基于小波包与SOM神经网络的截齿磨损状态识别.pdf

第4 3 卷第7 期 煤炭学报 V 0 1 ．4 3 N o ．7 2 0 1 8 年7 月J O U R N A LO FC H I N AC O A LS O C I E T Y J u l y 2 0 1 8 张强，顾颉颖，刘峻铭，等．基于小波包与S O M 神经网络的截齿磨损状态识别[ J ] ．煤炭学报，2 0 1 8 ，4 3 7 2 0 7 7 2 0 8 3 ．d o i 1 0 1 3 2 2 5 ／j ．c n k i ．j C C S ．2 0 1 7 ．1 2 1 3 Z H A N GQ i a n g ，G UJ i e y i n g ，L I UJ u n m i n g ，e ta 1 ．P i c kw e a l - c o n d i t i o ni d e n t i f i c a t i o nb a s e do nw a v e l e tp a c k e ta n dS O Mn e u r a ln e t w o r k ⋯ J o u m a lo fC h i n aC o a lS o c i e t y ，2 0 1 8 ，4 3 7 2 0 7 7 - 2 0 8 3 ．d o i 1 0 ．1 3 2 2 5 ／j ．c n k i ．j C C S ．2 0 1 7 ．1 2 1 3 基于小波包与S O M 神经网络的截齿磨损状态识别 张强，顾颉颖，刘峻铭，刘志恒，田 莹 辽宁工程技术大学机械工程学院，辽宁阜新1 2 3 0 0 0 摘要为实现采煤机截割过程中截齿磨损状态的实时在线监测，采用声发射传感器对不同磨损程 度截齿截割时的声发射信号进行采集，采用小波包分析方法分析声发射信号不同频带能量的变化 规律，建立能量值的样本空间，构建基于S O M 神经网络的截齿磨损识别模型，实现对截齿不同磨损 状态的在线监测。通过随机测试实验对截齿磨损状态识别模型进行验证，结果表明，基于小波包分 析与S O M 神经网络的截齿预测磨损状态识别模型识别精度较高，测试样本识别精度约9 5 ％。研 究结果为准确识别截齿的磨损状态、提高采煤机的工作效率提供一种重要的技术手段。 关键词采煤机；截齿磨损；声发射信号；小波包分解；S O M 神经网络；识别 中图分类号T I M 2 1 ．6 文献标志码A文章编号0 2 5 3 9 9 9 3 2 0 1 8 0 7 2 0 7 7 0 7 P i c kw e a rc o n d i t i o ni d e n t i f i c a t i o nb a s e do nw a v e l e tp a c k e ta n dS O M n e u r a ln e t w o r k Z H A N GQ i a n g ，G UJ i e y i n g ，L I UJ u n m i n g ，L I UZ h i h e n g ，T I A NY i n g S c h o o lo f M e c h a n i c a lE n g i n e e r i n g ，L i a o n i n gT e c h n i c a lU n i v e r s i t y ，F u x i n1 2 3 0 0 0 ，C h i n a A b s t r a c t I no r d e rt or e a l i z et h er e a l t i m em o n i t o r i n go nt h ew e a rd e g r e eo fc o a ls h e a r e rp i c k si nt h ec u t t i n gp r o c e s s ， t h ea e o u s t i ee m i s s i o ns i g n a l su n d e ri n d i v i d u a lw e a rd e g r e e sa r ec o l l e c t e dv i aa c o u s t i ce m i s s i o ns e n s o r s ．T h ew a v e l e t p a c k e ta n a l y s i si su s e dt oa n a l y z et h et r e n do ft h es i g n a lu n d e r i n d i v i d u a lw a v eb a n d ．t h es a m p l es p a c eo ft h ee n e r g yi s e s t a b l i s h e d ．a n dt h ep i c kw e a ri d e n t i f i c a t i o nm o d e lb a s e do nS O M S e l fO r g a n i z i n gM a p s n e u r a ln e t w o r ki s b u i l tt o r e a l i z et h er e a l ．t i m em o n i t o r i n go ft h ep i c kw e a rd e g r e e ．T h em o d e li sp r o v e dv i ar a n d o mt e s t i n ge x p e r i m e n t s ．T h er e 。 s u i t ss h o wt h a tt h ea c c u r a c yo ft h em o d e l ，w h i c hi sb a s e do nw a v e l e tp a c k e ta n a l y s i sa n dS O Mn e u r a ln e t w o r k ，i sh i g h ， a n dt h ea c c u r a c yi sa b o u t9 5 ％．T h er e s u l t sp r o v i d ea ni m p o r t a n tt e c h n i c a lm e a nf o ri d e n t i f y i n gt h ew e a rd e g r e eo f p i c k sp r e c i s e l ya n di m p r o v i n gt h ew o r ke f f i c i e n c y ． K e yw o r d s c o a ls h e a r e r ；p i c kw e a r ；a c o u s t i ce m i s s i o n ；w a v e l e tp a c k e td e c o m p o s i t i o n ；S O Mn e u r a ln e t w o r k ；i d e n t i f i c a 。 t i o n 截齿是采煤机的核心机械部件，截齿的磨损失效 会大大降低采煤机的工作效率，由于采煤机现场作业 环境复杂，截割过程中截齿的磨损状态不易快速、有 效的识别，因此在截割过程中对截齿进行在线监测， 对确定截齿的实时磨损状态，提高采煤机的工作效率 具有重要意义。 国内外学者对于截齿磨损状态识别开展了大 量、深入的研究。D E W A N G A N 等m 2 1 对截齿磨损机 理进行研究，利用扫描电子显微镜和x 射线能量谱 对截齿磨损前后的图像进行分析；N O U A R I 等㈨对 收稿日期2 0 1 7 0 9 - 0 3 修回日期2 0 1 7 1 卜2 0责任编辑许书阁 基金项目国家自然科学基金资助项目 5 1 5 0 4 1 2 1 ，5 1 7 7 4 1 6 1 ；辽宁省自然科学基金资助项目 2 0 1 6 0 2 3 6 2 作者简介张强 1 9 8 0 一 ，男，辽宁鞍山人，教授，博士生导师。E m a i l 4 1 5 5 6 4 4 7 6 q q ．c o r n 通讯作者顾颉颖 1 9 9 1 一 ，女，吉林四平人，硕士研究生。E - m a i l 2 4 8 3 1 3 5 2 1 3 q q ．c o r n 万方数据 2 0 7 8 煤炭 学报 2 0 1 8 年第4 3 卷 刀具磨损机理进行试验以及理论研究，通过分析得 出高速干切削时刀具以扩散磨损为主；K I O U S 等H J 对切削进行在线监测，并对切削力进行频域分析， 将三向力进行合成，发现合成力的频域能够体现出 刀具磨损的状态变化；李晓豁等o 利用L a g r a n g e 方 法和虚拟激励法推导出掘进机的纵向运动的微分 方程建立动力学模型，借助鱼群算法对参数进行优 化，模拟结果与理论计算结果相仿；王雁翔等∞o 对 镐形截齿截割夹矸煤岩的磨损机理进行研究，得出 齿身有明显划痕和沟壑、合金头发生二次崩落的结 论；张倩倩‘8 1 研究不同齿尖材料的截齿磨损特性， 采用高速摄像机和红外热像仪对截割过程进行检 测，得出热疲劳磨损是截齿失效的重要形式；张建 广一1 研究截齿的磨损机理及主要影响因素，发现截 齿磨损前后质量、磨痕形状及温度与工况有关；李 荣德驯对截齿截割煤岩过程进行有限元分析，指出 最大应力区以及温度较高造成截齿的热疲劳磨损； 张强等0 1 1 - 1 4 ] 对截齿磨损状态的识别问题进行了很 多研究，采用了振动传感器、声发射传感器、红外成 像等多传感器对信号进行采集，并利用模糊建模及 神经网络等方法对截齿磨损程度进行预测分析，提 高采掘机械截齿的工作效率；杨盼等纠采用显微硬 度计测量涂层磨损前后的表面硬度，用S E M ，E D S 等观察荣福涂层磨损前后的机构变化，得出熔覆后 的截齿硬度提高了1 0 ％的结论；赵丽娟等刮总结 了矿用截齿在工作时的磨损机理，对截齿的磨损、 折断等失效形式进行分析。 国内外的研究学者对于截齿的磨损状态集中于 对截齿磨损机理以及对截齿磨损程度进行间接测量， 未实现对截齿的在线监测。由于截齿工作环境的特 殊性以及考虑到监测信号的连续性，采用声发射传感 器H ‘7 1 测试不同磨损程度截齿截割过程中的声发射信 号，采用基于小波包分析与S O M 神经网络的识别模 型对截齿磨损状态进行识别。 1 截齿磨损截割实验台 为实现对截齿磨损状态的在线监测，采用自 主搭建的实验台进行不同磨损程度截齿的截割实 验，测试和提取声发射特征信号。截齿磨损实验 系统如图1 所示。 截齿磨损截割实验台由两大部分构成，一是截齿 截割实验系统，二是声发射信号测试系统。截齿截割 实验系统主要由以下几部分组成电动推杆；截割滚 筒；蜗轮蜗杆减速器，减速比为3 8 1 ；3 8 0V 三相异 步电动机，额定功率为0 ．5 5k W ，额定转速 图1 截齿磨损实验系统 F i g ．1 P i c k ’Sw e a re x p e r i m e n ts y s t e m 为15 0 0r ／m i n ；滑轨，全长11 5 0m m ，两滑轨间距 4 5 0m m ；驱动电机，J S 一5 D 1 2 0 G N 一2 4 型直流电机，额 定功率为1 2 0W ，减速器减速比为5 0 1 ，输出轴转速 为6 2r ／m i n 。声发射信号检测系统主要包括S R l 5 0 N 声发射传感器、前置放大器、声发射采集装置和上位 机信号分析系统大尺寸规则的天然岩石试件不易直 接获取，因此试件采用P C 3 2 ．5 复合硅酸盐水泥和细 沙，按照质量l 2 混合浇筑制成，其外形尺寸为 4 0 0m m X 2 5 0m m 1 0 0m m 。 截齿磨损实验步骤如下 1 将新齿安装到截割滚筒的齿座中，用卡簧将 截齿固定； 2 将声发射传感器固定在岩石试件上，并将声 发射监测系统连接完毕； 3 进行截齿截割煤岩试件实验，同时进行声发 射信号采集； 4 信号采集完毕后，将新齿换下，依次安装早 期磨损截齿、严重磨损截齿、失效截齿，重复步 骤 1 ～ 3 ； 5 实验完毕。 以上实验步骤为1 组实验，进行数据的处理后得 到的特征向量即为S O M 神经网络的训练样本。 2 基于小波包的声发射特征提取 2 ．1 小波包分析 小波包分析是将信号进行多层次细致划分，以提 高信号的处理能力。采用3 层小波包分解及重构技 术对不同磨损程度截齿截割的声发射信号进行分析， 小波包树状图如图2 所示，其中，x 表示被分析时域 波形；z 表示低频；Y 表示高频；数字表示分解层数。 通过对比分析，采用具有双正交性、正则性的的 D a u b e c h i e s 小波对采集的声发射信号进行处理。 2 ．2 声发射信号的小波包分解与重构 声发射信号测试过程中，采样长度为3 00 0 0 点， 采样频率为2 0 0k H z 。采用D a u b e c h i e s1 2 小波对声 万方数据 第7 期张强等基于小波包与S O M 神经网络的截齿磨损状态识别 2 0 7 9 图23 层小波包树状图 F i g ．2 T h r e el a y e rw a v e l e tp a c k e tt r e ed i a g r a m 发射信号进行小波分解。将原频域波形经过3 层小 波包分解得到8 个无重叠频段，见表1 。对信号进行 去噪分析，得到4 种不同磨损程度的截齿声发射信号 分解如图3 所示。 表1小波包分解各节点信号对应频段 T a b l e1 C o r r e s p o n d i n gb a n do fw a v e l e tp a c k e t d e c o m p o s i t i o n 序号频段／k H z 序号频段／k H z A lO ～1 2 ．5A 55 0 6 2 ．5 A 21 2 ．5 ～2 5A 66 2 ．5 ～7 5 A 32 5 ～3 7 ．5A 77 5 ～8 7 ．5 A 43 7 ．5 ～5 0A 88 7 ．5 ～1 0 0 采样点 a 新齿重构信号图 由图3 可知，相同磨损状态的截齿在8 个节点处 的能量幅值不同，波形图差异较大，且在同一频段内， 不同磨损程度的截齿波形图差异显著，因此经过小波 包分解提高了不同磨损程度截齿截割声发射信号的 可分析能力。 2 ．3 声发射信号的特征向量提取 根据图3 不同磨损程度截齿声发射信号的小波 包分解及重构信号能量图，对8 个频带的能量特征值 进行计算。每个频段的特征向量为各个采集点对应 能量值的平方和，如式 1 所示。 E ∑霹 ， 1 ，2 ，⋯，n 1 式中，E 扛1 ，2 ，⋯，8 为第i 个频段的能量特征值； E i 为第，个采集点对应的能量值。 通过式 1 得到4 种不同磨损程度截齿的能量 分布情况，见表2 。表2 中节点A 2 ，A 3 ，A 4 ，A 7 ，A 8 的 能量随截齿磨损程度的增加而减小，有一定的规律， 因此选取上述5 个节点的能量值作为衡量截齿磨损 程度的特征样本。 采样点 b 甲| 期磨损截齿重构信弓 万方数据 煤炭 学报 2 0 1 8 年第4 3 卷 采样点 c 严重磨损截齿重构信号 05 0 0lO o o l5 0 020 0 025 0 030 0 035 0 040 0 0 采样点 d 失效截齿重构信号 图34 种不同磨损程度的重构信号 F i g ．3 N e wp i c kr e c o n s t r u c t i o ns i g n a lo f4k i n d sp i c kw e a rd e g r e e s 表2 不同磨损截齿截割声发射信号不同频段能量数值 T a b l e2D i f f e r e n tw e a rp i c kc u t t i n ga c o u s t i ce m i s s i o ns i g n a l so fd i f f e r e n tf r e q u e n c yb a n de n e r g yv a l u e s 3 s O M 神经网络 图4 所示。 3 ．1 神经网络模型 S O M 神经网络既可以学习训练数据输入向量的 分布特征，也可以学习训练数据输入向量的拓扑结 构，即每个神经元与邻近的神经元也是相关联的，拓 扑结构由各个神经元在不同兴奋状态下构成，具有自 组织的特点。S O M 神经网络由输入层与竞争层构 成，输入神经元为m 个，竞争层为口x b 二维平面阵 列，输入层与每一个神经元间全连接，形成输入信号 的特征拓扑分布，具有抽取输入信号特征的能力，如 图4 二维列阵S O M 神经网络模型 F i g ．4 N e t w o r km o d e lo fS O M 争层 出层 之覃} 馨 人／翠罂 人／靼馨 ／迥警 人／理坚一 人／趔警 万方数据 第7 期张强等基于小波包与S O M 神经网络的截齿磨损状态识别 2 0 8 1 S O M 神经网络学习算法如下 1 输入值归一化。对提取的样本进行归一化 处理 戈 z 一z 。。。 ／ 石。。一戈。i 。 2 2 网络初始化。对m 个输入神经元到神经元 的连接权值赋予较小的权值，选取输出神经元，个 “邻接神经元”的集合s j 。 3 输入向量。将x z 。，戈。，⋯，z 。 1 。输入给输 入层。 4 计算欧式距离。在映射层，计算各神经元的 权值向量和输入向量的欧式距离，第‘『个神经元和输 入向量的距离 厂i 一 嘭 | fX 一嘭f f ／yh ￡ 一W q f ] 2 3 式中，W i i 为输入层的i 神经元和映射层的，神经元之 间的权值。 5 权值学习。修正输出神经元J 及其“邻接神 经元”的权值 A w Ⅱ W i f t 1 一W Ⅱ t 叼 t z i 一伽口 t 4 式中，叼∈ 0 ，1 ，随时间的变化逐渐下降到0 。 祀 或祀 o ．2 1 一面t 而 5 计算输出O 。 O 。 八m i nI IX w 『0 6 6 是否达到预先设定的要求。如达到要求则 算法结束；否则，返回步骤 3 ，进行下一轮学习。 3 ．2S O M 网络训练 通过对表2 特征值数据的分析，特征值A 2 ，A 3 ， A 4 ，A 7 ，A 8 作为S O M 网络的输入向量，进行训练。 分类阶段学习速率为0 ．9 ，分类阶段学习的步长 为10 0 0 。调谐阶段的学习速率为0 ．0 2 ，调谐阶段的 邻域距离默认值为1 。竞争层为6 x 6 3 6 个神经元， 拓扑结构采用六边形结构。设置训练步数为1 0 ，3 0 ， 5 0 ，1 0 0 ，2 0 0 ，5 0 0 和10 0 0 。 由表3 可知，当训练步数为1 0 时，S O M 将数据 进行了初步的分类，截齿严重磨损和失效分为一类， 当步数增至1 0 0 时，识别精度有了进一步的提高，当 步数增至2 0 0 时，对截齿的4 种磨损状态聚类成功，4 种磨损程度被完全的区分开。继续增加训练步数时， 发现聚类的效果并没有进一步的提高，因此，训练步 数为2 0 0 时，已经达到要求的聚类效果，再提高训练 步数不仅时间长，且没有实际意义。 表3 不同步长聚类效果 T a b l e3C l a s s i f i c a t i o nr e s u l t sf o rd i f f e r e n tr a i n i n gt i m e s 由表3 中新齿、早期磨损、严重磨损、失效对应的 神经元可知4 种状态下的竞争胜利神经元分别为神 经元3 6 ，3 1 ，6 ，1 。拓扑结构中的4 种状态的神经元 位置如图5 所示，将拓扑结构中的3 6 个位置进行标 号，由图5 可知，截齿的4 种磨损程度在拓扑结构中 有着明显的区分 图5S O M 训练聚类结果 F i g ．5C l u s t e r i n go fr e s u l to fS O M 图6 中的蓝色六角形代表3 6 个神经元，方块间 的直线代表神经元间的连接，每个菱形中的颜色代表 神经元之间距离的远近，从黄色到黑色，颜色越深说 明神经元之间的距离越远，说明两种神经元的磨损程 度差距越大，当不能明确判断磨损程度，神经元的距 离可对磨损程度进行辅助判断。 图6 临近神经元之间的权值距离 F i g ．6W e i g h t e dd i s t a n c eb e t w e e na d j a c e n tn e u r o n s 由图6 可知，4 种磨损程度与明确的神经元分类 号的对应关系见表4 。3 6 个神经元中3 4 个有明确的 万方数据 煤炭学报 2 0 1 8 年第4 3 卷 截齿磨损程度，其中神经元9 与神经元8 ，1 0 距离相 同，说明神经元9 代表截齿的磨损程度处于严重磨损 和失效之间，由于磨损程度是个模糊的概念，将神经 元9 定义为严重磨损，神经元1 5 处于神经元1 6 和神 经元2 0 ，将神经元1 5 定义为严重磨损。 表4 状态类型与样本分类号对应关系 T a b l e4 R e l a t i o n s h i pb e t w e e nt h es t a tt y p sa n dt h e s a m p l ec l a s s i f i c a t i o nm a r k 磨损程度 神经元代表 P l P 2 P 3 P 4 3 6 ，3 5 ，3 4 ，3 0 ，2 9 ，2 8 ，2 4 ，2 3 3 l ，3 2 ，3 3 ，2 7 ，2 6 ，2 5 ，2 2 ，2 1 ，2 0 ，1 9 6 ，4 ，5 ，1 0 ，1 1 ，1 2 ，1 5 ，1 6 ，1 7 ，1 8 1 ，2 ，3 ，7 。8 ，9 ，1 3 ，1 4 3 ．3 实验测试 为了测试S O M 神经网络的识别精度，进行1 0 0 组实验，即对4 种磨损状态的截齿各进行1 0 0 次信号 采集，并从采集的信号中随机选取2 0 组测试信号，对 8 0 个截齿磨损信号进行数据处理，得出的特征向量 作为模型输入量，经过S O M 神经网络模型的识别，得 出8 0 个测试样本中有7 6 个准确识别出截齿磨损程 度，其余未识别或者识别错误，可能是由于信号采集 时噪声干扰，因此，测试样本的识别准确率约为 9 5 ％。 从8 0 个测试结果中随机选取2 0 个结果，对其进 行详细说明，测试样本的实际分类与S O M 的预测分 类如图7 昕示 图7 样本实际分类与预测分类 F i g ．7 A c t u a la n df o r e c a s tc l a s s i f i c a t i o no fs a m p l e s 根据表4 中状态类型与样本分类号对应关系可 知，样本1 ～5 的实际分类为新齿，预期分类号为3 6 ， 预测的分类神经元为3 6 ，3 6 ，3 5 ，3 6 ，3 4 ，皆属于新齿； 样本6 ～1 0 的实际分类为早期磨损，预期分类号为 3 1 ，预测的分类神经元为2 7 ，3 1 ，2 7 ，3 1 ，3 1 ，皆属于早 期磨损；样本1 1 1 5 的实际分类为严重磨损，预期分 类号为6 ，预测的分类神经元为6 ，5 ，6 ，4 ，6 ，皆属于严 重磨损；样本1 5 ～2 0 的实际分类为失效，预期分类号 为1 ，预测的分类神经元为1 ，l ，2 ，3 ，皆属于失效，其 中第3 个样本预测值为1 6 ，预测结果为严重失效，识 别误差可能由于信号采集过程中的噪声污染而造成。 4 结论 1 采用声发射传感器采集截齿不同磨损程度 的信号，并采用小波包分析方法对声发射信号进行分 析和处理，得到A 2 ，A 3 ，A 4 ，A 7 ，A 8 五个频段的声发 射能量随截齿磨损程度的增加而减小，具有一定的规 律性。 2 提出了一种基于小波包分析和S O M 自组织 特征映射网络的截齿磨损状态预测识别模型，通过实 验测试，识别模型对测试样本的识别精度约为9 5 ％， 为实现截齿的磨损状态在线监测提供了一种重要的 技术手段。 参考文献 R e f e r e n c e llJ D E W A N G A NS ，C H A T Y O P A D H Y A Y AS ．C h a r a c t e r i z a t i o no fw e a l - m e c h a n i s mi nd i s t o r t e dc o n i c a l p i c k sa f t e r c o a l c u t t i n g [ J ] ． R o c kM e c h a n i c s ＆R o c kE n g i n e e r i n g ，2 0 1 6 ，4 9 1 2 2 5 2 4 2 ． [ 2 ] W A N GJ i n h u a ．D e v e l o p m e n ta n dp r o s p e c t o nf u l l ym e c h a n i z e dm i n i n gi nC h i n e s ec o a lm i n e s [ J ] ．I n t e r n a t i o n a lJ o u r n a lo fC o a lS c i e n c e T e c h n o l o g y ，2 0 1 4 ，1 3 1 5 3 2 6 0 ． [ 3 ] N O U A R IM ，T I N T I N GA ．W e a rc h a r a c t e r i s t i c sa n dp e r f o r m a n c e o fr n u l t i l a y e rC V D - c o a t e da l l o y e dc a r b i d et o o l i nd r ye n dm i l l i n g o ft i t a n i u ma l l o y [ J ] ．S u r f a c ea n d C o a t i n g sT e c h n o l o g y ，2 0 0 6 ， 2 0 0 1 8 一1 9 5 6 6 3 5 6 7 6 ． [ 4 ] K I O U SM ，O U A H A B IA ．D e t e c t i o np r o c e s sa p p r o a c ho ft o o lw e a r i nh i g hs p e e dm i l l i n g [ J ] ．M e a s u r e m e n t ，2 0 1 0 ，4 3 1 0 1 4 3 9 1 4 4 6 ． [ 5 ] 李晓豁，何洋，焦丽，等．基于参数识别的截割头纵向随机振动 响应优化[ J ] ．中国机械工程，2 0 1 5 ，2 6 6 8 1 8 8 2 3 ． L IX i a o h u o ，H EY a n g ，J I A OL i ，e ta 1 ．O p t i m i z a t i o no f l o n g t i d i n a lr a n d o r av i b r a t i o nr e s p o n s eo fc u t t i n gh e a db a s e do np a r a m e t e ri d e n t i f i c a - t i o n [ J ] ．C h i n aM e c h a n i c a lE n g i n e e r i n g ，2 0 1 5 ，2 6 6 8 1 8 8 2 3 ． [ 6 ]王雁翔，杨道龙，王凌翔．镐形截齿截割磨损研究[ J ] ．煤矿机 械，2 0 1 4 ，3 5 2 4 7 4 9 ． W A N GY a n x i a n g ，Y A N GD a o l o n g ，W A N GH n 野i a n g ．S t u d yo nw e a r p e r f o r m a n c eo fp i c kc u t t i n g [ J ] ．C o a lM i n eM a c h i n e r y ，2 0 1 4 ， 3 5 2 4 7 4 9 ． [ 7 ]张倩倩．掘进机截齿截割硬岩的试验与数值模拟研究[ D ] ．太 原太原理工大学，2 0 1 6 ． Z H A N GQ i a n q i a n ．E x p e r m e n t a la n dn u m e r i c a lr e s e a l c ho nr o c kc u t t i n gb yr o a dh e a d e rp i c k s [ D ] ．T a i y u a n T a i y u a nU n i v e r s i t yo fT e c h n o l o g y ，2 0 1 6 ． [ 8 ]张倩倩，韩振南，张梦奇，等．冲击载荷作用下锥形截齿磨损的 试验和数值模拟研究[ J ] ．振动与冲击，2 0 1 6 ，3 5 1 3 5 8 - 6 5 ． Z H A N GQ i a n q i a n ，H A NZ h e n n a n ，Z H A N GM e n g q i ，e ta 1 ．T e s t sa n d s i m u l a t i o nf o rw e a ro fc o n i c a lp i c ku n d e ri m p a c tl o a d [ J ] ．J o u r n a lo f V i b r a t i o na n dS h o c k ，2 0 1 6 ，3 5 1 3 5 8 6 5 ． 万方数据 第7 期张强等基于小波包与S O M 神经网络的截齿磨损状态识别 2 0 8 3 [ 9 ]张建广．E B Z 2 6 0 W 型掘迸机截割人工岩壁的截齿磨损研究[ J ] ． 矿山机械，2 0 1 4 ，4 2 9 1 1 1 4 ． Z H A N GJ i a n g u a n g ．S t u d yo np i c ka b s r a s i o nd u r i n ga r t i f i c i a lr o c kc u t b yE B Z 2 6 0 Wr o a d h e a d e r [ J ] ．M i n i n ga n dP r o c e s s i n gE q u i p m e n t ， 2 0 1 4 ．4 2 9 l l 1 4 ． [ 1 0 ]李荣德，李建楠，王淑锋，等．矿用截齿截割过程的数值模拟及 磨损机理研究[ J ] ．煤矿机械，2 0 1 6 ，3 7 6 5 7 5 9 ． L IR o n g d e ，L IJ i a n n a n ，W A N GS h u f e n g ，e ta 1 ．S t u d yo nn u m e r i c a l s i m u l a t i o na n d w e a l “ m e c h a n i s mo fc u t t i n gp i c k [ j ] ．C o a lM i n eM a c h i n e r y ，2 0 1 6 ，3 7 6 5 7 5 9 ． [ 1 1 ] 张强，王海舰，李立莹，等．基于多传感特征信息融合的采煤机 截齿失效诊断[ J ] ．中国机械工程，2 0 1 6 ，2 7 1 7 2 3 3 4 2 3 4 0 ． Z H A N GQ i a n g ，W A N GH a i j i a n ，L IL i y i n g ，e ta 1 ．O n l i n em o n i t o r i n g o fs h e a r e r ’8p i c kw e a rb a s e do nA N F I Sf u z z yi n f o r m a i o nf u s i o n [ J ] ．C h i n aM e c h a n i c a lE n g i n e e r i n g ，2 0 1 6 ，2 7 1 7 2 3 3 4 2 3 4 0 ． [ 1 2 ] 张强，王海舰，李立莹，等．基于自适应神经一模糊推理系统模 糊信息融合的采煤机截齿磨损在线监测[ J ] ．中国机械工程， 2 0 1 6 ，2 7 1 9 2 6 0 7 2 6 1 4 ． Z H A N GQ i a n g ，W A N GH a i j i a n ，L IL y i n g ，e ta 1 ．O n l i n em o n i t o r i n g o fs h e a r e r ’sp i c kw e a l “ b a s e do nA N F I Sf u z z yi n f o r m a i o nf u s i o n [ J ] ．C h i n aM e c h a n i c a lE n g i n e e r i n g ，2 0 1 6 ，2 7 1 9 2 6 0 7 2 6 1 4 ． [ 1 3 ]张强，刘志恒，王海舰，等．基于B P 神经网络的截齿磨损程度 在线监测[ J ] ．中国机械工程，2 0 1 7 ，2 8 9 1 0 6 2 - 1 0 6 8 ． Z H A N GQ i a n g ，L I UZ h i h e n g ，W A N GH a i j i a n ，e ta 1 ．O n l i n em o n i t o t i n go f p i c k ’S w e a l - d e g r e e sb a s e d o nB Pn e u r a ln e t w o r k [ J ] ．C h i - n aM e c h a n i c a lE n g i n e e r i n g ，2 0 1 7 ，2 8 9 1 0 6 2 1 0 6 8 ． [ 1 4 ]张强，张石磊，王海舰，等．基于声发射信号的煤岩界面识别研 究[ J ] ．电子测量与仪器学报，2 0 1 7 ，3 1 2 2 3 0 2 3 7 ． Z H A N GQ i a n g ，Z H A N GS h i l e i ，W A N GH a j j J a n ，e ta 1 ．S t u d yo ni - d e n f i f i c a t i o no fc o a l r o c ki n t e r f a c eb a s