基于深度残差网络的采煤机摇臂齿轮故障诊断

摘要：

针对传统的采煤机摇臂齿轮故障诊断方法不能自主提取特征,导致齿轮故障诊断精度和效率不佳等问题,构建了基于深度残差网络(ResNet)的采煤机摇臂齿轮故障诊断模型.通过预激活残差单元模块降低模型的复杂度,使模型收敛速度更快;通过对振动信号进行数据重组,优化数据输入方式,提高模型对采煤机摇臂齿轮故障的识别能力.在采煤机摇臂加载实验台上进行模型验证实验,采集摇臂直齿轮正常、磨损、断裂、点蚀和裂纹5种状态下的振动信号,得出其特征具有明显差异;对测试集的混淆矩阵进行可视化分析,验证了ResNet模型能够很好地实现采煤机摇臂齿轮故障分类;与DNN模型和LeNet-5模型对比结果表明,ResNet模型具有更高的故障诊断精度和效率,综合识别率和F-score分别达到99.19％和99.05％;采用t-SNE技术对ResNet模型的最大池化层、预激活残差单元模块和全连接层输出的高维特征进行降维和可视化,验证了ResNet模型具有较强的特征提取能力.

关键词：采煤机摇臂、齿轮、故障诊断、深度残差网络、深度学习

所属期刊栏目：47

分类号：TD632.2(矿山电工)

资助基金：国家自然科学基金专项项目;山西省重点研发项目;山西省科技基础条件平台项目

在线出版日期：2021-04-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：71-78