[1]郭文升,李建平.基于机器学习的煤矿输送带 RFID 健康监测方法[J].机械与电子,2025,(04):64-68.
　GUO Wensheng,LI Jianping.Machine Learning Based RFID Enabled Health Monitoring of Coal Mine Conveyor Belt[J].Machinery & Electronics,2025,(04):64-68.
点击复制

基于机器学习的煤矿输送带 RFID 健康监测方法()
分享到：

《机械与电子》[ISSN:1001-2257/CN:52-1052/TH]

卷:
期数:
2025年04期
页码:
64-68
栏目:
智能制造
出版日期:
2025-04-25

文章信息/Info

Title:
Machine Learning Based RFID Enabled Health Monitoring of Coal Mine Conveyor Belt
文章编号:
1001-2257 ( 2025 ) 04-0064-05
作者:
郭文升; 李建平
国家能源集团神东煤炭集团乌兰木伦煤矿,内蒙古 鄂尔多斯 017000
Author(s):
GUO Wensheng ;  LI Jianping
( Ulan Mulun Coal Mine , CHN Energy Shendong Coal Group Co. , Ltd. , Ordos 017000 , China )
关键词:
机器学习; 贝叶斯正则化人工神经网络; RFID ; 健康监测; 裂纹检测
Keywords:
machine learning ;  Bayesian regularized artificial neural network ;  RFID ;  health monitoring ;  crack detection
分类号:
TD528 ;TP391.4
文献标志码:
A
摘要:
提出了一种基于机器学习的煤矿输送带健康监测方法,利用 RFID 技术通过分析接收信号强度指示器数据,建立了贝叶斯正则化人工神经网络模型。通过物理实验验证了该模型在不同裂纹类型和宽度下的有效性。实验结果表明,该模型在裂纹检测任务中达到了 97.2% 的高准确率,显著优于传统的机器学习算法如支持向量机、决策树和线性判别分析。研究表明,所提健康监测方法不仅在裂纹检测中具有很高的准确性和泛化能力,还能够实现实时监测。
Abstract:
This paper proposes a machine learning based health monitoring method for coal mine conveyor belts using RFID technology by analyzing the received signal strength indicator data and establishing a Bayesian regularized artificial neural network model.The validity of the model under different crack types and widths was verified by physical experiments.Experimental results show that this BRANN model achieves a high accuracy of 97.2% in the crack detection task , which significantly outperforms traditional machine learning algorithms such as support vector machines , decision trees and linear discriminant analysis.It is shown that the proposed health monitoring method not only has high accuracy and generalization ability in crack detection , but also can realize real-time monitoring.

参考文献/References:

[ 1 ] 王占贵,吴涛 . 同向双层带式输送机运输系统在煤矿井下的应用[ J ] . 煤矿机械, 2024 , 45 ( 8 ): 149-151.

[ 2 ] 韩泽龙 . 关于煤矿带式输送机发展趋势分析[ J ] . 西部探矿工程,2024 , 36 ( 3 ): 169-171.
[ 3 ] 石耀慧,史华伟,王永振,等 . 基于机器视觉的矿用输送带纵向撕裂检测研究[ J ] . 中国矿业, 2024 , 33 ( 4 ): 141-151.
[ 4 ] 王狄 . 加权的贝叶斯网络分类算法研究及应用[ D ] . 黄石:湖北师范大学,2024.
[ 5 ] 刘文峰,张森,宋庆军 . 带式输送机机械带扣视觉故障诊断平台及其试验验证[ J ] . 煤矿机械, 2024 , 45 ( 8 ):179-183.
[ 6 ] 胡江迪 . 基于视觉的矿用输送带状态监测系统研究[ D ] . 徐州:中国矿业大学,2021.
[ 7 ] 王振珺 . 基于 CenterNet 算法的带式输送机输送带破损检测方法与应用[ J ] . 建井技术, 2024 , 45 ( 3 ): 85-89.
[ 8 ] 余加宝,姚俊梅,谢瑞桃,等 . 基于深度学习的超高频标签识别系统[ J ] . 计算机科学, 2023 , 50 (增刊 1 ): 666-671.
[ 9 ] 刘佳乐,金浩,张政 . 通信技术在变电设备状态监测与故障诊断中的应用 [ J ] . 电子技术, 2024 , 53 ( 5 ):158-159.
[ 10 ] 蒋秀英 . 工程机械的状态监测与故障诊断技术[ J ] . 内燃机与配件,2024 ( 15 ): 76-78.
[ 11 ] HELBING G , RITTER M.Deep learning for fault detection in wind turbines [ J ] .Renewable and sustainable energy reviews , 2018 , 98 : 189-198.
[ 12 ] 李诗勇,谢荣斌,靳斌,等 . 基于射频技术的开关柜无源无线温度测量系统[ J ] . 高压电器, 2024 , 60 ( 7 ): 138-147.
[ 13 ] 李文虎,李晨曦,孟召宗,等 . 集成双频无源 RFID 传感器标签设计[ J ] . 河北工业大学学报, 2024 , 53 ( 3 ): 1-7.
[ 14 ] 桂卫华,阳春华,徐德刚,等 . 基于机器视觉的矿物浮选过程监控技术研究进展[ J ] . 自动化学报, 2013 , 39( 11 ): 1879-1888.
[ 15 ] 文成林,吕菲亚,包哲静,等 . 基于数据驱动的微小故障诊断方法综述[ J ] . 自动化学报, 2016 , 42 ( 9 ): 1285-1299.
[ 16 ] 徐钢,黎敏,吕志民,等 . 基于机器学习的产品质量在线智能监控方法[ J ] . 工程科学学报,2022 , 44 ( 4 ):730-743.

相似文献/References:

[1]李鸿奎,程昭龙,周 蕾,等.智能变电站设备管控大数据分析系统研究[J].机械与电子,2020,(10):72.
　LI Hongkui,CHENG Zhaolong,ZHOU Lei,et al.Big Data Analysis System of Intelligent Substation Equipment Management and Control[J].Machinery & Electronics,2020,(04):72.
[2]周岳斌,杨 沫,曹煜晖.无线视频监控系统人脸跟踪功能的实现[J].机械与电子,2021,(06):35.
　ZHOU Yuebin,YANG Mo,CAO Yuhui.Realization of Face Tracking Function in Wireless Video Surveillance System[J].Machinery & Electronics,2021,(04):35.
[3]原 军,张 凯,药 炜,等.基于机器学习的分组交换电力光网络流量异常检测[J].机械与电子,2021,(09):47.
　YUAN Jun,ZHANG Kai,YAO Wei,et al.Anomaly Detection of Packet Switching Power Optical Network[J].Machinery & Electronics,2021,(04):47.
[4]刘 哲,闫佳文,陈长金,等.电力线图像检测方法研究[J].机械与电子,2022,(03):54.
　LIU Zhe,YAN Jiawen,CHEN Changjin,et al.Research on Power Line Image Detection Method[J].Machinery & Electronics,2022,(04):54.
[5]范子铭,田富君,胡子翔,等.基于机器学习的回流焊焊点形貌预测[J].机械与电子,2023,41(01):53.
　FAN Ziming,TIAN Fujun,HU Zixiang,et al.Topography Prediction of Reflow Solder Joints Based on Machine Learning[J].Machinery & Electronics,2023,41(04):53.
[6]宾世杨,张 振,唐俊杰,等.基于机器学习的风电机组机械传动系统故障诊断研究[J].机械与电子,2024,42(01):11.
　BIN Shiyang,ZHANG Zhen,TANG Junjie,et al.Research on Fault Diagnosis of Wind Turbine Mechanical Transmission System Based on Machine Learning[J].Machinery & Electronics,2024,42(04):11.
[7]袁武民,邢建平,杨 栋.基于改进 Stacking 模型的铁路信号设备故障率预测[J].机械与电子,2024,42(01):41.
　YUAN Wumin,XING Jianping,YANG Dong.Prediction of Railway Signal Equipment Failure Rate Based on Improved Stacking Model[J].Machinery & Electronics,2024,42(04):41.

备注/Memo

备注/Memo:
收稿日期: 2024-08-29
作者简介:郭文升 ( 1985- ),男,陕西府谷人,助理工程师,研究方向为煤炭行业智能化应用及前景;李建平 ( 1987- ),男,陕西神木人,助理工程师,研究方向为煤炭行业智能化应用及前景。
更新日期/Last Update: 2025-05-13