闭锁区外的关联信号灯都变红，以确保其余闭锁区没有车辆进入，保证车辆享有优先通行权。
3. 改进卡尔曼滤波算法
3.1 问题分析
为降低施工和维修难度，提高便携性，本文使用的车辆定位卡为无源定位卡，受低功耗设计限制，定位卡位置更新频率约为0.5 s/次，这就造成信号灯响应延时问题。举例，如图13所示，T时刻车辆位置临近门限位置，车辆位置状态未发生变化，此时系统不会进行逻辑切换，直到下一采样时刻T'，车辆已驶离门限位置较长一段距离，此时系统才会进行响应，这就造成信号灯响应延时，继而影响关联路口的及时响应。
此外，受本身动态精度降低及外在环境等因素的影响，UWB定位数据存在动态误差大、数据失真和间断性数据丢失等问题，通过卡尔曼滤波算法可以有效改善这些问题[20-21]。但在实际运算过程中，在非线性条件下，如在临时下客、车辆启动或者路障减速等车辆加/减速的情况下，卡尔曼滤波后的数据与实际数值偏差较大。为提高信号灯闭锁控制的可靠性、及时性和UWB动态定位精度，本文对卡尔曼滤波算法进行改进，提出一种强跟踪卡尔曼滤波算法。
3.2 卡尔曼滤波算法
根据经典卡尔曼滤波算法建立系统方程：
$$ {\hat{\boldsymbol{x}}}_{t}^-={{\boldsymbol{A}}_{t}\hat{\boldsymbol{x}}}_{t-1}^++{\boldsymbol{w}}_{t} $$ (3) 式中：$ {\hat{\boldsymbol{x}}}_{t}^{-} $为t时刻车辆状态预测值，$ {\hat{\boldsymbol{x}}}_{t}^{-} $=[$ {{p}}_{t}{,{v}}_{t} $]，$ {{p}}_{t} $为车辆位置，$ {{v}}_{t} $为车辆速度；$ {\boldsymbol{A}}_{t} $为t时刻状态变量的转移矩阵；$ {\hat{\boldsymbol{x}}}_{t-1}^{+} $为$t-1 $时刻卡尔曼滤波后的后验值；$ {\boldsymbol{w}}_{t} $为系统噪声。
观测方程为
$$ {\boldsymbol{x}'_t}={{\boldsymbol{H}}_{t}\boldsymbol{x}}_{t}+{\boldsymbol{Z}}_{t} $$ (4) 式中：$ {\boldsymbol{x}'_t} $为观测值；$ {\boldsymbol{H}}_{t} $为观测矩阵；${\boldsymbol{x}}_{t} $为实际值；${ {\boldsymbol{Z}}}_{t} $为观测噪声。
预测误差更新公式为
$$ {\boldsymbol{P}}_{t}^-={\boldsymbol{A}}_{t}{\boldsymbol{P}}_{t-1}^+{\boldsymbol{A}}_{t}^{{\mathrm{T}}}+{\boldsymbol{Q}}_{t-1} $$ (5) 式中：$ {\boldsymbol{P}}_{t}^{-} $为t时刻误差协方差矩阵；$ {\boldsymbol{P}}_{t-1}^{+} $为$t-1 $时刻预测误差协方差矩阵；$ {\boldsymbol{Q}}_{t-1} $为系统噪声方差。
卡尔曼增益更新公式为
$$ {\boldsymbol{K}}_{t}=\frac{{\boldsymbol{P}}_{t}^-}{{\boldsymbol{P}}_{t}^-+\boldsymbol{R}} $$ (6) 式中：$ {\boldsymbol{K}}_{t} $为卡尔曼增益；R为观测噪声方差。
后验预估值计算公式为
$$ {\hat{\boldsymbol{x}}}_{t}^+={\hat{\boldsymbol{x}}}_{t}^-+{\boldsymbol{K}}_{t}({\boldsymbol{x}'_t}-{\boldsymbol{H}}_{\boldsymbol{t}}{\hat{\boldsymbol{x}}}_{t}^-) $$ (7) 预测误差协方差更新公式为
$$ {\boldsymbol{P}}_{t}^+=(\boldsymbol{I}-{\boldsymbol{K}}_{t}{\boldsymbol{H}}_{\boldsymbol{t}}){\boldsymbol{P}}_{t}^- $$ (8) 式中I为单位矩阵。
3.3 改进方法
通过强跟踪自适应方式对卡尔曼滤波算法进行改进，在计算预测误差时加入时变渐消因子，防止在突发情况下卡尔曼算法过度依赖历史数据，造成较大误差。
$$ {\boldsymbol{P}}_{t}^-={\lambda }_{t}{\boldsymbol{A}}_{t}{\boldsymbol{P}}_{t-1}^+{\boldsymbol{A}}_{t}^{{\mathrm{T}}}+{\boldsymbol{Q}}_{t-1} $$ (9) 式中$ {\lambda }_{t} $为时变渐消因子，其计算如下：
$$ {\mathrm{\lambda }}_{t}=\left\{ {\begin{array}{*{20}{c}} \dfrac{{\mathrm{tr}}{\boldsymbol{N}}_{t}}{{\mathrm{tr}}{\boldsymbol{M}}_{t}}&\dfrac{{\mathrm{tr}}{\boldsymbol{N}}_{t}}{{\mathrm{tr}}{\boldsymbol{M}}_{t}} ＞ 1\\ 1 &\dfrac{{\mathrm{tr}}{\boldsymbol{N}}_{t}}{{\mathrm{tr}}{\boldsymbol{M}}_{t}}\leqslant 1\end{array}} \right. $$ (10) $$ \left\{ \begin{array}{l}{\boldsymbol{N}}_{t}={\boldsymbol{V}}_{t}-\beta {\boldsymbol{R}}_{t}-{\boldsymbol{H}}_{t}{\boldsymbol{Q}}_{t-1}{\boldsymbol{H}}_{t}^{{\mathrm{T}}}\\ {\boldsymbol{M}}_{t}={\boldsymbol{H}}_{t}{\boldsymbol{A}}_{{t}}{\boldsymbol{P}}_{t-1}^+{{\boldsymbol{A}}_{t}^{{\mathrm{T}}}\boldsymbol{H}}_{t}^{{\mathrm{T}}}\end{array}\right. $$ (11) 式中：$ {\boldsymbol{N}}_{t}$，${\boldsymbol{M}}_{t} $为中间变量；$\boldsymbol{V}_{t} $为残差序列协方差矩阵；$ \beta $为弱化因子，一般$ \beta $≥1，本文取1.2。
$$ {\boldsymbol{V}}_{t}=\left\{ {\begin{array}{*{20}{c}} {\boldsymbol{Z}}_{t}{\boldsymbol{Z}}_{t}^{{\mathrm{T}}} & t=1\\ \dfrac{\rho {\boldsymbol{V}}_{t-1}+{\boldsymbol{Z}}_{t}{\boldsymbol{Z}}_{t}^{{\mathrm{T}}}}{1+\rho }&t > 1 \end{array}} \right.$$ (12) 式中ρ为遗忘因子，本文取0.95。
根据滤波后所得的后验距离与速度值，通过加速度公式即可预测出车辆到达门限的时间，系统可及时进行逻辑切换，解决离散数据采集导致的控制滞后性问题。
$$ \Delta p={\hat{v}}_{t}^+t+\frac{{\hat{{v}}}_{t}^+-{\hat{{v}}}_{t-1}^+}{2 \Delta t}{t}^{2} $$ (14) 式中：$ \Delta p $为车辆当前位置与门限的距离；$ {\hat{{v}}}_{t}^{+} $为后验速度；$ \Delta t $为上一采样周期。
将相关变量代入式（13），即可求出车辆到达门限的时间t。
4. 状态观测器
采用基于结果分析的状态观测器验证闭锁控制算法性能。状态观测器布置于上位机内，通过以太网TCP协议与井下各定位分站通信，获取路口各信号灯状态、车辆实时行驶位置信息与算法过程数据等。状态观测器工作流程如下：
1） 车辆行驶到路口B时，状态观测器采集到进入车辆的位置数据，并记录该车辆定位卡号。
2） 状态观测器采集关联路口信号灯状态信息，缓存采样周期内井下各岔路口带时间戳的信号灯状态信息。本文设置采样时间间隔为1 s，采样周期为15 s。
3） 车辆行驶到路口B的相邻路口A或C时，状态观测器再次采集到该车辆信息。
4） 获取当前时间前关联路口信号灯状态信息。
5） 将通过车辆闭锁逻辑关系判断的信号灯状态与采集的信号灯状态进行对比，若一致则判定信号控制闭锁成功，否则为闭锁失败。
6） 读取并保存强跟踪卡尔曼滤波算法过程数据，用于算法滤波效果的追踪反馈和参数调整。
5. 仿真与工业现场验证
5.1 仿真分析
根据工业现场数据进行仿真模拟，模拟车辆以6 m/s的初速度进入路口，在第27 s时以−0.6 m/s2的加速度行驶，在路口中心停留40 s后，以0.6 m/s2的加速度驶离路口。测量噪声按速度大小线性增加且符合正态分布，噪声均值为0，车辆静止时噪声误差标准差为0.1 m，车辆速度为6 m/s时噪声误差标准差为0.3 m。采用常见的加权递推平均滤波算法、卡尔曼滤波算法与强跟踪卡尔曼滤波算法进行对比分析。
5.1.1 定位性能
UWB定位模块测得的车辆距离滤波前后对比如图14所示。可看出4种情况下的距离几乎一致。将测得的距离减去模拟时的给定值，得到测距误差，如图15所示。
![]()
图 14 车辆测距结果滤波前后对比Figure 14. Comparison of vehicle distance measurement results before and after filtering![]()
图 15 测距误差滤波前后对比Figure 15. Comparison of distance measurement error before and after filtering当车辆以6 m/s速度稳定运行时，经过加权递推平均滤波后的误差（均方根平均值）不降反增，这是因为平均值计算导致数据滞后；而经过卡尔曼滤波后的误差由30.62 cm降到20.18 cm，精度提高34.09%；经过强跟踪卡尔曼滤波后的误差降到22.76 cm，精度提高25.67%。当车辆静止时，经过加权递推平均滤波后的误差由10.04 cm降到10.28 cm，精度提高7.57%；经过卡尔曼滤波后的误差降到7.10 cm，精度提高29.28%；经过强跟踪卡尔曼滤波后的误差降到7.31 cm，精度提高27.19%。与加权递推平均滤波相比，卡尔曼滤波在动态滤波方面优势较大，虽然强跟踪卡尔曼滤波精度不如卡尔曼滤波，但当车辆减速或加速时，强跟踪卡尔曼滤波适应能力更强。
5.1.2 速度跟踪性能
车辆速度滤波前后对比如图16所示。当车辆以6 m/s速度稳定运行时，经过加权递推平均滤波后的速度误差由16.81 cm/s降到14.33 cm/s，精度提高14.74%；经卡尔曼滤波后速度误差降到11.64 cm/s，精度提高30.75%；经过强跟踪卡尔曼滤波后的速度误差降到12.56 cm/s，精度提高25.28%。当车辆静止时，经加权递推平均滤波后速度误差由10.94 cm/s降到8.71 cm/s，精度提高20.38%；经过卡尔曼滤波后的速度误差降到6.65 cm/s，精度提高39.21%；经过强跟踪卡尔曼滤波后的速度误差降到7.14 cm/s，精度提高34.73%。由图16中放大部分可知，当车速变动时，强跟踪卡尔曼滤波响应更快。
5.2 工业现场验证
在西部矿业锡铁山分公司斜坡道进行了工业性试验。西部矿业锡铁山分公司运输斜坡道全长10 km，建有31个错车路口，5个三岔口。本次工业性试验共安装定位分站36台，信号灯78台，其余硬件主要包括上位机、地面核心交换机、环网接入器、不间断电源箱及车辆定位卡等，如图17所示。
5.2.1 位置及速度滤波数据分析
状态观测器记录的工业现场数据如图18所示，可看出现场试验结果与仿真结果基本相符。
状态观测器记录的车辆经过门限的预测时间及前后采样时间对比见表1，采样时间间隔为500 ms。当前一时刻采样结束后，系统通过算法预测到车辆经过门限的时间，并在对应时间点切换逻辑做出响应，不用等到后一时刻采样的时间点，这极大提高了信号灯闭锁控制的准确性与及时性。其中，第4组数据的前后时刻间隔为1 029 ms，表明系统采样时丢失中间1帧数据，通过预测时间可有效解决采样失败后的控制延时问题。
表 1 门限预测结果Table 1. Threshold prediction results组别 时刻 位置/cm 时间/ms 1 前一时刻 2 005 19 675 预测时刻 2 000 19 684 后一时刻 1 715 20 206 2 前一时刻 −1 883 34 872 预测时刻 −1 883 35 105 后一时刻 −2 173 35 401 3 前一时刻 −2 111 5 112 预测时刻 −2 000 5 357 后一时刻 −1 877 5 632 4 前一时刻 −1 970 14 918 预测时刻 −2 000 14 990 后一时刻 −2 389 15 947 5.2.2 信号灯闭锁效果分析
为了进一步验证优化后的结果，通过远程状态观测器获取信号灯控制状态，统计井下30 d内的信号灯闭锁次数及闭锁成功次数，结果见表2。
表 2 信号灯闭锁结果Table 2. Signal light locking results序号 总次数 闭锁成功次数 未滤波 卡尔曼
滤波改进卡尔
曼滤波1 8 256 7 719 8 058 8 206 2 8 524 8 055 8 302 8 456 3 8 442 7 986 8 256 8 408 4 8 242 7 813 8 077 8 234 5 9 502 9 008 9 293 9 454 6 8 424 7 994 8 213 8 365 7 9 501 9 045 9 292 9 425 8 8 536 8 092 8 323 8 485 9 8 583 8 120 8 403 8 557 10 8 413 7 967 8 253 8 354 11 8 202 7 784 7 997 8 136 12 9 531 9 064 9 264 9 464 13 8 494 8 052 8 273 8 418 14 9 514 9 029 9 305 9 447 15 8 543 8 133 8 329 8 475 16 8 481 8 057 8 252 8 439 17 8 293 7 845 8 053 8 235 18 8 193 7 759 7 980 8 160 19 8 521 8 086 8 282 8 495 20 8 414 7 951 8 212 8 397 21 8 231 7 787 8 042 8 198 22 8 094 7 625 7 892 8 037 23 8 231 7 762 8 001 8 165 24 8 141 7 693 7 897 8 100 25 8 512 8 052 8 291 8 452 26 8 812 8 319 8 592 8 786 27 8 712 8 198 8 529 8 642 28 8 631 8 105 8 415 8 579 29 8 512 8 018 8 282 8 452 30 8 652 8 176 8 444 8 617 滤波前后信号灯闭锁成功率对比如图19所示，可看出算法改进后的闭锁成功率达99.5%以上，远高于卡尔曼滤波算法。同时，状态观察器的数据分析可为井下分站故障诊断、数据优化迭代提供数据支撑。
![]()
图 19 滤波前后信号灯闭锁成功率对比Figure 19. Comparison of the success rate of signal light locking before and after filtering6. 结论
1） 分析了基于UWB的井下车辆定位原理，提出了适合非煤矿山井下特点的信号灯逻辑判定方法。
2） 针对UWB动态定位精度不足及车辆定位数据丢失等问题，提出一种强跟踪卡尔曼滤波算法，通过强跟踪自适应方式计算预测误差，提高定位精度，通过准确预测车辆到达门限的时间，使斜坡道系统信号灯门限逻辑判定响应更快，闭锁成功率更高。
3） 采用远程状态观测器评估信号灯闭锁控制效果，基于时域自动跟踪的统计，实现了闭锁可靠性的量化评估，为井下分站故障诊断、数据优化迭代提供数据支撑。
4） 仿真结果表明，改进卡尔曼滤波算法后，车辆动态与静态位置误差分别降低25.67%和27.19%，动态与静态速度误差分别降低25.28%和34.73%，信号灯门限逻辑响应更快。井下工业性试验和应用结果表明，采用强跟踪尔曼滤算法后，井下信号闭锁成功率达99.5%以上，有效提高了井下斜坡道岔路口信号闭锁控制的可靠性，保障了井下车辆行驶安全。
-
[1] 励文艳, 程珩, 赵立红, 等.基于局部S变换和极限学习机的柱塞泵滑靴磨损故障诊断[J].液压与气动, 2019(12):15-21. [2] 陈仁祥, 黄鑫, 杨黎霞, 等.基于卷积神经网络和离散小波变换的滚动轴承故障诊断[J].振动工程学报, 2018, 31(5):883-891. [3] ZHU Xiaoxun, HOU Dongnan, ZHOU Pei, et al.Rotor fault diagnosis using a convolutional neural network with symmetrized dot pattern images[J].Measurement, 2019, 138:526-535.
[4] 姜万录, 李振宝, 张生, 等.基于递归定量分析的液压泵故障识别方法[J].液压与气动, 2019(2):18-23. [5] 郑直, 姜万录, 王宝中, 等.基于形态差值算子和特征能量比的液压泵故障分离方法[J].液压与气动, 2018(9):7-14. [6] 张西宁, 张雯雯, 周融通, 等.基于多维缩放和随机森林的轴承故障诊断方法[J].西安交通大学学报, 2019, 53(8):1-7. [7] 师冲, 任燕, 汤何胜, 等.基于经验模式分解和一维密集连接卷积网络的电液换向阀内泄漏故障诊断方法[J].液压与气动, 2021(1):36-41. [8] 杜名喆, 王宝中.基于经验小波分解和卷积神经网络的液压泵故障诊断[J].液压与气动, 2020(1):163-170. [9] 罗毅, 甄立敬.基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法[J].振动与冲击, 2015, 34(3):210-214. [10] 丁锋, 栗祥, 韩帅.EEMD与NRS在涡桨发动机转子故障诊断中的应用[J].航空动力学报, 2018, 33(6):1423-1431. [11] 贾京龙, 余涛, 吴子杰, 等.基于卷积神经网络的变压器故障诊断方法[J].电测与仪表, 2017, 54(13):62-67. [12] 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. [13] 周翔宇, 毛善君, 李梅.基于频域降采样和CNN的轴承故障诊断方法[J].北京大学学报(自然科学版), 2023, 59(2):251-2600. [14] YU Wenxin, HUANG Shoudao, XIAO Weihong.Fault diagnosis based on an approach combining a spectrogram and a convolutional neural network with application to a wind turbine system[J].Energies, 2018, 11(10):2561.DOI: 10.3390/en11102561.
[15] UDMALE S S, PATIL S S, PHALLE V M, et al.A bearing vibration data analysis based on spectral kurtosis and ConvNet[J].Soft Computing, 2019, 23(19):9341-9359.
[16] WANG Baoxiang, PAN Hongxia, YANG Wei, et al.Fault diagnosis of rolling bearing using CVA based detector[J].Journal of Vibroengineering, 2016, 18(7):4285-4298.
[17] XU Xiaohang, ZHENG Hong, GUO Zhongyuan, et al.SDD-CNN:small data-driven convolution neural networks for subtle roller defect inspection[J].Applied Sciences, 2019, 9(7):1364.DOI: 10.3390/app9071364.
[18] 雷亚国, 杨彬, 杜兆钧, 等.大数据下机械装备故障的深度迁移诊断方法[J].机械工程学报, 2019, 55(7):1-8. [19] 王运生, 王黎明.基于SDP图像和深度卷积网络的发动机故障诊断[J].噪声与振动控制, 2023, 43(5):175-180. [20] 武海彬, 卜明龙, 刘圆圆, 等.基于SDP图像与VGG网络的旋转机械转子故障诊断研究[J].机电工程, 2020, 37(9):1069-1074. [21] 姜洪开, 邵海东, 李兴球.基于深度学习的飞行器智能故障诊断方法[J].机械工程学报, 2019, 55(7):27-34. [22] 刘星辰, 周奇才, 赵炯, 等.一维卷积神经网络实时抗噪故障诊断算法[J].哈尔滨工业大学学报, 2019, 51(7):89-95.
下载:
计量
- 文章访问数: 3
- HTML全文浏览量: 0
- PDF下载量: 0
