Resumen

Este estudio emplea la vibración mecánica y ondas acústicas de un larguero de cola de soporte hidráulico para un reconocimiento preciso y rápido de carbón-roca. El estudio propone un método de diagnóstico basado en aprendizaje profundo bimodal y transformada de Hilbert-Huang. Las redes neuronales profundas bimodales (DNN) adoptan el aprendizaje bimodal y el aprendizaje por transferencia. El método de aprendizaje bimodal intenta aprender una representación conjunta considerando las modalidades de aceleración y presión sonora, las cuales contribuyen al reconocimiento del carbón-roca. El método de transferencia resuelve el problema con respecto a DNN, en el cual se necesitan un gran número de muestras de entrenamiento etiquetadas para optimizar los parámetros mientras que la muestra de entrenamiento etiquetada es limitada. Se determina una ubicación de instalación adecuada para los sensores en el reconocimiento de carbón-roca. Las características de extracción de las señales de aceleración y presión sonora se combinan y se seleccion

• Materias:Control de vibraciones Correlación de Vibraciones Sistema de amortiguación Aceleración vibratoria Detección de fallas
• Subjects:Vibration control Vibration Correlation Damping System Vibration Acceleration Fault Detection
• Palabras claves:Estudio; Vibración mecánica; Ondas acústicas; Viga de cola de soporte hidráulico; Reconocimiento de carbón-roca; Aprendizaje profundo bimodal; Transformada de Hilbert-Huang; Redes neuronales profundas; Aprendizaje por transferencia; Sensores; Aceleración; Presión del sonido; Señales; Características; Modelo de reconocimiento; Resultados experimentales; Precisión
• Keywords:Study; Mechanical vibration; Acoustic waves; Hydraulic support tail beam; Coal-rock recognition; Bimodal deep learning; Hilbert-Huang transform; Deep neural networks; Transfer learning; Sensors; Acceleration; Sound pressure; Signals; Features; Recognition model; Experimental results; Accuracy