王孝东
- 作品数：7 被引量：22H指数：3
- 供职机构：安徽理工大学机械工程学院更多>>
- 发文基金：国家自然科学基金安徽省博士后基金资助项目安徽省高校省级自然科学研究项目更多>>
- 相关领域：矿业工程机械工程更多>>
- 基于ANSYS的罐笼模态分析
- 2017年
- 罐笼振动特性研究对提升系统安全高效运行具有重要意义。本文基于ANSYS软件分析罐笼的模态特征,根据各阶的模态应变云图,给出了实际振动测试的传感器布点位置,为后续的罐笼振动测试实验提供参考。
- 丁雪松马天兵王孝东
- 关键词：模态分析罐笼振动测试测试实验
- 基于机器视觉与激光融合的刚性罐道故障定位技术被引量：5
- 2020年
- 提出了一种基于机器视觉与激光融合的多方向矿井刚性罐道变形诊断及其定位方法。使用CCD相机、激光发射器、荧光屏、LabVIEW软件和PC组成变形诊断及其定位系统实时采集荧光屏上的光斑图像,对采集的光斑图像进行图像增强、阈值分割、图像匹配跟踪和像素质心计算等处理;在PC监控界面显示罐道情况及位置。本方法对台阶凸起高度的识别度达到88.43%,台阶凸起的长度识别度高达99.15%,深度识别率高达99.52%。试验证明该技术能实时准确地诊断矿井刚性罐道变形并快速地进行定位。
- 马天兵吴强王鑫泉王孝东刘健
- 关键词：矿井提升刚性罐道故障定位机器视觉
- 基于NX的碟簧-液压式滚轮罐耳结构分析被引量：2
- 2017年
- 滚轮罐耳的运动状态对提升系统的安全、高效的运行有着重要的影响,为了分析其动态特性,利用UG NX软件建立了一种碟簧-液压式滚轮罐耳模型,找出水平推力与摆臂行程的关系,比较了阶跃激励和弯曲激励下碟簧式和碟簧-液压式滚轮罐耳的水平位移响应,发现碟簧-液压式滚轮罐耳的波动性更小,验证了碟簧-液压式滚轮罐耳有较好的减振效果。
- 马天兵王孝东杨天恩杜菲
- 关键词：滚轮罐耳减振
- 基于ANSYS的滚轮罐耳模态分析
- 2016年
- 滚轮罐耳振动模态分析在工程实践中有重要的作用。本文介绍了模态分析的基本原理,利用UG软件建立滚轮罐耳的实体模型,并导入有限元分析软件ANSYS中,对其进行模态分析,得到其前六阶固有频率和振型,为滚轮罐耳的振动特性分析提供理论支持。
- 马天兵杨天恩丁雪松王孝东
- 关键词：模态分析振型罐道井筒装备
- 基于小波包和BP神经网络的刚性罐道故障诊断被引量：12
- 2018年
- 针对现有刚性罐道故障诊断方法不能消除环境因素影响、接头故障识别率较低等问题,以提高罐道故障种类识别精度为目标,提出了基于小波包和BP神经网络的刚性罐道故障诊断方法。搭建了立井提升系统实验台,模拟台阶突起故障和罐道接头故障这2种典型的罐道故障,采集提升容器振动加速度信号;运用小波包分解对采集的信号进行能量分析并提取故障特征参数,将故障特征参数作为BP神经网络的输入,并选取新的测试样本检测神经网络的诊断效果。测试结果表明,基于小波包分析和BP神经网络的刚性罐道故障诊断方法具有较高的故障识别精度,置信度达到了0.91。
- 马天兵王孝东杜菲陈南南
- 关键词：立井提升刚性罐道故障诊断小波包BP神经网络
- 基于GA-SVM的刚性罐道故障诊断被引量：1
- 2019年
- 针对刚性罐道故障类型识别精度低这一难题,提出了一种基于遗传算法(genetic algorithm,GA)和支持向量机(support vector machine,SVM)的刚性罐道故障诊断方法。搭建了立井提升系统实验台,模拟2种典型的罐道故障,并采集提升容器振动加速度信号。运用经验模态分解(empirical mode decomposition,EMD)方法对振动加速度信号进行分解,选取前4个固有模态函数(intrinsic mode function,IMF),然后运用奇异值分解(singular value decomposition,SVD)方法计算出每个IMF的奇异值作为故障特征参数,将得到的故障特征参数作为SVM的训练集,通过GA参数寻优方法得到SVM关键参数c和g的最优值,并选取新的测试样本检测SVM的诊断效果。实验结果表明:基于GASVM的刚性罐道故障诊断方法的平均分类准确率达到93%。研究结果表明该方法能精确地识别刚性罐道的典型故障类型,为立井提升系统等非线性非平稳复杂系统的故障诊断提供一种通用可行的解决方法。
- 马天兵王孝东杜菲王鑫泉
- 关键词：刚性罐道故障诊断遗传算法经验模态分解奇异值分解
- 基于EMD-PNN网络的刚性罐道故障诊断方法被引量：4
- 2019年
- 针对刚性罐道故障种类识别困难,提出了一种基于经验模态分解-概率神经网络(EMD-PNN)的刚性罐道故障诊断方法。首先,搭建立井提升实验平台,使用北京东方振动和噪声技术研究所的INV3062T0设备采集罐道的振动信号,然后对含噪的振动信号进行EMD降噪;其次,提取降噪后振动信号的能量参数、偏度参数、峰度参数、波形参数、峰值参数、峭度参数、脉冲参数、裕度参数构成特征向量,作为PNN网络输入层的训练样本和测试样本;最后,利用训练样本建立PNN网络模型,选取测试样本检测概率神经网络的模式识别效果。实验证明,本方法对台阶凸起故障、接头错位故障和正常状态3种模式的识别率达到100%,为立井提升等非线性非平稳复杂系统的故障诊断提供一种通用可行的解决方案。
- 马天兵王鑫泉王孝东
- 关键词：刚性罐道概率神经网络模式识别
